COĞRAFİ İŞARETLİ DERİK ZEYTİN AĞAÇLARININ DERİN ÖĞRENME YÖNTEMLERİYLE BELİRLENMESİ

Abstract

Havadan çekilmiş görüntülerden zeytin ağacı tespiti, uzaktan algılama kapsamında hızla olgunlaşan bir araştırma alanıdır. Güncel YOLO ve transformer tabanlı detektörler, Akdeniz havzasındaki insansız hava aracı referans veri kümelerinde 0,99'a yaklaşan ortalama kesinlik (mAP) değerlerine ulaşmıştır. Ne var ki mevcut çalışmalar hem coğrafi olarak Türkiye'nin batısındaki Marmara ve Ege bölgelerinde yoğunlaşmakta, hem de santimetre düzeyinde çözünürlüğe sahip insansız hava aracı görüntülerine dayanmaktadır; ülkenin coğrafi işaret tescilli zeytin ürünlerinin önemli bir bölümünün bulunduğu Güneydoğu Anadolu'nun kurak ve seyrek dikimli bahçeleri ile ilçe ölçeğinde erişilebilir olan daha düşük çözünürlüklü hava fotoğrafı arşivleri büyük ölçüde göz ardı edilmektedir. Bu çalışmada, Türk Patent ve Marka Kurumu tarafından Menşe Adı statüsünde tescillenen Derik (Mardin) zeytin bölgesine ait, insanlı hava araçlarıyla elde edilmiş 30 cm yer örnekleme mesafeli üç ortomozaik kullanılmıştır. Görüntüler, Siirt Üniversitesi'nde geliştirilen Açık Cezeri Kütüphanesi ile 1000 × 500 piksellik kesitlere bölütlenmiş; JazariAnnotate etiketleme aracıyla kesitler üzerindeki zeytin ağaçları sınırlayıcı kutu ile işaretlenmiştir. Veri kümesinin üç sürümü kullanılmıştır: öncül koşuların dayandığı 68 kesitlik sürüm, bu tez kapsamında ayrılan ve 44 kesit ile 5.824 kutudan oluşan tek sınıflı temiz alt küme ve bu alt kümenin etiket denetiminden geçirilerek 9.334 kutuya ulaştırılan üçüncü sürümü. YOLOv5 ve YOLOv7 mimarileri birinci sürüm üzerinde karşılaştırılmıştır. Deneysel sonuçlarda YOLOv5 modeli mAP@0,5 ekseninde 0,564 değerine ulaşarak YOLOv7'yi (0,466) geride bırakmış; en yüksek F1 skorları sırasıyla 0,57 ve 0,55 olarak ölçülmüştür. Bu sıralamanın genel amaçlı referans kümelerindeki sıralamanın tersi olması, model başarımının veri kümesinin karakterine bağlı olduğunu göstermektedir. Karşılaştırma, çapasız tasarıma sahip güncel kuşaklarla (YOLOv8n, YOLOv10n, YOLOv11n) ayrık bir test kümesi üzerinde genişletilmiş ve toplam altı mimariye çıkarılmıştır. Aynı giriş çözünürlüğünde üç güncel kuşak arasındaki yayılım yalnızca 0,018 puanda kalmış; buna karşılık yalnızca giriş çözünürlüğünün 640'tan 1024'e yükseltilmesi YOLOv11n'in mAP@0,5 değerini 0,496'dan 0,540'a, duyarlılığını 0,530'dan 0,616'ya taşımış, hassasiyetini ise değiştirmemiştir. Bu denetimli karşılaştırma, başarımın belirleyicisinin mimari kuşak değil görüntüleme ölçeği olduğunu doğrudan göstermektedir. Etiketlerin istatistiksel çözümlemesi, kestirilen ortalama taç çapının 5,53 m, ortalama taç izdüşüm alanının 32,3 m2 olduğunu ve etiketlerin %98,2'sinin COCO ölçütüne göre küçük nesne kategorisinde bulunduğunu ortaya koymuştur; bu bulgu, ölçülen başarım düzeyinin mimari yetersizlikten değil problemin geometrik doğasından kaynaklandığını göstermektedir. Bu karşılaştırmaların ardından tek değişken ilkesine dayanan bir parametre çalışması yürütülmüş; yığın boyutunun 16'dan 4'e düşürülmesi, giriş çözünürlüğünün 1024 × 1024'e çıkarılması ve model ölçeğinin büyütülmesiyle ayrık test kümesindeki mAP@0,5 değeri 0,5403'ten 0,6359'a yükseltilmiştir. Hata analizi, yanlış pozitif sayılan tespitlerin önemli bir bölümünün aslında etiketlenmemiş gerçek taçlar olduğunu göstermiştir. Bunun üzerine model destekli i bir etiket denetimi yapılmış, görsel incelemeden geçen 3.510 taç eklenmiştir. Aynı ağırlıklar yalnızca düzeltilmiş test etiketleriyle ölçüldüğünde mAP@0,5 değeri 0,653'ten 0,858'e çıkmış; adayların üretiminde kullanılmamış iki bağımsız modelde de benzer büyüklükte artış görülmüştür. Düzeltilmiş etiketlerle yeniden eğitilen modeller ayrık test kümesinde 0,878 değerine ulaşmıştır. Model ölçeğinin büyütülmesi, küçük nesnelere yönelik ek bir tespit başlığı, dilimleyerek eğitim ve evrimsel hiperparametre araması bu düzeyin üzerine ayırt edilebilir bir katkı yapmamıştır. Beş katlı çapraz doğrulama başarımı ortalama 0,850 (standart sapma 0,029) olarak vermiş ve yapılandırmalar arasındaki farkların katlar arası sapmanın içinde kaldığını göstermiştir. Bu bulgu, bu veri rejiminde başarımı belirleyen etkenin mimari ya da hiperparametre seçimi değil etiket kalitesi olduğunu ortaya koymaktadır. Elde edilen değer, santimetre çözünürlüklü insansız hava aracı görüntüleriyle çalışan referans çalışmaların hemen altındadır; kalan açıklık büyük ölçüde, bir zeytin tacının bu çalışmanın görüntülerinde yalnızca 18 piksel genişliğinde görünmesiyle açıklanmaktadır. Konumsal isabeti ölçen mAP'ten farklı olarak, envanter amaçlı kullanımda belirleyici olan sayım doğruluğu kesit kesit ölçülmüştür. Kesit ortalaması etiket denetiminden önceki %71,0 düzeyinden çapraz doğrulamada %81,6'ya yükselmiştir. Ölçüm ayrıca, kesitler toplulaştırıldığında hataların birbirini götürdüğünü ve toplulaştırılmış sayım doğruluğunun yalnızca güven eşiği değiştirilerek %84 ile %99,6 arasında oynatılabildiğini göstermiştir; bu nedenle sayım doğruluğunun tek bir sayı olarak raporlanması yanıltıcı olabilir. Çalışma, santimetre çözünürlüklü insansız hava aracı uçuşları gerektirmeden, kurumsal hava fotoğrafı arşivlerinden elde edilebilen veriyle ilçe ölçeğinde zeytin envanteri çıkarımının uygulanabilir olduğunu ortaya koymakta ve coğrafi işaretli üretim alanlarının mekânsal olarak doğrulanmasına yönelik bir altyapı sunmaktadır.