MAKARNALIK BUĞDAYLARDA SENSÖR, İKLİM VE BİTKİ ÖZELLİKLERİNE DAYALI AZOT OPTİMİZASYONU VE VERİM TAHMİNİNİN FARKLI ALGORİTMALARI İLE MODELLENMESİ

Abstract

Bu çalışma, yarı kurak iklim koşullarında yetiştirilen makarnalık buğdayda (Triticum durum) verim ve kalite tahminine yönelik sensör tabanlı ölçümler ile yapay zekâ destekli modelleme yaklaşımlarının bütüncül olarak değerlendirilmesini amaçlamaktadır. Araştırma kapsamında dört farklı Zadoks gelişim evresinde (ZD24, ZD30, ZD31, ZD32) toplanan optik sensör verileri (SPAD, NSPAD, NDVI, INSEY) ve bitki boyu ölçümleri; drone tabanlı RGB ve multispektral görüntüler; iklim parametreleri ve 350–2500 nm aralığında elde edilen laboratuvar spektral yansıma verileri ile birlikte analiz edilmiştir. Farklı azot dozlarının bitkisel tepkiler üzerindeki etkileri varyans analizleri (ANOVA) ile belirlenmiş; artan azot uygulamalarının özellikle SPAD, NDVI ve INSEY değerlerinde anlamlı yükselişlere yol açtığı, verim ve kalite bileşenlerinde ise çeşit ve fenolojiye bağlı farklılaşmaların oluştuğu görülmüştür. Verim tahmini için Random Forest, Gradient Boosting, AdaBoost, LightGBM ve XGBoost algoritmaları karşılaştırılmış ve model performansının gelişim evrelerine göre değişkenlik gösterdiği belirlenmiştir. Özellikle ZD31 evresi, fotosentetik kapasite ve biyokütle birikiminin kritik olarak yoğunlaştığı dönem olması nedeniyle en yüksek tahmin doğruluğunu sağlamıştır. XGBoost ve LightGBM modelleri düşük hata değerleri ve yüksek genelleme kabiliyetleriyle öne çıkmış; SHAP analizi ise INSEY ve NSPAD indekslerinin verim tahmininde belirleyici rol oynadığını ortaya koymuştur. Bunun yanında, iki yıllık ve altı gelişim evresine ait zaman serili drone görüntüleri, yer tabanlı sensör verileri ve iklim parametrelerinin bütünleştirilmesiyle geliştirilen CNN tabanlı derin öğrenme modeli, yüksek doğruluk (R² ≈ 0,98) ve düşük hata değerleriyle çalışmış; özellikle başaklanma ve tane doldurma dönemlerinde tahmin gücünün arttığı saptanmıştır. Spektral yansıma verileri kullanılarak gerçekleştirilen protein tahmininde ise dört spektral bölge (VIS, NIR, SWIR ve Tam Spektrum) üzerinden yapılan karşılaştırmalarda, geniş bant ve özellikle SWIR bölgesinde hibrit ANN–SVR modelinin en yüksek doğruluk (R² > 0,92) ve en düşük hata değerleriyle üstün performans sergilediği belirlenmiştir. Genel olarak elde edilen bulgular, azot yönetiminin fizyolojik, morfolojik, verim ve kalite parametrelerini eş zamanlı olarak etkilediğini ve bu parametrelerin birlikte değerlendirilmesinin hassas gübreleme stratejilerinin geliştirilmesinde kritik bir öneme sahip olduğunu göstermektedir. Ayrıca, sensör tabanlı veri füzyonu ve yapay zekâ tabanlı modelleme yaklaşımlarının, dijital tarım uygulamaları için yüksek doğruluklu ve açıklanabilir karar destek mekanizmaları sunarak sürdürülebilir tarım yönetimine önemli katkılar sağlayabileceği sonucuna varılmıştır.