SAR uydu imgeleri kullanılarak yarı deneysel ve makine öğrenmesi yöntemleri ile toprak neminin tahmini: Karşılaştırmalı bir saha çalışması

Uzaktan algılama teknolojisi, geniş bir aralıkta gözlem yapabilme, zamanında ve daha az kısıtla veri toplama yeteneği sayesinde birçok alanda yaygın olarak kullanılmaktadır. Tarım, uzaktan algılamanın uygulanması ve araştırılması için en önemli alanlardan biridir. Aktif mikrodalga SAR sensörleri, yüksek çözünürlük sağlamaları, hava şartlarından etkilenmemeleri ve toprak nemine olan duyarlılıkları nedeniyle büyük ölçekli toprak nem tahmini için uygundur. Son yıllarda uzaktan algılama alanında doğrusal olmayan makine öğrenme teknikleri toprak nem tahmini için önerilmektedir. Bu çalışmada yüzey toprak nemi, Radarsat-2 ve polarimetrik hedef ayrıştırma verisi kullanılarak yarı deneysel modeller ve makine öğrenmesi yöntemleri ile tahmin edilmeye çalışılmıştır. Oh (1992), Dubois (1995) ve Oh (2004) yarı deneysel modelleri ve Genelleştirilmiş Regresyon Sinir Ağı (GRNN), En Küçük Kareler Destek Vektör Makineleri (LS-SVM), Aşırı Öğrenme Makinesi (ELM), Kernel tabanlı Aşırı Öğrenme Makinesi (KELM), Adaptif Sinirsel Bulanık Çıkarım Sistemi (ANFIS) makine öğrenmesi yöntemleri kullanılmıştır. Bu çalışmada Yamaguchi, van Zyl, Freeman-Durden, H/A/α ve Cloude polarimetrik hedef ayrıştırma yöntemleri kullanılmıştır. Toprak neminin inversiyonu için ilk olarak yalın ve orta seviyede bitki örtülü toprak için iki farklı tarihe ait Radarsat-2 imgesine ön işlemler uygulanmıştır. Sonra sigma geri saçılma katsayıları ve polarimetrik ayrıştırma katsayıları özellik vektörü olarak kullanılmak üzere ön işlemleri tamamlanan ve yersel ölçüm noktalarına karşılık gelen SAR imge piksellerinden çıkarılmıştır. Son olarak, elde edilen sigma geri saçılma katsayıları yarı deneysel modellerde kullanılmıştır. Makine öğrenmesi yöntemlerinde ise sigma geri saçılma katsayıları ve polarimetrik ayrıştırma bileşenleri giriş olarak kullanılmıştır. Yarı deneysel modeller ile yalın ve orta seviyede bitki örtülü toprak için en iyi doğruluk sonuçları kare ortalamalarının karekökü hatası (RMSE) olarak sırasıyla 13.01 ve 17.91 olarak elde edilmiştir. Makine öğrenmesi teknikleri ile en iyi doğruluk sonuçları RMSE cinsinden sırasıyla 4.04 ve 2.72 olarak elde edilmiştir. Sonuçlar, makine öğrenmesi tekniklerinin yarı deneysel modellerden çok daha iyi performansa sahip olduğunu göstermiştir.