Kazanimlar:
- NDVI ve diğer vejetasyon indekslerinin ne ölçtüğünü, hangi durumda hangi indeksin uygun olduğunu açıklayabilme
- Uydu/drone görüntülerinden üretilen indeks haritalarını AI yardımıyla yorumlayıp stres bölgelerini önceliklendirebilme
- İndeks anomalilerini saha kontrolü, meteoroloji ve fenoloji ile doğrulayarak yanlış alarmları eleyebilme
Bir tarlayı gözle dolaşmak, geniş alanlarda hem yavaş hem yanıltıcıdır: göz, yorulur, alışır ve büyük örüntüleri kaçırır. Oysa uzaydan ya da bir dronedan bakıldığında, bitki örtüsünün sağlığı sayısal bir haritaya dönüşür ve stresli bölgeler, gözün fark edemeyeceği kadar erken, açıkça ortaya çıkar. Bu dönüşümün temel aracı vejetasyon indeksleridir (bitki örtüsü indeksleri): görüntüdeki farklı ışık bantlarının oranından bitkinin canlılığını sayıya çeviren formüller. Bu ünite, en yaygın indeks olan NDVI'yi ve kardeşlerini tanıtır, uydu ile drone farkını açıklar ve bu haritaları yapay zeka ile nasıl yorumlayıp -en önemlisi- nasıl doğrulayacağınızı gösterir.
Önce fiziği anlayalım. Sağlıklı, fotosentez yapan bir yaprak kırmızı ışığı yoğun soğurur (çünkü klorofil onu kullanır) ve kızılötesine yakın ışığı (İngilizce Near-Infrared, NIR; gözle görülmeyen, kırmızının ötesindeki bant) güçlü yansıtır. Bitki strese girip klorofil kaybettikçe kırmızıyı daha az soğurur, NIR'i daha az yansıtır. NDVI (İngilizce Normalized Difference Vegetation Index, Normalize Edilmiş Fark Bitki Örtüsü İndeksi) tam bu farkı ölçer:
NDVI = (NIR - Kırmızı) / (NIR + Kırmızı)
Sonuç -1 ile +1 arasındadır. Çıplak toprak ve su 0'a yakın ya da negatif değerler verir; seyrek bitki 0,2-0,4; yoğun, sağlıklı örtü 0,7-0,9 aralığındadır. NDVI doğrudan verimi, hastalığı ya da toprak nemini ölçmez -yalnızca yeşil, canlı örtünün yoğunluğunu ölçer. Düşük NDVI bir uyarıdır, teşhis değildir.
Neden Tek İndeks Yetmez?
NDVI güçlüdür ama iki zayıf noktası vardır. Birincisi doygunluk: örtü çok yoğunlaştığında (mesela iyi gelişmiş bir mısır) NDVI 0,8-0,9'da tavan yapar ve daha fazla biyokütle artışını göstermez. İkincisi toprak etkisi: seyrek örtüde arka plandaki toprağın rengi indeksi bozar. Bu yüzden farklı durumlar için farklı indeksler geliştirilmiştir. Aşağıdaki tablo en çok kullanılanları özetler; hangi indeksi seçeceğiniz sorunuza bağlıdır.
İndeks
Ne için iyi
Not
NDVI
Genel örtü canlılığı
Yoğun örtüde doygunluk yapar
NDRE (Kırmızı-kenar)
Yoğun örtüde azot/klorofil
Geç dönemde NDVI'den duyarlı
GNDVI (Yeşil)
Klorofil/azot durumu
Yeşil bant kullanır
SAVI
Seyrek örtü, çıplak toprak
Toprak etkisini düzeltir
NDWI/NDMI
Bitki/toprak su içeriği
Su stresine daha yakın
EVI
Yoğun örtü, atmosfer düzeltmeli
Doygunluğu azaltır
İpucu: "Hangi indeks?" sorusunun cevabı ürünün gelişim evresidir. Erken dönemde (seyrek örtü) SAVI; gelişmiş yoğun örtüde ve azot izlemede NDRE/GNDVI; su stresinde NDWI/NDMI çoğu zaman NDVI'den daha bilgi vericidir.
Uydu mü, Drone mu?
İki kaynak birbirinin rakibi değil, tamamlayıcısıdır. Uydu (örneğin Sentinel-2, Landsat) geniş alanı bedava ya da ucuza, düzenli aralıklarla kaplar ama çözünürlüğü kabadır (piksel 10-30 m) ve bulut görüntüyü kapatabilir. Drone çok yüksek çözünürlük (piksel santimetreler) ve istediğiniz gün uçuş sağlar ama küçük alan kaplar, uçuş ve işleme emek ister. Pratik strateji katmanlıdır: uydu ile tüm çiftliği tarayıp şüpheli bölgeleri bul, sonra o bölgeleri drone ile yakından incele, en sonunda sahaya git.
Yapay Zeka İndeks Haritasını Nasıl Yorumlar?
Yapay zeka görüntünün kendisini değil, ondan üretilen sayısal özetleri yorumlamakta değerlidir: bölge ortalamaları, zaman içindeki değişim, komşu bölgelerle fark. Örneğin "Parsel-3'ün kuzey ucu son 12 günde NDVI 0,72'den 0,48'e düştü, güney ucu sabit" gibi bir özeti AI'a verirseniz, olası nedenleri önceliklendirmenize ve saha kontrol planı yapmanıza yardım eder. Ama unutmayın: AI'ın önerdiği "neden" bir hipotez listesidir. Düşük NDVI'nin ardında su stresi, hastalık, besin eksikliği, seyrek çıkış, dolu hasarı, bulut gölgesi ya da yeni sürülmüş toprak olabilir. Bunları ancak saha, meteoroloji ve fenoloji ayırt eder.
Üç Mini Vaka: Rakamlarla
Vaka 1 - Erken stres yakalama. Bir mısır tarlasında uydu NDVI'si, tarlanın güneybatı 8 dekarlık bölümünde çevreye göre 0,15 puan düşük çıktı. Mühendis o bölgeye gitti; sulama hattında tıkanıklık buldu ve arıza görünür belirti (solma) ortaya çıkmadan 6 gün önce giderildi. Tahmini verim kaybı önlendi.
Vaka 2 - Yanlış alarm. Bir buğday parselinde tek bir uydu tarihinde NDVI ani düştü. AI "olası hastalık" dedi. Ancak meteoroloji o gün yoğun bulut gösteriyordu; bir sonraki bulutsuz görüntüde NDVI normale dönmüştü. Bulut gölgesi yanlış alarmdı; tek tarihe göre karar verilmedi, zaman serisine bakıldı.
Vaka 3 - İndeks seçimi. Gelişmiş bir şeker pancarı tarlasında NDVI her yerde 0,85'te doygundu ve azot farkını göstermiyordu. NDRE indeksine geçilince tarlanın doğu yarısında klorofil eksikliği görüldü; yaprak analizi azot yetersizliğini doğruladı ve o bölgeye hedefli üst gübre yapıldı.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu NDVI haritasında sorun var mı? Ne yapmalıyım?
Güçlü prompt:
Rolün: Uzaktan algılama destekli agronom. Sana bölge bazında NDVI ve NDREzaman serisi özeti veriyorum (tarih, bölge, ortalama değer).Görev:- Anlamlı DÜŞÜŞ gösteren bölgeleri, düşüş miktarı ve süresiyle listele.- Her bölge için 2-4 OLASI neden hipotezi ver (su/hastalık/besin/toprak/bulut).- Her hipotez için sahada nasıl doğrulayacağımı tek cümleyle yaz.- Tek tarihlik ani değişimleri bulut/gölge olabileceği için ayrı işaretle.- Teşhis KOYMA, ilaç/gübre önerme; önceliklendirilmiş kontrol listesi ver.Veri:[zaman serisi özeti]
Güçlü prompt AI'ı teşhis makinesi olmaktan çıkarıp önceliklendirme ve doğrulama planı asistanına çevirir; tek tarih tuzağını ve teşhis sınırını açıkça yazar.
Dört Kopyalanabilir Şablon
1) İndeks seçimi danışma:
Ürün: [ürün], gelişim evresi: [evre], sorum: [su stresi / azot / genel canlılık].Bu duruma en uygun 2 vejetasyon indeksini, nedenini ve NDVI'ye göre avantajınıkısa açıkla. Formülleri de yaz.
2) Zaman serisi anomali özeti:
Aşağıdaki bölge-tarih-NDVI tablosunda: (a) 0,1'den fazla ve en az 2 ardışıktarihte süren düşüşleri, (b) tek tarihlik sıçramaları ayrı listele. Yorum ekleme,sadece tabloyu çıkar.
3) Saha kontrol planı:
Şu öncelikli bölgeler için saha gezisi planı yap: her bölgede hangi ölçümü(nem, yaprak örneği, kök kontrolü) alacağımı ve neden gerektiğini yaz.GPS noktalarını bölge merkezine öner.
4) Yanlış alarm süzgeci:
Bu NDVI düşüşünü karar yapmadan önce eleyen kontrol listesi: bulut/gölge,gölge açısı, hasat/sürüm, sensör tarihi, komşu bölge tutarlılığı. Her maddeyi"kontrol edildi mi?" olarak sun.
Sık yapılan hatalar
- Tek tarihe göre karar vermek. Bulut, gölge ve atmosfer tek görüntüyü bozar; hep zaman serisine bakın.
- Düşük NDVI = hastalık sanmak. İndeks nedeni söylemez; su, besin, toprak ve çıkış sorunları da aynı düşüşü verir.
- Doygunluğu görmezden gelmek. Yoğun örtüde NDVI tavan yapar; azot izlemede NDRE/GNDVI'ye geçin.
- Çözünürlüğü unutmak. 10 m'lik uydu pikseli küçük bir stres yamasını gizleyebilir; şüpheli yerde droneya inin.
- Sahayı atlamak. Harita bir işaret parmağıdır; teşhis toprakta ve yaprakta konur.
Dikkat: İndeks haritası "nerede bakmalısın" sorusunu cevaplar, "sorun nedir" sorusunu değil. Haritayı doğrudan ilaç veya gübre kararına çevirmek, yanlış nedene müdahale riskidir.
Özetle
Vejetasyon indeksleri, farklı ışık bantlarının oranından bitki canlılığını sayıya çevirir; NDVI en yaygını olsa da doygunluk ve toprak etkisi nedeniyle her duruma uymaz -NDRE, SAVI, NDWI gibi kardeşleri belirli sorularda daha güçlüdür. Uydu geniş tarama, drone yakın inceleme, saha ise nihai doğrulama katmanıdır. Yapay zeka indeks özetlerini önceliklendirmede ve doğrulama planı kurmada değerlidir; ama düşük bir indeks bir hipotezdir, teşhis değil. Tek tarih tuzağına düşmeyin, indeksi soruya göre seçin ve her sinyali sahada sınayın.
Uygulama görevi
Bir parsel için (gerçek ya da temsili) en az üç tarihli NDVI ve mümkünse NDRE değerleri içeren küçük bir tablo hazırlayın; bir bölgeye kasıtlı düşüş, bir tarihe de tek seferlik sıçrama koyun. Bu ünitedeki "zaman serisi anomali özeti" ve "yanlış alarm süzgeci" şablonlarıyla AI'a verin. Çıktıda AI'ın gerçek düşüşü bulut sıçramasından ayırıp ayıramadığını, teşhis koymaya kalkıp kalkmadığını değerlendirin ve her bölge için sahada bakacağınız tek ölçümü yazın.
Kontrol listesi
- [ ] Soruma uygun indeksi (NDVI/NDRE/SAVI/NDWI) bilinçli seçtim.
- [ ] Kararı tek görüntüye değil zaman serisine dayandırdım.
- [ ] Ani düşüşleri bulut/gölge/sürüm ihtimaline karşı süzdüm.
- [ ] AI'ın verdiği nedenleri hipotez olarak aldım, teşhis olarak değil.
- [ ] Her öncelikli bölge için bir saha doğrulama ölçümü planladım.