Hiper Spektral Görüntülemenin Tarımda Kullanımı

Tarımsal üretimde üreticilerin temel amacı yüksek gelirdir. Bunun için öncelikli hedef yüksek verim değerleri elde etmektir. Bunun yanında ürünün kalitesi de öne çıkmaktadır. Yüksek verimli ve kaliteli ürünler yetiştirmek için son zamanlarda hassas tarım faaliyetlerine gösterilen önem artmaktadır. Bu hassas tarım (akıllı tarım) faaliyetlerinin temelini ise gelişen teknoloji oluşturmaktadır.Günümüzde, hassas tarım teknolojileri arasında yer alan, küresel konum belirleme sistemi (GPS) ve uzaktan algılama gibi teknolojilerin kullanımı yaygınlaşmaktadır. Bir uzaktan algılama yöntemi olan hiper spektral görüntüleme ise henüz geliştirilmekte olan bir sistemdir. Hiper spektal görüntüleme de, tıpkı uydu görüntülerinin kullanıldığı uzaktan algılamada olduğu gibi, üzerinde hiper spektral kameralar bulunan yer ya da hava platformları kullanılarak toprak ve bitki yüzeyinden yansıyan ışınlar yardımıyla görüntülenen alanla ilgili bilgi edinmeyi sağlamaktadır. Bu makalede, hiper spektral görüntüleme ile ilgili tarımsal alanlarda yapılmış çalışmalardan bazıları özetlenmiştir. Buradaki amaç, tarımda geleceğin teknolojileri arasında yer alması beklenen bu teknolojinin önemini ve avantajlarını ve kullanım alanlarını belirtmektir.

Anahtar Kelimeler:

Hassas tarım, hastalık tespiti, yabancı ot tespiti

PDF

___

www.zmo.gov.tr – Hassas Tarım Teknolojisi. Erişim Tarihi: 20.12.2016
Türker, U. 2001. Hassas Tarım Tekniği, Türk-Koop Ekin, 16: 100-106.
De Baerdemaeker, J., A. Munack, H. Ramon, and H. Speckmann. 2001. Mechatronic systems, communication, and control in precision agriculture. IEEE Contr. Syst. Mag. 21: 48-70.
Hashimoto, Y. 1989. Recent strategies of optimal growth regulation by the speaking plant concept. Acta Hortic. 260: 115-121.
Myers, V. I. 1983. Remote sensing applications in agriculture. Manual of Remote Sensing, 2nd ed., Vol. II, ed. R. N. Colwell, 2111-2228. VA: Amer. Soc. Photogrammetry.
Shippert P. “Introduction to Hyperspectral Image Analysis”, Online Journal of Space Communication, Ohio University, Athens, 2003.
Omasa, K., and I. Aiga. 1987. Environmental measurement: Image instrumentation for evaluating pollution effects on plants. Systems and Control Encyclopedia, ed. M. G. Singh, 1516-1522. Oxford, UK: Pergamon Press.
Demetriades-Shah, T. H., M. D. Steven, and J. A. Clark. 1990. High resolution derivative spectra in remote sensing. Remote Sens. Environ. 33: 55-64.
Fujino, M., R. Endo, and K. Omasa. 2002. Nondestructive instrumentation of water-stressed cucumber leaves—Comparison between changes in spectral reflectance, stomatal conductance, PSII Yield and shape. Agr. Inform. Res. 11: 161-170.
Poças, I., Rodrigues, A., Gonçalves, S., Costa, P.M., Gonçalves, I., Pereira, L.S., ve Cunha, M., 2015. Predicting grapevine water status based on hyperspectral reflectance vegetation indices. Remote Sensing 7, 16460-16479.
Omasa, K., 2006. Section 5.1 Image Sensing and Phytobiological Information, pp. 217-231 of Chapter 5 Precision Agriculture, in CIGR Handbook of Agricultural Engineering Volume VI Information Technology. Edited by CIGR-The International Commission of Agricultural Engineering; Volume Editor, Axel Munack. St. Joseph, Michigan, USA:
ASABE. Copyright American Society of Agricultural Engineers. Editörler: Sefa Tarhan ve Mehmet Metin Özgüven. Suárez L., Zarco-Tejada P.J., González-Dugo V., Berni J.A.J., Sagardoy R., Morales F. ve Fereres E., 2010. Detecting water stress effects on fruit quality in orchards with time-series PRI airborne imagery. Remote Sensing of Environment 114, 286-298.
Rallo, G., Minacapilli, M., Ciraolo, G. and Provenzano, G. 2014. “Detecting crop water status in mature olive groves using vegetation spectral measurements”, Biosystem Engineering, 128, 52-68.