Uzaktan algılama ve yapay zeka entegrasyonu ileevapotranspirasyon (terleme yoluyla buharlaşma) tahmini

Bu araştırmada, klasik evapotranspirasyon (ET) tahmin yöntemlerinin zaman alıcı adımlarını ortadan kaldırmak amacıyla Makine Öğrenme (MÖ) algoritmasından yararlanılmıştır. Yapay Sinir Ağı (YSA) algoritmasının eğitilmesi için, giriş değişkenleri olarak uzaktan algılanan (UA) veriler ve çıkış verileri olarak buharlaşma terleme verileri; dahili kalibrasyon modeliyle yüksek çözünürlükte kalibre edilmiş evapotranspirasyon haritalaması modeli (METRIC) kullanılmıştır. Multispektral veriler, Landsat 8 platformundan elde edilmiştir. İlk aşamada METRIC modeli, seçilen bir çalışma alanı olan Eskişehir/Alpu için kalibre edilmiştir. İkinci aşamada YSA modeli, kalibre edilmiş ET verileri ve UA verileri kullanılarak eğitilmiş ve test edilmiştir. Eğitilen model, daha sonra çalışma alanının tamamına uygulanmış ve sonuçlar karışıklık matrisler yöntemi kullanılarak doğrulanmıştır. Çalışmanın sonraki adımlarında YSA modelinin performansı, Eddy Covvariance Flux verileri ve yaygın olarak referans alınan MODIS ürünü dahil olmak üzere mevcut ürünlerle karşılaştırılmıştır. Araştırma sonucu, YSA'nın ET tahminlerinin, UA esaslı en iyi model olan METRIC'ten bile daha iyi bir performansa sahip olduğunu göstermiştir. YSA modeli, su kaynakları yönetim sistemlerinde oldukça önemli bir uygulama olan çiftlik bazlı (küçük ölçekli) ET tahmininde önemli bir performans göstermiştir. YSA modeli ile EC ve MODIS verilerinin karşılaştırılmasına yönelik yapılan inceleme, EC ve MODIS tekniklerinin küçük ölçekli ET'u tahmin etmede başarısız olduğunu, ancak daha geniş alanlı kümülatif ET tahminlerinde hâlâ geçerli olduğunu göstermiştir. Ayrıca, herhangi bir UA veya MÖ algoritmasının kesin olarak doğrulanabilmesi için, doğrudan rasterleştirilmiş alan ET ölçümlerine ihtiyaç duyulduğu, bunun da günümüzde henüz mevcut olmayan daha ileri teknolojiler gerektirdiği sonucuna varılmıştır.