TOPRAK ÖZELLİKLERİNİN TAHMİNİ VE MESAFEYE BAĞLI DEĞİŞKENLİĞİNİN HARİTALANMASINDA, FARKLI ENTERPOLASYON YÖNTEMLERİ VE MAKİNE ÖĞRENİMİNİN KULLANIMI

Abstract

Geniş bir arazide toprak özelliklerinin doğru bir şekilde belirlenmesi, toprakların sürdürülebilir yönetimi ve korunması, yeteneklerine uygun kullanımlarının belirlenmesi ve uygun hassas tarımsal tekniklerin seçimi için son derece önemlidir. Bazı toprak özelliklerinin mekânsal dağılımının tahmin edilmesini amaçlayan bu çalışmanın birinci bölümünde lokal polinomal interpolasyon (LPI) ve Deneysel bayesyen kriging (EBK)’nın mekânsal tahmin performansları karşılaştırılmıştır. Çalışmanın ikinci bölümünde ise, toprak parçacık boyutu dağılımının tahmininde Sınıflandırma ve Regresyon Ağaçları (CART), Rastgele Orman (RF) ve Aşırı gradyan artışı (XGBoost) denetimli makine öğrenme algoritmalarının performansları araştırılmıştır. Tahmin modelleri, uzaktan algılama verilerinden türetilen bitki ve toprak indeksleri ile topografik öznitelikler gibi ortak-değişkenler kullanılarak oluşturulmuştur. Çalışmada, değişken seçiminde Boruta yaklaşımı kullanılmıştır. Makine öğrenimi modellerinin eğitimi ve değerlendirilmesi için referans veriler, 622 yüzey toprağı örneğinin parçacık boyutu dağılımı sonuçlarından oluşmuştur. Türkiye'nin güneydoğusunda Diyarbakır'ın Ergani ilçesi sınırları içerisinde 18.143 ha’lık çalışma alanında 622 toprak örneği alınmış ve parçacık büyüklük dağılımı (kum, kil ve silt), toprak pH’sı, kireç içeriği, elektriksel iletkenlik (EC) ve katyon değişim kapasitesi (KDK) analizleri yapılmıştır. Çalışmanın birinci bölümünde, her iki modelde tahmini ve ölçülen pH değerleri arasındaki varyasyon katsayısı oldukça benzerdir. Lokal polinomal interpolasyon yönteminde, toprakların kireç içeriğinde tahmini ve ölçülen veri kümesi varyasyon katsayısı birbirlerine oldukça benzerdir. Ortalama Karekök Sapması (RMSE) değerleri, EBK yönteminde LPI’a göre pH, EC ve KDK için sırasıyla %9.5, %78.8 ve %25.6’lık bir azalış göstermiştir. LPI-Kireç yönteminde ise EBK’ya göre %28.4’lük RMSE iyileşmesi görülmüştür. Sonuçlar, EBK yöntemiyle elde edilen tahminlerin hata değerlerinin, LPI yöntemine kıyasla daha düşük olduğunu göstermektedir. Öte yandan, LPI yöntemi ile elde edilen tahmini pH ve kireç haritaları örneklem veri kümesine ait varyasyon katsayısına daha uyumludur. Çalışmanın ikinci bölümünde, makine öğrenme modellerinin eğitimi ve değerlendirilmesi için kullanılan referans verileri, en doğru tahmin makine öğrenme modeli, R2 değeri 0.74 olan XGBoostKil modeli ile elde edilmiştir. Bu üstünlük, XGBoostKil modelinin RMSE değerinin RFKil modeline kıyasla %21.36 ve CARTKil modeline kıyasla %44.5 oranında göreceli bir iyileşmesi ile kanıtlanmıştır. Benzer şekilde, kum ve silt içeriğinin tahmininde modellerin R2 değerleri XGBoostSilt ve XGBoostKum modelleri için sırasıyla 0.71 ve 0.75 idi. Dikkate alınan ortak değişkenler arasında, Normalize Edilmiş Oran Bitki Örtüsü İndeksi ve Eğim açısı, kil içeriği üzerinde en yüksek etkiye sahip idi (%21), onu Topografik Pozisyon İndeksi ve Basit Oran Kil İndeksi (%20) takip etmiştir. Arazi Engebelilik İndeksi ise en düşük (%18) etkiye sahip ortak değişken olarak tanımlanmıştır. Sonuçlar, Boruta gibi hesaplama tekniklerinin, dijital toprak haritalama için uygun bir değişken sayısını seçmede uygun seçenek olarak değerlendirilebileceğini göstermektedir. Bu araştırma, çevresel değişkene ihtiyaç duymadan hızlı ve etkin sayısal toprak haritalarının gerekli olduğu arazi yönetim uygulamalarına etkili bir biçimde mekânsal toprak bilgisi sağlaması açısından önem arz etmektedir.