19622

Su Kaynakları Yönetiminde Makine Öğrenmesi: Çeltik Sulaması Uygulama Örneği

Su tüketiminde çeltik sulama önemli bir yer tutmaktadır. Dolayısıyla çeltik sulamasında yapılacak tasarruf önemli etkiler meydana getirecektir. Su kaynaklarının sürdürülebilir kullanımında hem sulama yöntemleri hem de su kaynaklarının planlanmasında kullanılacak yöntemler kritik öneme sahiptir. Bu nedenle damla sulama kullanımı yaygınlaştırılmalıdır. Öte yandan, sulama planlaması yapılırken modern uydu teknolojilerinden ve makine öğrenme modellerinden yararlanılmalıdır. Bu çalışmada çeltik ekim alanlarının hesaplanmasında bulut tabanlı bir görüntü işleme platformu olan Google Earth Engine (GEE) kullanılmıştır. Rassal Orman (RO) ve Destek Vektör Makineleri (DVM) makine öğrenimi algoritmaları kullanılarak hesaplamalar yapılmıştır. Sonuçlar, RO algoritmasının çeltik ekim alanlarını %97 doğrulukla hesaplayabildiğini göstermiştir. Resmi olarak beyan edilen ekim alanları ile hesaplanan alan arasında 27,69 km2 fark olduğu belirlenmiştir. Bu durumun, yer altı damla sulama, damla sulama ve göllendirme ile sulama yöntemlerinde sırasıyla 33,8, 38,1 ve 155 milyon m3'lük bir hata ile su ihtiyacının yanlış hesaplanmasına neden olduğu tespit edilmiştir. Sonuçlar, çeltik ekim alanlarının doğru hesaplanması ve damla sulama uygulamalarının hem bu hatayı en aza indireceğini hem de 4 kat daha fazla alanın sulanabilmesini sağlayacağını göstermiştir.

Anahtar Kelimeler:

Uzaktan algılama, Makine öğrenmesi, Rassal orman, Destek vektör makineleri, Damla sulama, Çeltik

Machine Learning in Water Resources Management: Paddy Rice Irrigation Case Study

Paddy rice irrigation takes an important role in water consumption. Therefore, the savings to be made in paddy rice irrigation will have significant impacts. In the sustainable use of water resources, both the irrigation methods and the methods to be used in the planning of water resources are critical. Hence, the use of drip irrigation should be expanded. On the other hand, the use of modern satellite technologies and machine learning models should be used while planning irrigation. In this study, Google Earth Engine (GEE), which is a cloud-based image processing platform was employed in the calculation of paddy rice cultivation areas. Random Forest (RF) and Support Vector Machines (SVM) machine learning algorithms were applied. The results showed that RF algorithm can calculate the paddy cultivation areas with an accuracy of 97%. A difference of 27.69 km2 was found between the officially declared cultivation areas and the calculated area. This can yield a miscalculation of water requirement with an error of 33.8, 38.1 and 155 million m3, in subsurface drip irrigation, drip irrigation and basin irrigation methods, respectively. Results showed that accurate calculation of paddy rice cultivation areas and drip irrigation will both minimize this error and allow 4 times more area to be irrigated.

Keywords:

Uzaktan algılama, Makine öğrenmesi, Rassal orman, Destek vektör makineleri, Damla sulama, Çeltik,

PDF

___

Anonim, 2003. Rice Irrigation in the Near East: Current Situation and Prospects For Improvement. FAO Regional Office for the Near East Cairo, Egypt. 1-23.
Beşer, N., Sürek, H., 2009. Çeltikte (Oryza sativa L.) Damla sulama araştırmaları projesi sonuç raporu. T.C. Tarım ve Köyişleri Bakanlığı, Tarımsal Araştırmalar Genel Müdürlüğü, Trakya Tarımsal Araştırma Enstitüsü Müdürlüğü, Edirne.
Blake, L., Warner, T.A., 2014. The information milieu of remote sensing: an overview. Reference Services Review. 42(2):351-363.
Bouman, B.A.M., Lampayan, R.M., Tuong, T.P., 2007. Water Management in Irrigated Rice: Coping with Water Scarcity. International Rice Research Institute, Los Banos.
Breiman, L., 2001. Random forests. Machine learning. 45(1):5-32.
Chung, M., Jung, M., Kim, Y., 2019. Wildfire damage assessment using multi-temporal Sentinel-2 data, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. 42(3/W8): 97-102.
Darryl, B., Virkler, L., 2016. Farm to Table: The Essential Guide to Sustainable Food Systems for Students, Professionals, and Consumers; Chelsea Green Publishing: Hartford, VT, USA, 2016.
Delibaş, L., Yüksel., A.N., Albut, S., İstanbulluoğlu, A., Konukcu, F., Kocaman, İ., 2010. Meriç Ergene Sularının İpsala Çeltik Alanlarındaki Toprak Kirliliği ve Besin Zinciri Üzerine Etkileri. TÜBAP – 715 Proje Sonuç Raporu, Tekirdağ.
Demirel, K., Çamoğlu, G., Tatar, Ö., Nar, H., Boran, A., Eroğlu, İ., Genç, L., 2020. Use of subsurface drip irrigation and water retention barrier to effective use of water in rice. Mustafa Kemal Üniversitesi Tarım Bilimleri Dergisi. 25(2):108-121.
Dereli, M., 2019. Sentinel-2A uydu görüntüleri ile Giresun il merkezi için kısa dönem arazi örtüsü değişiminin belirlenmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 19(2):361-368. ESA, 2022. Spectral Signatures. European Space Agency. https://www.esa.int/SPECIALS/Eduspace_EN/SEMPNQ3Z2OF_0.html, (13.06.2023).
Gençtan, T., Çölgeçen, M., Başer, İ., 1995. Sıcak İklim Tahılları Tüketim Projeksiyonları ve Üretim Hedefleri. Türkiye Ziraat Mühendisliği IV. Teknik Kongresi, 429-448, 1995.
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., 2017. Remote Sensing of Environment Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens. Environ. 2017, 202. IRRI, 1998. Sustaining Food Security Beyond the Year 2000: A Global Partnership for Rice Research, IRRI Rolling Medium-Term Plan 1999-2001. International Rice Research Institute, Los Banos, Philippines.
Jansing, M.S., Mahichi, F., Dasanayake, R., 2020. Sustainable irrigation management in paddy rice agriculture: a comparative case study of Karangasem Indonesia and Kunisaki Japan. Sustainability. 2020(12):2-16. 1180. Jensen, J.R., 2007. Remote Sensing of the Environment: An Earth Resource Perspective, 2nd ed.; Pearson Prentice Hall: Upper Saddle River, NJ, USA, 2007.
Kim, H-C., Pang, S., Je, H-M., Kim, D., Bang, S.Y., 2003. Constructing support vector machine ensemble. Pattern Recognition. 36 (2003): 2757 – 2767.
Klemm, W., 1999. Water saving in rice cultivation. In: Assessment and Orientation Towards the 21st Century. Proceedings of 19th Session of the International Rice Commission, Cairo, Egypt, 7–9 September 1998. FAO, Rome, pp. 110–117.
Köksal, E.S., 2007. Sulama suyu yönetiminde uzaktan algılama tekniklerinin kullanımı. OMÜ Ziraat Fakültesi Dergisi. 22(3):306-315.
Landis, J.R., Koch, G.G., 1977. The measurement of observer agreement for categorical data. Biometrics. 33:159-74.
Mohri, M., Rostamizadeh, A., Talwalkar, A., 2018. Foundations of machine learning: MIT press. Nar, H., Çamoğlu, G., Demirel, K., 2018. Çeltikte damla sulama ile su tutma bariyerinin kullanımı. ÇOMÜ Ziraat Fakültesi Dergisi. 6(2): 73-82.
Nguyen, D.B., Gruber, A., Wagner, W., 2016. Mapping rice extent and cropping scheme in the Mekong Delta using Sentinel-1A data. Remote Sensing Letters. 2016 (7): 1209–1218.
Onojeghuo, A. O., Blackburn, G. A., Wang, Q., Atkinson, P. M., Kindred, D., Miao, Y., 2018. Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data. International journal of Remote Sensing. 39(4): 1042-1067.
Özgenç, N., Erdoğan, F.C., 1988. DSİ Sulamalarında Bitki Su Tüketimleri ve Sulama Suyu İhtiyaçları. DSİ Basım ve Foto-Film İşletme Müdürlüğü Matbaası, Ankara, 88-91.
Özşahin, E., 2016. CBS kullanılarak çeltik tarımı için arazi uygunluk değerlendirmesi: Hayrabolu deresi havzası (Trakya yarımadası) örneği. Journal of Agricultural Sciences. 22(216): 295-306.
Pfeifer, M., Disney, M., Quaife, T., Marchant, R., 2012. Terrestrial ecosystems from space: A review of earth observation products for macroecology applications. Global Ecology and Biogeography. 2012(21):603-624. Pradhan, A., 2012. Support Vector Machine – A survey. International Journal of Emerging Technology and Advanced Engineering. 2(8):82-85.
Roy, D.P., Wulder, M.A., Loveland, T.R., Woodcock, C.E., Allen, R.G., Anderson, M.C., Scambos, T.A., 2014. Landsat-8: Science and product vision for terrestrial global change research. Remote Sensing of Environment. 145:154-172.
Ruuska, S., Hämäläinen, W., Kajava, S., Mughal, M., Matilainen, P., Mononen, J., 2018. Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural Processes. 148(2018):56-62.
Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., Skakun, S., 2017. Large scale crop classification using Google earth engine platform, 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2017: 3696-3699.
Sitokonstantinou, V., Koukos, A., Drivas, T., Kontoes, C., Papoutsis, I., Karathanassi, V.A, 2021. Scalable Machine Learning Pipeline for Paddy Rice Classification Using Multi-Temporal Sentinel Data. Remote Sensing. 13(9):1769.
Sürek, H., 2002. Çeltik Tarımı Kitabı. Hasad Yayıncılık. İstanbul.
Tassi, A., Vizzari, M., 2020. Object-Oriented LULC classification in Google Earth Engine combining SNIC, GLCM, and machine learning algorithms. Remote Sensing. 2020(12): 3776.
Thorp, K. R., Drajat, D. 2021. Deep machine learning with Sentinel satellite data to map paddy rice production stages across West Java, Indonesia. Remote Sensing of Environment. 265: 112679.
Torbick, N., Chowdhury, D., Salas, W., Qi, J., 2017. Monitoring rice agriculture across Myanmar using time series Sentinel–1 assisted by Landsat–8 and PALSAR–2. Remote Sens. 9: 119.
Tuna, B., 2012. Trakya koşulları çeltik (Oryza Sativa L.) tarımında farklı sulama uygulamaları ve su-verim-kalite ilişkilerinin belirlenmesi. Namık Kemal Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi.
Xu, L., Zhang, H., Wang, C., Wei, S., Zhang, B., Wu, F., Tang, Y., 2021. Paddy rice mapping in Thailand using time-series sentinel-1 data and deep learning model. Remote Sensing. 13(19): 3994.
Yiğit, A.Y., Uysal, M., 2021. Yüksek çözünürlüklü insansız hava aracı (İHA) görüntülerinden karayolların tespiti. BEU Journal of Science. 10 (3): 1040-1054.