[h=1]Fitobiyolojik Bilgi Elde Etmek İçin Kullanılan Görüntü Algılama Teknikleri[/h] agtechtr AgTech Kasım 27, 2017 7 Minutes
Geleneksel Tarım, tüm alanları yönetmeye dayalıdır; böylelikle bölgesel koşullara ve tarihsel verilere dayanılarak pestisit ve gübre uygulama, ekim, hasat etme ve uygulama kararları alınır. Hassas Tarım ise, aksine, Bitkilerin aldığı bakımda emek artışı olmadan bakımı özelleştirmek için sensörler, robotlar, GPS, haritalama araçları ve veri-analiz yazılımlarını birleştirir. Hassas tarım ile birlikte kullanılan uzaktan algılamadan gelen mekansal bilgi; bölgesel ihtiyaca göre gübreleme, yabancı ot ve zararlıların bölgesel kontrolü ile daha doğru tarımsal faaliyetler yapılmasını sağlar. Özellikle otonom araçları kullanan hassas tarım; bitkiler ve topraklar hakkında fitobiyolojik bilgiler elde etmek için yakın çekim uzaktan algılamayla birleşme ihtiyacı vardır. Hiyerarşik uzaktan algılama için uydular ve uçaklardan elde edilen uzaktan algılama verisi, yakın çekim uzaktan algılamadan elde edilen kesin fitobiyolojik veri ile doğrulanması gerekmektedir.
[h=3]Multispektral veya Hiperspektral Görüntü Algılama[/h] Bitkiler, yapraklarında bulunan klorofil maddesi ve gün ışığını, inorganik maddeden organik madde üretmek için kullanırlar. Fotosentez diye anılan bu işlem esnasında Güneş’ten gelen elektromanyetik enerjinin 0,63 μm – 0,69 μm dalga boyunda olan ve kırmızı ışığa karşılık gelen kısmı kullanılır. Bu yüzden, kırmızı ışığın yansımasını ölçen bir Multispektral kamera canlı bitki örtüsünün yoğun olduğu alanlarda düşük sayısal değerlere sahip olacaktır. Öte yandan bitkiler 0,7 μm ve daha yüksek dalga boyuna sahip elektromanyetik enerjiyi bünyelerine almaz, geri yansıtırlar. Dolayısıyla, canlı bitki örtüsünün yoğun olduğu alanlar, yakın kızılötesi (NIR) elektromanyetik enerjinin yansımasını ölçen bir Multispektral kamera görüntüsünde yüksek sayısal değerlere sahip olacaktır.
Multispektral görüntüleme; bireysel bitkiler ve bölümlerinin renk, pigmentler, şekil ve büyümesi; bitkilerdeki ve topraklardaki su durumundaki değişimler ve toprak özellikleri hakkında fitobiyolojik bilgi elde etmek için uygundur. Sıradan multispektral analiz ile karşılaştırıldığında hiperspektral görüntü algılama; görünür ışıktan kısa dalga kızılötesine kadar olan bölgedeki birkaç yüz spektral bandı çözme yeteneğine sahip olup ve sürekli spektral özelliklerin analiziyle, daha fazla fitobiyolojik bilgi sağlamayı mümkün kılabilmektedir.
Yapraktaki klorofil, karoten ve ksantofil gibi fotosentetik pigmentlerin emilimi görünür bölgedeki 400- 700 μm arasındaki bölgede yoğunlaşmıştır. Pigmentlerin her biri 300-500 μm bölgesinde azami emilime sahip olmasına rağmen sadece 600-700 μm kırmızı bölgenin yanı sıra mavi bölgedeki dalgaları klorofil emmektedir. Yaprak yansıması büyük ölçüde 690-740 μm (kırmızı kenar-RedEdge)’lik bölgede artmakta ve toprağın yansımasındaki değişiklik önemsiz olmasına rağmen, 1300 μm’ye kadar yüksek bir değere sahiptir. Yakın kızılötesi bölgesi, yaprak içinde hücre yapısı ve kırılma indeksleri tarafından etkilenmektedir.
Su emilimi sağlıklı yapraklar ve nemli toprakta 900-2500 μm’lik yakın kızılötesi ve orta kızılötesi bölgelerine hakimdir ve suyun büyük emme bantları 1450-1940 μm’de meydana gelmekte ve küçük emilim bantları 960-1200 μm yakınında görünmektedir. Karbonhidratlar (nişasta ve selüloz), protein, lignin, N, P, K ve Mg gibi diğer biyokimyasal bileşenler, 900-2500 μm’lik kısa dalga kızılötesi bölgesinde azami emilime sahip olmaktadır. Ancak, bitkilerde su stresinin etkilerini ve biyokimyasal bileşenlerin içeriğini tahmin etmek için optimum yansıma bantlarının ve azami emilim olması gerekmediğine dikkat edilmelidir. Kırmızı kenarda değişiklik ayrıca klorofil içeriğine bağlıdır. Bu nedenle bu analizler, klorofil içeriğinde değişimlere neden oldukları besin eksikliği belirtilerini tespit etmek için kullanılmıştır. Klorofil a azotlu gübre miktarına bağlıdır. Bu nedenle bu bant oranı, optimum gübre miktarı bulmak için etkin kullanılmaktadır.
[h=3]Termal Görüntü Algılama[/h] Termal kızılötesi görüntüleme (bir pasif spektral görüntüleme yöntemi), bitkiler ve toprakların yüzey sıcaklıklarının ölçülmesinin yanısıra bitki streslerini erken algılaması için etkilidir. Yaprak ve kanopi üzerindeki enerji dengesinin görüntü analizi, stomaların tepkisi ve bitki su tüketimi üzerinde fitobiyolojik bilgi sağlar.
Su, alt stomaların boşluğunda mezofil hücre duvarlarından buharlaşır ve yapraklar ve kanopilerin sınır katmanları ve stomalar yoluyla atmosfere yayılır. Fotosentez için CO2 ile birlikte hava kirleticileri, yaprağa ters yönde girmektedir. Termal çevre (hava sıcaklığı, nem, radyasyon, hava akımı, vb.) nispeten sabit tutulduğu zaman yaprak sıcaklığı, stomaların tepkisi, terleme ve CO2 (fotosentez) emilimi ve hava kirleticiler gibi fitobiyolojik bilgi sağlamaktadır.
Sürülmüş bir alanda, tatlı patates bitkilerinin yaprak sıcaklığının stomaların kapanmasına etkileri. A, fotoğraf, B, termal görüntü, a, stoma kapalı, b, açık stoma. Hava sıcaklığı 30 °C Tarlada yetiştirme koşulları altında bitkiler ve kanopilerin terleme oranlarını ve stomaların iletkenliğini mekansal değerlendirmek de çok zordur. Ancak bir termal görüntü, bitki streslerinin erken tespiti için bilgi sağlayabilir, görünür stres ortaya çıkmadan önce stomaların kapanması meydana geldiğinden bitki streslerinin erken belirlenmesi için bilgi sağlayabilir. Ayrıca bu yöntem kararlı ısıl çevre şartları altında yüksek büyüme gösteren bitkilerin seçiminde kullanılabilir. [h=3]LiDAR Görüntü Algılama[/h]
Yaklaşık 20 yıl önce ticari olarak kullanılmaya başlanan ve 2000’li yılların başından itibaren ABD ve Avrupa’da çok farklı uygulama alanlarında yoğun olarak kullanılan Havadan LiDAR (Işığı Algılama ve Mesafe Ölçme – Light Detection and Ranging) Sistemleri (HLS), son yıllarda ülkemizde pek çok kurum, kuruluş ve kişinin ilgisini çekmeye başlamıştır. Kısa zaman içerisinde, oldukça yoğun ve yüksek doğrulukla 3B nokta bulutu üretme, ağaç üst bitki örtüsünün altındaki nesneleri ve zemini tespit edebilme yeteneklerine sahip HLS ile topoğrafyanın ve nesnelerin 3B sayısal gösterimleri hassas ve doğru olarak elde edilebilmektedir. LiDAR’ın en büyük avantajı, nokta koordinatlarının yanı sıra sinyalin geri yansıdığı yüzeyin fiziksel özelliklerine (dönen sinyalin genişliği ve şiddeti) ait bilgiler içermesi ve bazı nesnelerden birden fazla sayıda geri dönüş elde edebilmesidir.
LiDAR projelerinden beklenen başarıyı (proje çıktı ürünlerinin tamlığı ve doğruluğu) etkileyen çok sayıda parametre vardır. Bu parametreler içerisinde en öne çıkanı, başka bir ifade ile en belirleyici olanı veri toplama sonucunda elde edilen nokta yoğunluğudur (veri çözünürlüğüdür). Ancak nokta yoğunluğu aynı zamanda proje toplam maliyetinin en belirleyici elemanıdır. LiDAR veri yoğunluğu, nominal nokta yoğunluğu (NNY) veya nominal nokta aralığı (NNA) terimleri ile ifade edilmektedir. LiDAR’dan üretilmiş Sayısal Arazi Modellerinin (SAM) doğruluğunu etkileyen parametreler; LiDAR nokta bulutunun yoğunluğu, bölgenin topoğrafik yapısı ve arazi örtüsü, kullanılan enterpolasyon yöntemi ve filtreleme (zemin noktalarını ayırma) işleminin kalitesidir. Bu parametrelerin en başında LiDAR nokta bulutunun yoğunluğu ve bölgenin karakteristiği sayılabilir.
Sorgum tarlasının LIDAR görüntüsü Hepimiz çiftliklerin tek tip olmadığını biliyoruz. Peyzaj özelliklerine bağlı olarak toprak, nem seviyeleri ve mikro ortamda doğal değişkenlik vardır. LİDAR, eğim, görünüş ve yükseklikteki varyasyonları gözlemleme, ölçme ve haritalama yapmamıza olanak tanır ve sonuçları, üretimle ilgili sınırlamaları gidermek için yönetim uygulamalarını değiştirmek için kullanırız. Tarım alanlarının Lidar tabanlı yükseklik modelleri kullanılarak eğim ve güneşlenme alanları belirlenmektedir. Bu bilgilerden yola çıkarak tarım alanı düşük, orta ve yüksek üretim alanı diye sınıflandırılmaktadır.
LİDAR, bir çiftliğin üç boyutlu dijital modellerini oluşturmak için kullanılırken doğal kaynakların inanılmaz doğru haritalarını üretir. Örneğin, su akışını haritalamak, su toplama yerlerini tanımlamak, tüm ağaçları bir bahçede bulmak, saymak, verim tahmini yapmak. Erozyon kontrolü, vejetasyon modelleri gibi bir çok kullanım alanı halen kulanılmaktadır. [h=5]Mango bahçelerinde meyvelerinin, lidar ve robotik sistem ile haritalanması ve sayılması[/h]
[h=4]Elma bahçelerinde meyve tespiti ve verim tahmini[/h]
Geleneksel Tarım, tüm alanları yönetmeye dayalıdır; böylelikle bölgesel koşullara ve tarihsel verilere dayanılarak pestisit ve gübre uygulama, ekim, hasat etme ve uygulama kararları alınır. Hassas Tarım ise, aksine, Bitkilerin aldığı bakımda emek artışı olmadan bakımı özelleştirmek için sensörler, robotlar, GPS, haritalama araçları ve veri-analiz yazılımlarını birleştirir. Hassas tarım ile birlikte kullanılan uzaktan algılamadan gelen mekansal bilgi; bölgesel ihtiyaca göre gübreleme, yabancı ot ve zararlıların bölgesel kontrolü ile daha doğru tarımsal faaliyetler yapılmasını sağlar. Özellikle otonom araçları kullanan hassas tarım; bitkiler ve topraklar hakkında fitobiyolojik bilgiler elde etmek için yakın çekim uzaktan algılamayla birleşme ihtiyacı vardır. Hiyerarşik uzaktan algılama için uydular ve uçaklardan elde edilen uzaktan algılama verisi, yakın çekim uzaktan algılamadan elde edilen kesin fitobiyolojik veri ile doğrulanması gerekmektedir.
[h=3]Multispektral veya Hiperspektral Görüntü Algılama[/h] Bitkiler, yapraklarında bulunan klorofil maddesi ve gün ışığını, inorganik maddeden organik madde üretmek için kullanırlar. Fotosentez diye anılan bu işlem esnasında Güneş’ten gelen elektromanyetik enerjinin 0,63 μm – 0,69 μm dalga boyunda olan ve kırmızı ışığa karşılık gelen kısmı kullanılır. Bu yüzden, kırmızı ışığın yansımasını ölçen bir Multispektral kamera canlı bitki örtüsünün yoğun olduğu alanlarda düşük sayısal değerlere sahip olacaktır. Öte yandan bitkiler 0,7 μm ve daha yüksek dalga boyuna sahip elektromanyetik enerjiyi bünyelerine almaz, geri yansıtırlar. Dolayısıyla, canlı bitki örtüsünün yoğun olduğu alanlar, yakın kızılötesi (NIR) elektromanyetik enerjinin yansımasını ölçen bir Multispektral kamera görüntüsünde yüksek sayısal değerlere sahip olacaktır.
Multispektral görüntüleme; bireysel bitkiler ve bölümlerinin renk, pigmentler, şekil ve büyümesi; bitkilerdeki ve topraklardaki su durumundaki değişimler ve toprak özellikleri hakkında fitobiyolojik bilgi elde etmek için uygundur. Sıradan multispektral analiz ile karşılaştırıldığında hiperspektral görüntü algılama; görünür ışıktan kısa dalga kızılötesine kadar olan bölgedeki birkaç yüz spektral bandı çözme yeteneğine sahip olup ve sürekli spektral özelliklerin analiziyle, daha fazla fitobiyolojik bilgi sağlamayı mümkün kılabilmektedir.
Yapraktaki klorofil, karoten ve ksantofil gibi fotosentetik pigmentlerin emilimi görünür bölgedeki 400- 700 μm arasındaki bölgede yoğunlaşmıştır. Pigmentlerin her biri 300-500 μm bölgesinde azami emilime sahip olmasına rağmen sadece 600-700 μm kırmızı bölgenin yanı sıra mavi bölgedeki dalgaları klorofil emmektedir. Yaprak yansıması büyük ölçüde 690-740 μm (kırmızı kenar-RedEdge)’lik bölgede artmakta ve toprağın yansımasındaki değişiklik önemsiz olmasına rağmen, 1300 μm’ye kadar yüksek bir değere sahiptir. Yakın kızılötesi bölgesi, yaprak içinde hücre yapısı ve kırılma indeksleri tarafından etkilenmektedir.
Su emilimi sağlıklı yapraklar ve nemli toprakta 900-2500 μm’lik yakın kızılötesi ve orta kızılötesi bölgelerine hakimdir ve suyun büyük emme bantları 1450-1940 μm’de meydana gelmekte ve küçük emilim bantları 960-1200 μm yakınında görünmektedir. Karbonhidratlar (nişasta ve selüloz), protein, lignin, N, P, K ve Mg gibi diğer biyokimyasal bileşenler, 900-2500 μm’lik kısa dalga kızılötesi bölgesinde azami emilime sahip olmaktadır. Ancak, bitkilerde su stresinin etkilerini ve biyokimyasal bileşenlerin içeriğini tahmin etmek için optimum yansıma bantlarının ve azami emilim olması gerekmediğine dikkat edilmelidir. Kırmızı kenarda değişiklik ayrıca klorofil içeriğine bağlıdır. Bu nedenle bu analizler, klorofil içeriğinde değişimlere neden oldukları besin eksikliği belirtilerini tespit etmek için kullanılmıştır. Klorofil a azotlu gübre miktarına bağlıdır. Bu nedenle bu bant oranı, optimum gübre miktarı bulmak için etkin kullanılmaktadır.
[h=3]Termal Görüntü Algılama[/h] Termal kızılötesi görüntüleme (bir pasif spektral görüntüleme yöntemi), bitkiler ve toprakların yüzey sıcaklıklarının ölçülmesinin yanısıra bitki streslerini erken algılaması için etkilidir. Yaprak ve kanopi üzerindeki enerji dengesinin görüntü analizi, stomaların tepkisi ve bitki su tüketimi üzerinde fitobiyolojik bilgi sağlar.
Su, alt stomaların boşluğunda mezofil hücre duvarlarından buharlaşır ve yapraklar ve kanopilerin sınır katmanları ve stomalar yoluyla atmosfere yayılır. Fotosentez için CO2 ile birlikte hava kirleticileri, yaprağa ters yönde girmektedir. Termal çevre (hava sıcaklığı, nem, radyasyon, hava akımı, vb.) nispeten sabit tutulduğu zaman yaprak sıcaklığı, stomaların tepkisi, terleme ve CO2 (fotosentez) emilimi ve hava kirleticiler gibi fitobiyolojik bilgi sağlamaktadır.
Yaklaşık 20 yıl önce ticari olarak kullanılmaya başlanan ve 2000’li yılların başından itibaren ABD ve Avrupa’da çok farklı uygulama alanlarında yoğun olarak kullanılan Havadan LiDAR (Işığı Algılama ve Mesafe Ölçme – Light Detection and Ranging) Sistemleri (HLS), son yıllarda ülkemizde pek çok kurum, kuruluş ve kişinin ilgisini çekmeye başlamıştır. Kısa zaman içerisinde, oldukça yoğun ve yüksek doğrulukla 3B nokta bulutu üretme, ağaç üst bitki örtüsünün altındaki nesneleri ve zemini tespit edebilme yeteneklerine sahip HLS ile topoğrafyanın ve nesnelerin 3B sayısal gösterimleri hassas ve doğru olarak elde edilebilmektedir. LiDAR’ın en büyük avantajı, nokta koordinatlarının yanı sıra sinyalin geri yansıdığı yüzeyin fiziksel özelliklerine (dönen sinyalin genişliği ve şiddeti) ait bilgiler içermesi ve bazı nesnelerden birden fazla sayıda geri dönüş elde edebilmesidir.
LiDAR projelerinden beklenen başarıyı (proje çıktı ürünlerinin tamlığı ve doğruluğu) etkileyen çok sayıda parametre vardır. Bu parametreler içerisinde en öne çıkanı, başka bir ifade ile en belirleyici olanı veri toplama sonucunda elde edilen nokta yoğunluğudur (veri çözünürlüğüdür). Ancak nokta yoğunluğu aynı zamanda proje toplam maliyetinin en belirleyici elemanıdır. LiDAR veri yoğunluğu, nominal nokta yoğunluğu (NNY) veya nominal nokta aralığı (NNA) terimleri ile ifade edilmektedir. LiDAR’dan üretilmiş Sayısal Arazi Modellerinin (SAM) doğruluğunu etkileyen parametreler; LiDAR nokta bulutunun yoğunluğu, bölgenin topoğrafik yapısı ve arazi örtüsü, kullanılan enterpolasyon yöntemi ve filtreleme (zemin noktalarını ayırma) işleminin kalitesidir. Bu parametrelerin en başında LiDAR nokta bulutunun yoğunluğu ve bölgenin karakteristiği sayılabilir.
LİDAR, bir çiftliğin üç boyutlu dijital modellerini oluşturmak için kullanılırken doğal kaynakların inanılmaz doğru haritalarını üretir. Örneğin, su akışını haritalamak, su toplama yerlerini tanımlamak, tüm ağaçları bir bahçede bulmak, saymak, verim tahmini yapmak. Erozyon kontrolü, vejetasyon modelleri gibi bir çok kullanım alanı halen kulanılmaktadır. [h=5]Mango bahçelerinde meyvelerinin, lidar ve robotik sistem ile haritalanması ve sayılması[/h]
[h=4]Elma bahçelerinde meyve tespiti ve verim tahmini[/h]
