MONITORING AGRICULTURAL ACTIVITIES BY USING REMOTE SENSING TECHNIQUES

Abstract

We live in the information age which aims to reach the information directly as well quickly, reliably and at a lower cost. Thanks to advanced space technologies, the earth is observed periodically through satellites which makes it possible to obtain historical data and monitor changes on the earth’s surface. Data obtained from satellites can be used in many fields by conducting various analyses. Analyzed images obtained from satellites with high spatial resolution could give chance to monitor periodic changes in vegetation quickly, reliably and at a lower cost. These analyzes are actively used in studies such as monitoring agricultural lands, determining crop patterns, detecting time-dependent crop or vegetation change, yield forecasts and monitoring plant health. In developed countries, thanks to improved technologies, crop yield forecasts are assessed by using satellite data. Obtaining the information of crop yield forecasts in advance is very important in terms of planning agricultural production, deciding minimum purchase price and reducing speculation. In addition, the analyses carried out with crop yield forecasting methods on large areas give results in a short time in a reliable way. These studies are closely related to the producer and private sector as well as the public sector. Crop yield forecasting and plant health monitoring studies, which have become applicable with Remote Sensing (RS) technologies, are an area that has been intensively researched for the last 30 years, produced publications. Due to these, crop yield forecasting and plant health monitoring studies continue to be relevant. In this study, studies in our country and around the world on monitoring plant health and crop yield estimation with RS technologies were evaluated in terms of method. As a result of the literature review, it was decided to cover articles that were important in terms of subject, content and method used in this study. Additionally, these articles were evaluated by separating them into two main topics: machine learning and band ratio models.

Keywords

• Remote Sensing
• Agricultural Area
• Yield Forecast
• Vegetation Index
• Spectral Signature

UZAKTAN ALGILAMA TEKNİKLERİNDEN YARARLANARAK TARIMSAL FAALİYETLERİN İZLENMESİ

Abstract

İçinde bulunduğumuz bilgi çağında, bilgiye doğrudan ulaşmanın yanı sıra bilgiye hızlı, güvenilir ve daha az maliyetle ulaşmak hedeflenmektedir. Gelişmiş uzay teknolojileri sayesinde uydular aracılığıyla yeryüzü belirli aralıklarla gözlemlenerek geçmişe dönük veri elde etmek ve yeryüzüne ilişkin değişimleri izlemek mümkün hale gelmiştir. Uydu verileri üzerinde çeşitli analizler yapılarak birçok alanda kullanılabilmektedir. Yüksek mekânsal çözünürlüğe sahip uydular sayesinde elde edilen görüntülerden analizi ile bitki örtüsündeki periyodik değişimlerin takibinin hızlı, güvenilir ve daha az maliyetle yapılabilmektedir. Bu analizler tarım arazilerinin izlenmesi, ürün deseni belirleme çalışmaları, zamana bağlı ürün veya bitki örtüsü değişiminin saptanması, rekolte tahminleri ve bitki sağlığının izlenmesi gibi çalışmalarda aktif şekilde kullanılmaktadır. Gelişmiş ülkeler ürün tahmini çalışmalarında ileri düzey teknolojiler kullanarak, uydu verileri sayesinde rekolte tahmini yapabilmektedir. Tarım ürünlerinin rekoltesinin önceden çıkarılması, tarımsal üretim planlaması, ürün taban fiyatı ve spekülasyonların azaltılması bakımından oldukça önemlidir. Ayrıca geniş alanlar üzerinde bu yöntemlerle yapılan analizler kısa sürede, güvenilebilir bir şekilde sonuçlar vermektedir. Söz konusu çalışmalar, kamunun yanı sıra üreticiyi ve özel sektörü de yakından ilgilendirmektedir. Uzaktan Algılama (UA) teknolojileri ile uygulanabilir hale gelen rekolte tahmini ve bitki sağlığının izlenmesi çalışmaları, son 30 yıldır yoğun olarak araştırılan, yayın üretilen ve hala güncelliğini koruyan bir alandır. Bu çalışmada, ülkemizde ve dünyada UA teknolojileriyle tarım alanında bitki sağlığının izlenmesi ve ürün rekolte tahmini konusunda yapılmış çalışmalar yöntem açısından değerlendirilmiştir. Literatür taraması neticesinde konu, içerik, kullanılan yöntem açısından önemli bulunan makalelere bu çalışmada yer verilmesine karar verilerek, bu makaleler makina öğrenmesi ve bant oranlama modelleri olmak üzere iki ana başlığa ayrılarak değerlendirilmiştir.

Keywords

• Uzaktan Algılama
• Tarımsal Alan
• Rekolte Tahmini
• Bitki Örtüsü
• İndeksi
• Spektral İmza

References

1. Akkartal, A., Türüdü, O. ve Erbek, F.S. (2005). Çok Zamanlı Uydu Görüntüleri ile Bitki Örtüsü Değişim Analizi. TMMOB Harita ve Kadastro Mühendisleri Odası, 10. Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara.
2. Brinkhoff, J. ve Robson, A. (2021). Block-Level Macadamia Yield Forecasting Using Spatio-Temporal Datasets. Agricultural And Forest Meteorology, Volume 303, 108369.
3. Caf, D. (2019). Bir Durum Çalışması: Tarımsal Ürünlerin Uzaktan Algılama ile Tespiti. Journal of Agriculture, 80-91.
4. Cihlar J., Brown R.J. ve Gindon B. (1986). Microwave Remote Sensing of Agricultural Crops in Canada, Journal of Remote Sensing, Vol.7, No.2.
5. Çiçek, G., & Kurucu, Y. (2018). Orta Anadolu Koşullarında Yetiştirilen Patates ve Pancar Bitkilerinin Fenolojik Evrelerine Ait Çok Bantlı Spektral İmzaların Belirlenmesi. VII. Uzaktan Algılama-CBS Sempozyumu, Eskişehir.
6. Dedeoğlu, M. (2020). Vejetasyon İndis Değerleri ile Şeker Pancarı Yaprak Azot İçeriğinin İzlenmesi. Toprak Bilimi ve Bitki Besleme Dergisi, 8, 69 – 76.
7. Do, N. T. (2019). Application Of Remote Sensing (RS) And Geographic İnformation System (GIS) Technology To Determine Yield Prediction in Maize. Yüksek Lisans Tezi, Eskişehir: Anadolu Üniversitesi, Lisansüstü Eğitim Enstitüsü, 88 syf.
8. Doraiswamy, P. C., Moulin, S., Cook, P. W., & Stern, A. (2003). Crop Yield Assessment from Remote Sensing. Photogrammetric engineering & remote sensing, 69(6), 665-674.

9. Duveiller, G. ve Defourny, P. (2010). A Conceptual Framework To Define The Spatial Resolution Requirements For Agricultural Monitoring Using Remote Sensing. Remote Sensing Of Environment, 114.
10. Esetlili, M.T., Özen, F., Kandemir, B.N., Kurucu, Y. Ve Bolca, M. (2015). Uzaktan Algılama Tekniği İle Pamuk Tarla Verimi Tahmin Doğruluğunun Arttırılmasında Kırmızı Kenar (RedEdge) Band Kullanımının Katkısı. Ege Üniversitesi. Ziraat Fakültesi Dergisi, 52.
11. Feng, A., Zhou, J., Vories, E.D., Sudduth, K.A. ve Zhang, M. (2020). Yield Estimation İn Cotton Using Uav-Based Multi-Sensor İmagery. Biosystems Engineering, 193, 101-114, DOI: Doi.Org/10.1016/J.Biosystemseng.2020.02.014.
12. Ghosh, P., Mandal, D., Bhattacharya, A., Nanda, M. K., & Bera, S. (2018). Assessing Crop Monitoring Potential of Sentinel-2 in a Spatio-Temporal Scale. Int. Arch. Photogram. Remote Sens. Spatial Inf. Sci.–ISPRS Arch, 42(5), 5.
13. Gumma, M.K., Nelson, A. Ve Yamano, T. (2019). Mapping Drought-İnduced Changes in Rice Area in India. International Journal Of Remote Sensing, 40:21, 8146-8173, DOI: Doi.Org/10.1080/01431161.2018.1547456.
14. K.C., S., Ninsawat, S. ve Som-Ard, J. (2021). Integration Of Rgb-Based Vegetation İndex, Crop Surface Model And Object-Based İmage Analysis Approach For Sugarcane Yield Estimation Using Unmanned Aerial Vehicle. Computers And Electronics in Agriculture, 180, 105903, DOI: Doi.Org/10.1016/J.Compag.2020.105903.
15. Kalkan, K. ve Maktav, D. (2010) Nesne Tabanlı ve Piksel Tabanlı Sınıflandırma Yöntemlerinin Karşılaştırılması (IKONOS Örneği). III. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, Kocaeli.
16. Kaya, Y. ve Polat, N. (2021). Bitki İndeksleri Kullanarak Buğday Bitkisinin Rekolte Tahmini. Dicle University Journal Of Engineering, 12.
17. Kayahan, N. (2013). Uzaktan Algılama Kullanılarak Silajlık Mısır Veriminin Tahminlenmesi. Yüksek Lisans Tezi, Konya: Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Tarım Makinaları Anabilim Dalı.
18. Khiabani, P.H. ve Takeuchi, W. (2020). Assessment of Oil Palm Yield and Biophysical Suitability in Indonesia and Malaysia. International Journal Of Remote Sensing, Vol 41, No:22, 8520-8546, DOI: Doi.Org/10.1080/01431161.2020.1782503.
19. Kimura, R., Okada, S., Miura, S. ve Kamichika, M. (2004). Relationships Among the Leaf Area Index, Moisture Availability, and Spectral Reflectance in an Upland Rice Field. Agricultural Water Management, Volume 69, Issue 2, Pages 83-100
20. Kouadio, L., Byrareddy, V. M., Sawadogo, A. ve Newlands, N. K. (2021). Probabilistic Yield Forecasting Of Robusta Coffee At The Farm Scale Using Agroclimatic And Remote Sensing Derived İndices. Agricultural And Forest Meteorology, Volume 360, 108449.
21. Liao, C., Wang, J., Dong, T., Shang, J., Liu, J., & Song, Y. (2019). Using Spatio-Temporal Fusion of Landsat-8 and MODIS Data to Derive Phenology, Biomass and Yield Estimates For Corn and Soybean. Science of the Total Environment, Volume 650, Part 2,1707-1721.
22. Mandal, D., Kumar, V., Bhattacharya, A., Rao, Y. S., Siqueira, P., & Bera, S. (2018). Sen4Rice: A Processing Chain for Differentiating Early and Late Transplanted Rice Using Time-Series Sentinel-1 SAR Data with Google Earth Engine. IEEE Geoscience and Remote Sensing Letters, 15(12), 1947-1951.
23. Marino, S., ve Alvino, A. (2021). Vegetation Indices Data Clustering For Dynamic Monitoring and Classification Of Wheat Yield Crop Traits. Department of Agricultural. Environmental and Food Sciences (DAEFS), University of Molise, Italy
24. Meng, L., Liu, H., Zhang, X., Ren, C., Ustin, S., Qiu Z., Xu, M. Ve Guo, D. (2019). Assessment of the Effectiveness of Spatiotemporal Fusion of Multi-Source Satellite İmages For Cotton Yield Estimation. Computers and Electronics İn Agriculture, 162, 44-52. DOI: Doi.Org/10.1016/J.Compag.2019.04.001.
25. Narin, Ö. G. (2019). Sentınel-2 Uydu Görüntüleri Kullanılarak Ayçiçeği Bitkisi Fenolojik Evresinin İzlenmesi Ve Verim Tahmin Çalışması. Yüksek Lisans Tezi. Zonguldak: Bülent Ecevit Üniversitesi, Fen Bilimleri Enstitüsü, Geomatik Mühendisliği Anabilim Dalı
26. Novelli, F., Spiegel, H., Sandén, T., & Vuolo, F. (2019). Assimilation Of Sentinel-2 Leaf Area Index Data İnto A Physically-Based Crop Growth Model For Yield Estimation. Agronomy Journal.
27. Payne A.B., Walsh K.B., Subedi P.P. ve Jarvis D. (2013). Estimation of Mango Crop Yield Using İmage Analysis - Segmentation Method. Computers And Electronics in Agriculture, Volume 91.
28. Ramadanningrum, D.P., Kamal, M. ve Murti, S.H. (2020). Image-Based Tea Yield Estimation Using Landsat-8 OLI And Sentinel-2B İmages. Remote Sensing Applications: Society And Environment, 20, 100424, DOI: Doi.Org/10.1016/J.Rsase.2020.100424.
29. Süslü, A. (2007). Şereflikoçhisar İlçesindeki Tarım Arazilerinde Uzaktan Algılama Yöntemiyle Ekili Alanların Tespiti ve Rekolte Tahmini. Yüksek Lisans Tezi, Gebze: İleri Teknoloji Enstitüsü, Mühendislik ve Fen Bilimleri Enstitüsü, Gebze.
30. Şimşek, O., Mermer, A., Yıldız, H., Özaydın, K.A. ve Çakmak, B. (2007). Agrometshell Modeli Kullanılarak Türkiye’de Buğdayın Verim Tahmini. Ankara Üniversitesi Ziraat Fakültesi, Tarım Bilimleri Dergisi, 13.
31. Tavus, B., Karataş, K., & Türker, M. (2018). Tarımsal Alanlarda Yüksek Çözünürlüklü Ikonos Uydu Görüntüsünden Nesne Tabanlı Ürün Deseni Tespiti. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi.
32. Teke, M., Deveci, H.S., Öztoprak, F., Efendioğlu, M., Küpçü, R., Demirkesen, C., Şimşek, F.F., Bağcı, B., Uysal, E., Türker, U., Yıldırım, E., Bayramin, İ., Kalkan, K., Demirpolat, C. (2016). "Akıllı Tarım Fizibilite Projesi: Hassas Tarım Uygulamaları İçin Havadan Ve Yerden Veri Toplanması, İşlenmesi Ve Analizi". TÜBİTAK Uzay Teknolojileri Araştırma Enstitüsü, Ankara Üniversitesi Ziraat Fakültesi.
33. Ünal, E. ve Aydoğdu, M., (2012). Biyokütle ve Vejetasyon İndeks İlişkisi. Tarım Bilimleri Araştırma Dergisi, 5.
34. Villi, O. (2019). İnsansız Hava Araçlarında Çok Bantlı Kamera Entegrasyonu ve Tarımsal Uygulamaları. Yüksek Lisans Tezi, Adana: Çukurova Üniversitesi, Fen Bilimleri Enstitüsü.
35. Yılmaz, S. (2011). Çok Bantlı Uydu Görüntülerinden Parsel Bazında Coğrafi Bilgi Sistemi Özellikli Ürün Deseni Katmanı Oluşturulabilirliği Üzerine Bir Araştırma. Yüksek Lisans Tezi. İzmir: Ege Üniversitesi, Çevre Bilimleri Anabilim Dalı
36. Yousıf, K. M. (2019). Uydu Görüntülerinden Elde Edilen Yüzey Sıcaklığı Ve Vejetasyon İndeksleri İle Tarımsal Kuraklığın İzlenmesi: Menemen Sağ Sahil Sulama Alanı Örneği. Yüksek Lisans Tezi İzmir: Ege Üniversitesi, Fen Bilimleri Enstitüsü, Tarımsal Yapılar ve Sulama Anabilim Dalı
37. Zhao, C., Liu, L., Wang, J., Huang, W., Song, X. ve Li, C. (2005). Predicting Grain Protein Content of Winter Wheat Using Remote Sensing Data Based on Nitrogen Status and Water Stress. International Journal of Applied Earth Observation and Geoinformation, Volume 7, Issue 1, Pages 1-9
38. Zhu, X., Cai, F., Tian, J., Kay, T., & Williams, A. (2018). Spatiotemporal Fusion of Multisource Remote Sensing Data: Literature Survey,Taxonomy, Principles, Applications, and Future Directions. Remote Sensing, 10(4), 527