Farklı makine öğrenim algoritmaları ve CBS teknikleri kullanılarak buğday yetiştiriciliği için arazi uygunluğunun değerlendirilmesi: gözlü tarım işletmesi örneği

Günümüzde gıda güvenliği, özellikle kurak ve yarı kurak iklimlere sahip, sınırlı doğal kaynakları bulunan bölgelerde karar alıcılar için önemli bir endişe kaynağıdır. Bu doğrultuda, birçok gelişmiş ve gelişmekte olan ülke, hassas tarım uygulamaları kapsamında, özellikle stratejik ürünlere yönelik ürün bazlı arazi değerlendirme modelleri tasarlayarak toprak ve su kaynaklarının en elverişli şekilde kullanımını planlamaktadır. Bu modeller arasında makine öğrenim algoritmaları hızlı ve güvenilir karar destek yaklaşımları olarak özellikle stratejik öeneme sahip bitkiler için giderek artan bir trendle kullanılmaktadır. Nitekim insan beslenmesindeki stratejik yönüyle buğday üretimi için arazi uygunluğunun belirlenmesi araştırmacıların ve politika yapıcıların odaklandığı önelikli bir konu haline gelmiştir. Türkiye'de buğday tarımının stratejik önemi göz önüne alındığında, bölgesel düzeyde yapılan çalışmalar özellikle önem taşımakta olup, buğday için makine öğrenim algoritmaları ile desteklenmiş ürün bazlı arazi değerlendirme yaklaşımı henüz denenmemiştir. Bu çalışma ile İç Anadolu bölgesi kurak iklim koşullarına özgün Coğrafi Bilgi Sistemleri ile entegre makine öğrenim algoritmaları kullanılarak buğday yetiştiriciliği için arazi uygunluk haritalarını üretmek ve yetiştiricilik için önemli parametreleri belirlemek amacıyla ön çalışma yürütülmüştür. Araştırmada bölge topraklarının genel özelliklerini ve iklim karakteristiğini temsil eden Konya - Gözlü Tarım İşletmesi arazilerinin toprak haritasından faydalanılarak 119 farklı noktadan 0–30 cm derinliğinde toprak örnekleri alınmıştır. Bu örneklere ait topografik (toprak derinliği, toprak eğimi ve toprak taşlılığı), fiziksel (toprak tekstürü, toprak hacim ağırlığı ve toprak faydalı su kapasitesi), kimyasal (toprak pH'ı, elektriksel iletkenlik, kalsiyum karbonat içeriği ve organik madde) indikatörler ile uzun dönem normalize edilmiş fark bitki indeksi (LT-NDVI) giriş parametreleri olarak seçilmiştir. Parametreler beş faklı makine öğrenimi algoritmasına (yapay sinir ağları, en yakın komşu yöntemi, destek vektör makineleri, rastgele ormanlar ve XgbTree algoritması) fonksiyonlammış ve buğday arazi uygunluk haritları üretilmiştir. Makine öğrenim algoritmaları veri tabanının oluşturulması amacıyla Gözlü Tarım İşletmesi arazilerinde rasgele seçilen 238 noktan %70 (167) eğitim ve % 30 (71) test verisi olarak iki kategoriye sınıflandırılmıştır ArcGIS Pro ortamında gerçekleştirilen uzaysal enterpolasyonun ardından, toprak parametrelerini ve uzun dönem NDVI'yı temsil eden rasterlerin her bir pikseli, R programlama ortamı kullanılarak buğday yetiştiriciliği için belirli bir arazi uygunluk sınıfına atanmıştır. Parametre önemine ilişkin analiz, yapay sinir ağları, destek vektör v makineleri ve XgbTree algoritmaları kullanıldığında toprak tekstürü ve toprak faydalı su kapasitesinin arazi uygunluk haritalarını tahmin etmede en etkili parametreler olduğunu ortaya koymuştur. Buna karşılık, rastgele ormanlar ve en yakın komşu algoritmaları için toprak derinliği ve toprak pH'sı, arazi uygunluk sınıflarını belirlemede en kritik parametreler olarak öne çıkmıştır. Genel olarak, sonuçlar, arazi uygunluk haritalarının oluşturulmasında en büyük etkiye sahip parametrelerin toprak tekstürü, toprak faydalı su kapasitesi ve toprak derinliği olduğunu vurgulamıştır. Bunları, kalsiyum karbonat içeriği ve elektriksel iletkenlik gibi kimyasal özellikler ile toprak eğimi gibi topografik bir indikatöri içeren orta derecede etkili parametreler takip etmiştir. Buna karşılık, toprak hacim ağırlığı, organik madde ve uzun dönem NDVI gibi parametrelerin tahminde minimal bir öneme sahip olduğu bulunmuştur. Makine öğrenimi algoritmalarının performans değerlendirmesi, XgbTree algoritmasının diğer algoritmalardan üstün olduğunu ve %98 doğruluk ile 0.81 kappa katsayısına ulaştığını ortaya koymuştur. Rastgele orman algoritması ise %94 doğruluk ve 0.78 kappa katsayısı ile güçlü sonuçlar elde ederek ikinci sırada yer almıştır. Buna karşılık, yapay sinir ağları ve en yakın komşu algoritmaları, sırasıyla %75 ve %80 doğruluk ile 0.56 ve 0.68 kappa katsayısına ulaşarak nispeten daha düşük bir tahmin performansı sergilemiştir. Destek vektör makineleri algoritması ise %71 doğruluk ve 0.49 kappa katsayısı ile en düşük performansı göstermiştir. Bu bulgular, XgbTree ve rastgele orman algoritmalarının üstün tahmin etkinliğini vurgulamaktadır. Doğrulama veri setine ilişkin Eğri Altındaki Alan (AUC) analizine göre, XgbTree algoritması 0.90 AUC değerine ulaşmıştır. Benzer şekilde, rastgele ormanlar algoritması da güçlü bir performans sergileyerek 0.90 AUC değeri elde etmiştir. En yakın komşu algoritması ise XgbTree ve rastgele ormanlarla karşılaştırılabilir bir performans göstererek 0.91 AUC değerine ulaşmıştır. Buna karşılık, yapay sinir ağları daha düşük bir performans sergileyerek 0.81 AUC değerine ulaşmıştır. Destek vektör makineleri algoritması ise 0.75 AUC ile en düşük performansı kaydetmiştir.En yüksek model doğruluk performansı sergileyen XgbTree ve ve rastgele orman algoritmalarına göre işletme tarım arazilerinin buğday uygunluk sınıfları sırasıyla %27.90 - % 25.23 S1: çok uyun, % 11.74- % 19.68 S2: orta uygun, % 24.34 - %27.66 S3: az uygun ve % 36.00- % 27.40 N: uygun değil sınıflarında mekânsal olarakta benzer dağılımlarda belirlenmiştir. Elde edilen sonuçlara göre arazi kullanım planlamalarında karar alma süreçlerini destekleyecek ön bulgular elde edilmiş, makine öğrenim modellerinin ürün bazlı arazi değerlendirme çalışmalarında önemli bir potansiyele sahip olduğu belirlenmiş ve çalışmanın ürün bazlı uygunluk değerlendirmelerinde makine öğrenim algoritmalarının kullanımına yönelik gelecekteki araştırmalar için bir kılavuz olabileceği değerlendirilmiştir. Çalışmada XgbTree algoritması doğrulama verileri ile yüksek doğruluk göstermiş olsa da, eğitim aşamasında en yüksek performansı ANN algoritması sergilemiştir. Bu sonuçlar, algoritma seçiminde tek bir modele bağlı kalmadan değerlendirme süreçlerinin farklı toprak ve arazi faktörleri kullanılarak yürütülmesi gerektiğini göstermiş ve kullanılan parametreler ile yapılan karşılaştırmalara göre yorumlamalar için ileri araştırmaların yapılması önerilmiştir. Anahtar Kelimeler: Buğday, CBS, makine öğrenimi, Orta Anadolu, uygunluk sınıflaması