PlanetScope ve Landsat-8 Uydu Görüntülerinde YOLOv9 Algoritması ile Dairesel Hareketli Sulama Sistemlerinin Tespit Edilmesi

Yıl 2024, Cilt: 12 Sayı: 1, 193 - 202, 22.07.2024

Emre Tunca

https://doi.org/10.33202/comuagri.1457400

Öz

Dünya nüfusundaki hızlı artış, sürdürülebilir tarımsal üretimin önemini ve suyun etkin kullanımını kritik hale getirmektedir. Suyun verimli kullanılması ise basınçlı sulama sistemlerinin kullanımını gerektirmektedir. Bu sulama sistemleri arasından dairesel hareketli sulama sistemi (DHSS) etkinliği ile öne çıkmaktadır. Söz konusu sistemlerin sayısı ve kullanımı gibi bilgiler su kaynakları yönetimi konusunda oldukça önemlidir. Bu çalışmada DHSS’nin farklı konumsal çözünürlüğe sahip PlanetScope ve Landsat 8 uydu görüntülerinde Sadece Bir Kez Bakarsınız_v9 (YOLOv9) algoritması kullanılarak tespiti amaçlanmıştır. Bu amaçla yakın tarihli PlanetScope ve Landsat 8 uydu görüntüleri YOLOv9 algoritması ile eğitilmiş ve modellerin başarısı kesinlik, duyarlılık ve F1 skoru ile değerlendirilmiştir. Ayrıca modellerin tespit ettiği DHSS sayıları ile manuel sayılan DHSS sayıları ve modellerin eğitim süreleri de karşılaştırılmıştır. Elde edilen sonuçlara göre PlanetScope ve Landsat 8 uydu görüntülerinde kesinlik, duyarlılık ve F1 skoru değerleri sırasıyla 0,970, 0,928, 0,945 ve 0,966, 0,851, 0,897 olarak hesaplanmıştır. PlanetScope ve Landsat 8 görüntülerine dayalı olarak oluşturulan modeller, DHSS sayısı tahminlerinde benzerlik göstermiştir; bu oranlar sırasıyla %96,1 ve %93,2 olarak belirlenmiştir. Ancak, modelin eğitim süreleri arasında önemli bir farklılık gözlemlenmiştir. PlanetScope görüntülerinin model eğitim süresi 1,810 saat olarak kaydedilirken, Landsat 8 görüntülerinin model eğitim süresi 1,414 saat olarak tespit edilmiştir. Araştırmadan elde edilen sonuçlar, YOLOv9 algoritmasının PlanetScope ve Landsat 8 uydu görüntülerinde DHSS’yi benzer başarı oranları ile tespit edilebildiğini ve bu yöntemin su kaynaklarını yönetiminde potansiyel bir araç olarak kullanılabileceğini ortaya koymuştur.

Anahtar Kelimeler

YOLO, Nesne tespiti, PlanetScope, Landsat 8, Dairesel hareketli sulama sistemi

Kaynakça

• Abioye, E.A., Hensel, O., Esau, T.J., Elijah, O., Abidin, M.S.Z., Ayobami, A.S., Yerima, O., Nasirahmadi, A., 2022. Precision irrigation management using machine learning and digital farming solutions. AgriEngineering 4, 70-103.
• Akyüz, A., Cemek, B., Development of Leaf Area Model in Chokeberry Plant Grown in Different Irrigation Water Quality. Anadolu Tarım Bilimleri Dergisi 39, 207-218.
• An, Q., Wang, K., Li, Z., Song, C., Tang, X., Song, J., 2022. Real-time monitoring method of strawberry fruit growth state based on YOLO improved model. IEEE Access 10, 124363-124372.
• Bayram, A.F., Nabiyev, V., 2023. Derin öğrenme tabanlı saklanan kamufle tankların tespiti: son teknoloji YOLO ağlarının karşılaştırmalı analizi. Gümüşhane Üniversitesi Fen Bilimleri Dergisi 13, 1082-1093.
• Dang, F., Chen, D., Lu, Y., Li, Z., 2022. YOLOWeeds: A novel benchmark of YOLO object detectors for weed detection in cotton production systems. Computers and Electronics in Agriculture, July.
• Dile, Y.T., Ayana, E.K., Worqlul, A.W., Xie, H., Srinivasan, R., Lefore, N., You, L., Clarke, N., 2020. Evaluating satellite-based evapotranspiration estimates for hydrological applications in data-scarce regions: A case in Ethiopia. Sci Total Environ 743, 140702.
• Harakannanavar, S.S., Rudagi, J.M., Puranikmath, V.I., Siddiqua, A., Pramodhini, R., 2022. Plant leaf disease detection using computer vision and machine learning algorithms. Global Transitions Proceedings 3, 305-310.
• He, L., Wang, R., Mostovoy, G., Liu, J., Chen, J.M., Shang, J., Liu, J., McNairn, H., Powers, J., 2021. Crop biomass mapping based on ecosystem modeling at regional scale using high resolution Sentinel-2 data. Remote Sens-Basel 13, 806.
• Karacalar, H., İrik, H.A., 2024. Paşaköy Sulama Birliğinde Sulama Performansının Analizi. Türk Tarım ve Doğa Bilimleri Dergisi 11, 1-8.
• Kasinathan, T., Singaraju, D., Uyyala, S.R., 2021. Insect classification and detection in field crops using modern machine learning techniques. Information Processing in Agriculture 8, 446-457.
• Köksal, E.S., 2007. Sulama Suyu Yönetiminde Uzaktan Algılama Tekniklerinin Kullanımı. Anadolu Tarım Bilimleri Dergisi 22, 306-315.
• Köksal, E.S., Tunca, E., Taner, S.Ç., 2022. Irrigation management by using digital technologies. Water and Wastewater Management: Global Problems and Measures, 247-267.
• Liu, M., Wang, X., Zhou, A., Fu, X., Ma, Y., Piao, C., 2020. Uav-yolo: Small object detection on unmanned aerial vehicle perspective. Sensors 20, 2238.
• Mathew, M.P., Mahesh, T.Y., 2022. Leaf-based disease detection in bell pepper plant using YOLO v5. Signal, Image and Video Processing, 1-7.
• Mekhalfi, M.L., Nicolò, C., Bazi, Y., Al Rahhal, M.M., Alsharif, N.A., Al Maghayreh, E., 2021. Contrasting YOLOv5, transformer, and EfficientDet detectors for crop circle detection in desert. IEEE Geoscience and Remote Sensing Letters 19, 1-5.
• Mirhaji, H., Soleymani, M., Asakereh, A., Mehdizadeh, S.A., 2021. Fruit detection and load estimation of an orange orchard using the YOLO models through simple approaches in different imaging and illumination conditions. Comput Electron Agr 191, 106533.
• Özel, M.A., Baysal, S.S., Şahin, M., 2021. Derin öğrenme algoritması (YOLO) ile dinamik test süresince süspansiyon parçalarında çatlak tespiti. Avrupa Bilim ve Teknoloji Dergisi, 1-5.
• Özkaya, C., Uçar, Y., 2023. Basınçlı Sulama Sistemlerinin COPAM Yazılımı ile Performans Analizi: Burdur Çavdır-Küçükalan Örneği. Ziraat Fakültesi Dergisi 18, 50-58.
• Peng, B., Guan, K., Zhou, W., Jiang, C., Frankenberg, C., Sun, Y., He, L., Köhler, P., 2020. Assessing the benefit of satellite-based Solar-Induced Chlorophyll Fluorescence in crop yield prediction. International Journal of Applied Earth Observation and Geoinformation 90, 102126.
• Redmon, J., Divvala, S., Girshick, R., Farhadi, A., 2016. You only look once: Unified, real-time object detection, Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 779-788.
• Saraiva, M., Protas, É., Salgado, M., Souza Jr, C., 2020. Automatic mapping of center pivot irrigation systems from satellite images using deep learning. Remote Sens-Basel 12, 558.
• Tan, M., Le, Q., 2019. Efficientnet: Rethinking model scaling for convolutional neural networks, International conference on machine learning. PMLR, pp. 6105-6114.