Merve ETÖZ, İdris USLU, Zerrin ÇELİK, Sinan ARAS, Vural KARAGÜL, Aslı ÖZDARICI OK

Mısır Ekim Alanları ve Dane Veriminin Uzaktan Algılama ve Hybrid-Maize Bitki Modeli ile Belirlenmesi

Tarımsal üretimin çevre koşulları ile olan sıkı ilişkisi ve günümüz dünyasında tarımsal ürünlere olan talep artışı bitkisel üretimin sistematik, hızlı ve güvenilir şekilde izlenmesini gerekli kılmaktadır. Uzaktan algılama; ürün izleme, ekim alanları ve bitki veriminin tahmin edilmesinde önemli bir teknoloji olarak karşımıza çıkmaktadır. Bu çalışmada, 2020 yılında Menemen Ovası’nda yaygın olarak yetiştirilen önemli bitkilerden biri olan mısır için ekim alanları ve dane verimi incelenmiştir. Araştırmada Göktürk-2 uydusu ile görüntülenen mısır ekim alanları segment tabanlı sınıflandırma yöntemiyle %86,7 genel doğruluk ve %73,3 Kappa oranlarıyla tespit edilmiştir. Yerden ölçülen dane mısır verimi ve uydu verisinden üretilen NDVI değerleri arasındaki regresyon modeli değerleri R2=0,77 belirleme katsayısı ve P≤0,01 hata düzeyinde elde edilmiştir. Regresyon modeli yöntemi ile araştırma alanında geniş alanlardaki mısır verimi tahmin edilmiştir. Bunun yanında potansiyel verimin incelenmesinde Hybrid-Maize bitki modeli kullanılmıştır. Çalışma ile bitki modeli ile hesaplanan potansiyel verim değerleri ile gerçek verim değerlerinin karşılaştırılabileceği ve parsel bazlı değişimlerin incelenmesinde kullanılabileceği sonucuna ulaşılmıştır.

Determination of Maize Planting Areas and Grain Yields UsingRemote Sensing and Hybrid-Maize Crop Model

The close relationship of agricultural production with environmental conditions and the increase in demand for agricultural products in today's world, make it necessary to monitor crop production in a reliable, fast and systematic manner. In this sense, remote sensing is a valuable technology that enables monitoring and crop area and yield estimations in agricultural studies. This research studied the area sown and grain yields of maize, a common crop on the Menemen Plain. In the research, maize fields were classified in object based classification manner by Göktürk-2 taken in 2020 with 86.7% overall accuracy and 73.3% Kappa value. The values of determination coefficient and significance level of the regression model which was obtained between measured maize grain yield and NDVI values of the satellite data were, R2=0.77 and P≤ 0.01, respectively.The regression model method was used to calculate the yield of wider areas in the research. In addition, potential yield of the region was estimated by a crop model, Hybrid-Maize. With this study, it has been concluded that the potential yield values calculated with the plant model can be compared with the actual yield values and can be used in the analysis of plot-based changes.

PDF

___

Anonim. 1971. Menemen Ovası Temel Toprak Etüdü. Toprak Su Genel Müdürlüğü Toprak ve Etüd Haritalama Dairesi Raporları, Seri No: 24, Ankara.
Anonim. 2020. Meteoroloji Genel Müdürlüğü, Resmi istatistikler. www.mgm.gov.tr/veridegerlendirme/il-veilceler-istatistik, (Erişim tarihi: 31.10. 2020).
Anonim. 2021. https://biruni.tuik.gov.tr/medas/?kn=92& locale=tr (Erişim tarihi 27.4.2021).
Arslan, İ. 2019. Python ile Veri Bilimi. Pusula 20 Teknoloji ve Yayıncılık A.Ş. İstanbul.
Battude, M., A. Bitar, D.Morin, J.Cros, M. Huc, C.M. Sicre, V. Dantec, and V. Demarez. 2016. Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment. 184. 668-681.
Egberth, M., and M. Nilsson. 2010. "KNN-Sweden--Current map data on Swedish forests." In Proceedings ForestSat 2010: Operational tools in forestry using remote sensing techniques. 265-267.
Ferencz, Cs., P. Bogna, J. R. Lichtenberger, D. Hamar, G. Tarcsai, G. Timar, R. G. Molna, P. Pasztor, Sz. Steinbach, B. Szekely, O. E. Ferencz, and I. FerenczArkos. 2004. Crop yield estimation by satellite remote sensing Int. J. Remote Sensıng Vol. 25, No. 20: 4113– 4149.
Gallego, J., E. Carfagna, and B. Baruth. 2010. Accuracy, objectivity and efficiency of remote sensing for agricultural statistics pp. 202-205. In: Benedetti, R., Bee, M., Espa, G., Piersimoni, P. (Ed.’s ) Agricultural Survey Methods. John Wiley & Sons Ltd., Wiltshire., UK.
Huang, J., and D. Han. 2014. Meta-analysis of influential factors on crop yield estimation by remote sensing. International Journal of Remote Sensing, Vol. 35, No. 6: 2267–2295, http://dx.doi.org/10.1080/01431161. 2014.890761 (Erişim tarihi: 01/04/2021).
Jensen, J. R. 2016. Introductory Dijital Image Processing: A Remote Sensing Perspective, 4th Ed. Pearson.
Jones, H. G., and R. A. Vaughan. 2010. Remote Sensing of Vegetation Principles, Techniques and Applications. Oxford University Press, New York, US.
Konuk, A. 2016. Coğrafi Bilgi Sistemleri için Temel İstatistik. s. 72. Anadolu Üni. Yay. No: 2326. Eskişehir.
MGM. 2020. Meteoroloji Genel Müdürlüğü, Resmi istatistikler. www.mgm.gov.tr/veridegerlendirme/il-veilceler-istatistik, (Erişim tarihi: 31.10. 2020).
Oğuz, C. ve Z. Karakayacı. 2017. Tarım Ekonomisinde Araştırma ve Örnekleme Metodolojisi. Atlas Akademi Yayınları. Konya.
Ok, A. Ö. 2017. Sınıflandırma- İleri Teknikler s.171-197. F. Sunar (Ed.). Dijital Görüntü İşleme. Anadolu Üni. Yay. No: 3658. Eskişehir.
Ormeci, C., U.Alganci, and E. Sertel, 2010. Identification of crop areas using SPOT – 5 Data. TS 4H – Remote Sensing and Imagery I. Facing the Challenges – Building the Capacity Sydney, Australia, 11-16 April 2010. Available at: https://www.researchgate.net/ publication/256454210 (Erişim tarihi: 08.03. 2021).
Ozdarici Ok, A.,and Z. Akyurek. 2012. A Segment-based approach to classify agricultural lands by using multitemporal optical and microwave data. International Journal of Remote Sensing, 33: 22, 7184-7204
Sarı, M., N. K. Sönmez ve M. Yıldıran. 2007. Pamuk bitkisinin kantitatif yansıma özelliklerinin ve alansal dağılımının uydu verileri ile belirlenmesi. Akdeniz Üniversitesi Ziraat Fakültesi Dergisi, 20(1): 1-10.
Satir, O., ve S. Berberoglu. 2016. Crop yield prediction under soil salinity using satellite drived vegetation indices. Field Crops Research 192: 134-143.
Schultes, U., J. Timsina, J. M. Herrera, and A. Mcdonald. 2013. Mapping field-scale yield gaps for maize: An example from Bangladesh. Field Crops Research 143: 143-156.
Steinberg, S. L., and J. S. Steinberg. 2015. GIS Research Methods Incorporation Spatial Perspectives. Esri Press, Redlands, California, US.
Teke, M., C. Demirkesen, O. Haliloğlu ve E. İmre. 2016. Göktürk-2 uydusunun bağıl ve mutlak çapraz radyometrik kalibrasyonu. Harita Dergisi 155: 32-52.
Turker, M., and A. Ozdarici. 2011. Field-based crop classification using SPOT4, SPOT5, IKONOS and QuickBird imagery for agricultural areas: a comparison study. International Journal of Remote Sensing, 32:24: 9735-9768.
Yang H.S., A. Dobermann, J.L. Lindquist, D. T. Walters, T. J. Arkebauer, and K. G. Cassman. 2004. Hybridmaize-a maize simulation model that combines two crop modeling approaches. Field Crops Research 87: 131-154.
Yang, C., J. H. Everitt, R. S. Fletcher, and D. Murden. 2007. Using high resolution QuickBird imagery for crop identification and area estimation, Geocarto International, 22:3, 219-233 (Erişim 04.04.2021).
Yang, H. S., A. Dobermann, K. G. Cassman, D. T. Walters, and P. Grassini. 2016. Hybrid-Maize (ver. 2016). A Simulation Model for Corn Growth and Yield. Nebraska Cooperative Extension, University of Nebraska-Lincoln, Lincoln, NE.
Yorulmaz, Ö. 2016. Dayanıklı İstatistiksel Yöntemler ve R Uygulamaları. Beta Basım Yayım Dağıtım A.Ş. İstanbul.
Zhenong, J., G. Azzaria, C.Youa, S. D.Tommasoa, S.Aston, M. Burkea,and D. B. Lobella. 2019. Smallholder maize area and yield mapping at national scales with Google Earth Engine. Remote Sensing of Environment 228: 115-128.