Tarımda Yapay Sinir Ağ Uygulamaları

Yazar: Rohat Gültekin
 
Giriş
 
Yapay sinir ağları (YSA), insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri, herhangi bir yardım almadan otomatik olarak gerçekleştirebilmek amacı ile geliştirilen bilgisayar sistemleridir.

Yapay sinir ağları; insan beyninden esinlenerek, öğrenme sürecinin matematiksel olarak modellenmesi uğraşı sonucu ortaya çıkmıştır. Bu nedenledir ki, bu konu üzerindeki çalışmalar ilk olarak beyni oluşturan biyolojik üniteler olan nöronların modellenmesi ve bilgisayar sistemlerinde uygulanması ile başlamış, daha sonraları bilgisayar sistemlerinin gelişimine de paralel olarak birçok alanda kullanılır hale gelmiştir. İnsan beyninde yaklaşık 10¹¹ sinir hücresinin varlığından bahsedilmekle birlikte, bu sayının bilgisayar ortamında modellenmesi şu an için mümkün görünmemektedir. Fakat karar hızı açısından insan beyni ile henüz yarışamasalar bile, YSA'lar yapısallıkları ve hassas eşleştirmelerin başarı ile gerçekleştirebilmeleri ile gün geçtikçe daha fazla uygulama alanı bulmaktadır.

1. Yapay Sinir Ağlarının Yapısı

1.1.  Yapay Sinir Hücresinin Yapısı

Yapay sinir hücreleri de biyolojik sinir hücrelerine benzer yapıdadır. Yapay nöronlar da aralarında bağ kurarak yapay sinir ağlarını oluştururlar. Aynı biyolojik nöronlarda olduğu gibi yapay nöronların da giriş sinyallerini aldıkları, bu sinyalleri toplayıp işledikleri ve çıktıları ilettikleri bölümleri bulunmaktadır.

Bir yapay sinir hücresi beş bölümden oluşmaktadır;
  • Girdiler
  • Ağırlıklar
  • Toplama Fonksiyonu (Birleştirme Fonksiyonu)
  • Aktivasyon fonksiyonu
  • Çıktılar

Görsel 1. Yapay Sinir Hücresinin yapısı
 
Girdiler: Girdiler nöronlara gelen verilerdir. Girdiler yapay sinir hücresine bir diğer hücreden gelebileceği gibi direk olarak dış dünyadan da gelebilir. Bu girdilerden gelen veriler biyolojik sinir hücrelerinde olduğu gibi toplanmak üzere nöron çekirdeğine gönderilir.

Ağırlıklar: Yapay sinir hücresine gelen bilgiler girdiler üzerinden çekirdeğe ulaşmadan önce geldikleri bağlantıların ağırlığıyla çarpılarak çekirdeğe iletilir. Bu sayede girdilerin üretilecek çıktı üzerindeki etkisi ayarlanabilmektedir. Bu ağırlıkların değerleri pozitif, negatif veya sıfır olabilir. Ağırlığı sıfır olan girdilerin çıktı üzerinde herhangi bir etkisi olmamaktadır.

Toplama Fonksiyonu (Birleştirme Fonksiyonu): Toplama fonksiyonu bir yapay sinir hücresine ağırlıklarla çarpılarak gelen girdileri toplayarak o hücrenin net girdisini hesaplayan bir fonksiyondur.

Aktivasyon Fonksiyonu: Bu fonksiyon hücreye gelen net girdiyi işleyerek hücrenin bu girdiye karşılık üreteceği çıktıyı belirler. Aktivasyon fonksiyonu genellikle doğrusal olmayan bir fonksiyon seçilir. Yapay sinir ağlarının bir özelliği olan “doğrusal olmama” aktivasyon fonksiyonlarının doğrusal olmama özelliğinden gelmektedir. Aktivasyon fonksiyonu seçilirken dikkat edilmesi gereken bir diğer nokta ise fonksiyonun türevinin kolay hesaplanabilir olmasıdır. Geri beslemeli ağlarda aktivasyon fonksiyonunun türevi de kullanıldığı için hesaplamanın yavaşlamaması için türevi kolay hesaplanır bir fonksiyon seçilir. Günümüzde en yaygın olarak kullanılan “Çok katmanlı algılayıcı” modelinde genel olarak aktivasyon fonksiyonu olarak “Sigmoid fonksiyonu” kullanılır.

Hücrenin Çıktısı: Aktivasyon fonksiyonundan çıkan değer hücrenin çıktı değeri olmaktadır. Bu değer ister yapay sinir ağının çıktısı olarak dış dünyaya verilir isterse tekrardan ağın içinde kullanılabilir. Her hücrenin birden fazla girdisi olmasına rağmen bir tek çıktısı olmaktadır. Bu çıktı istenilen sayıda hücreye bağlanabilir.

1.2.  Yapay Sinir Ağının Yapısı

Yapay sinir ağları yapay sinir hücrelerinin birbirine bağlanmasıyla oluşan yapılardır. Yapay sinir ağları üç ana katmanda incelenir; Giriş Katmanı, Ara (Gizli) Katmanlar ve Çıkış Katmanı.

Görsel 2. Yapay Sinir Ağının Yapısı.
 
Giriş Katmanı: Yapay sinir ağına dış dünyadan girdilerin geldiği katmandır. Bu katmanda dış dünyadan gelecek giriş sayısı kadar hücrenin bulunmasına rağmen genelde girdiler herhangi bir işleme uğramadan alt katmanlara iletilmektedir.

Ara (Gizli) Katman(lar): Giriş katmanından çıkan bilgiler bu katmana gelir. Ara katman sayısı ağdan ağa değişebilir. Bazı yapay sinir ağlarında ara katman bulunmadığı gibi bazı yapay sinir ağlarında ise birden fazla ara katman bulunmaktadır. Ara katmanlardaki nöron sayıları giriş ve çıkış sayısından bağımsızdır. Birden fazla ara katman olan ağlarda ara katmanların kendi aralarındaki hücre sayıları da farklı olabilir. Ara katmanların ve bu katmanlardaki nöronların sayısının artması hesaplama karmaşıklığını ve süresini arttırmasına rağmen yapay sinir ağının daha karmaşık problemlerin çözümünde de kullanılabilmesini sağlar.

Çıkış Katmanı: Ara katmanlardan gelen bilgileri işleyerek ağın çıktılarını üreten katmandır. Bu katmanda üretilen çıktılar dış dünyaya gönderilir. Geri beslemeli ağlarda bu katmanda üretilen çıktı kullanılarak ağın yeni ağırlık değerleri hesaplanır.

2.  Tarımda Yapay Sinir Ağları Uygulamaları

Yapay Sinir Ağları teknolojisi, kısa zamanda araştırmacıların dikkatlerini üzerine çeken bir bilim dalı olmayı başarmış ve çalışmalar laboratuvarlardan çıkarak günlük hayatın bir parçası haline gelmeye başlamıştır.

Son yıllarda tarım alanında da YSA uygulamaları kendini göstermekte ve bu uygulamaların sayısı da gün geçtikçe hızla artmaktadır. Literatürdeki çalışmalar incelendiğinde tarımsal alanlardaki YSA uygulamalarının doksanlı yıllardan itibaren başladığı ve oldukça yeni olduğu görülmektedir. Bu çalışmalardan bazılarına ilişkin özet bilgiler aşağıda verilmiştir.

2.1. Tarım Ürünleri ve Verimlilik Üzerine Yapılmış Çalışmalar

Son yıllardaki teknolojik ilerlemeler ışığında oldukça esnek modelleme metotları çiftçiliğin gelişmesi ve çeşitli toprak ve ürün parametrelerinin tahmininde bulunmak için geliştirilmektedir. Son zamanlarda kullanılan bu tahmin etme sistemlerinin en başında gelen metot da YSA’dır. İstatistiksel ve YSA yaklaşımları birlikte bitki indekslerinde verim tahmin etme modellerinde kullanılmışlardır. Bir YSA modeli ile yapılan tahmin, geleneksel olarak yapılan tahminlerden daha iyi (yaklaşık %20) sonuçlar verebilmektedir. (Uno vd., 2005).
 
Görsel 3. Tarımda YSA uygulamaları

Çağımızda bitki hastalıklarına karşı aşırı ilaç kullanımı maliyetleri yükseltirken aynı zamanda da tarımsal ürünlerdeki zehirli madde seviyesinde tehlikeli boyutlara getirmektedir. Bu bağlamda da hastalıkları daha değişik şekillerde teşhis edilip, doğru zamanda ve gerekli miktarda müdahale etmek için YSA tabanlı bir algoritma geliştirilmiştir. Bu amaçla bir buğday hastalığı olan “yellow rust” için havadan ilaçlama aracı geliştirilmeye çalışılmıştır. Çalışmada YSA sınıflandırma için kullanılmış ve iyi sonuçlar elde edilerek bitki hastalıklarının tanımlanmasında önemli sonuçlar elde edilmiştir (Moshou vd., 2004).

Diğer bir çalışmada, yabancı otları yok etmede spray sisteminin geliştirilmesinde YSA’dan yararlanılmıştır. Böyle bir sistem için gerçek zamanlı olarak görüntü toplama ve işleme sistemine ihtiyaç vardır. Yabancı otların tanımlanması, yoğunlukları dijital kamera kullanılarak kontrolü sağlanmıştır. Bu görüntü işleme için de bir YSA’dan yararlanılmıştır. Bulanık mantık metodu ile birlikte yapılan bu çalışmanın sonucunda yabancı otları yok etme sistemi geliştirilmeye çalışılmıştır (Yang vd., 2003).

Tarımda otomasyon araştırmalarında da YSA kullanılmıştır. Bu çalışmalardan biri de Japonya’da tarım araçlarının otomasyonu ile ilgili bir araştırmadır. Tarımda otomasyonla ilgili birçok araştırma, son zamanlarda Japonya Tarımsal Otomasyon Derneği (Japanese Society of Agricultural Machinery -JSAM) yıllık toplantılarında sunulmaktadır. Tek boyutlu bir görüntü algılayıcının geliştirilmesi ile Japonya’da birçok üniversitede YSA ve Genetik algoritma uygulamaları ile araştırmalar iyice artmıştır. Bunun sonucunda da birçok araştırma enstitülerinde ve imalatçılarında pratik sistemler geliştirilmeye başlanmıştır. Örnek olarak, Biyolojik-Yönelimli Teknoloji İleri Araştırma Enstitüsü’nde (Bio-oriented Technology Research Advancement Institute-BRAIN) bir robotun ekim yaptığı ve sürücüsüz hava püskürtme makinaları geliştirilmiştir. Tarım bakanlığına bağlı araştırma enstitülerinin birinde yine ekimini robotların yaptığı, otomatik karıştırıcı traktörler ile otomatik pirinç ekme makinesi üretilmiştir. Diğer Asya ülkelerinde de bu metotlarla (YSA, Genetik algoritma, bulanık mantık vb.) üretilen otomasyon tarım aletleri geliştirilmekte ve kullanılmaktadır (Torii, 2000).

Bir zirai mobil robotunun optimal yolunun belirlenmesi için geliştirilen teknikte YSA ve genetik algoritma beraber kullanılmışlardır. Burada YSA zirai mobil robotun hareketlerini yönlendirmek için kullanılmıştır. YSA tarafından bir simülasyonla yolu belirlenen robotun, bu yolu en optimum şekilde nasıl kullanacağına da genetik algoritma ile karar verilmiştir. Bu teknik tarımdaki doğrusal olmayan kontrol problemlerine önemli bir katkı sağlamıştır (Noguchi and Terao, 1997).

YSA'nın diğer bir uygulaması ABD’de, soya fasulyesinin çiçeklenmesi ve fizyolojik olgunlaşması tarihlerinin tahmin edilmesinde kullanılmıştır. Bu durumdaki YSA modeli dört giriş düğümünden, üç gizli düğümden ve bir çıkış düğümünden oluşmaktadır. Giriş verileri olarak maksimum ve minimum sıcaklıklar, foto periyodu ve ekinden veya çiçeklenmeden sonra kaçıncı gün olduğu girilmekte, çıkışta ise ya çiçeklenme günü (tahmin), ya da olgunlaşma günü (tahmin) elde edilmektedir. Ağla yapılan deneyler bu YSA'nın yaklaşık 2-4 gün hata ile tahmin yaptığını göstermiştir (Elizondo vd., 1994).

ABD’de yürütülen bir çalışmada ise yerfıstığı yetiştiriciliğinde en uygun sulama zamanına karar verebilmek için YSA kullanılmıştır. Burada giriş verileri olarak yılın günleri, topraktaki su oranı, sıcaklıklar ve benzeri gibi on iki değişken girilmektedir. Çıkış olarak elde edilen veri sulama kararıdır (0 – sulama yok, 1- sulama yapılsın) (McClendon vd., 1996). Yerfıstığı ile ilgili aynı grubun ikinci bir çalışmasında yerfıstığı hasadının aflatoksinle aflatoxin kirletilmesinin değerlendirilmesi yine YSA kullanılarak yapılmıştır. Modelde giriş verileri olarak toprak sıcaklığı, kuraklık süresi, ürünün yaşı ve toplanmış ısı üniteleri gibi dört değişken ele alınmıştır. Toplanmış ısı üniteleri 23 ºC den 29 ºC ye kadar değişen toprak sıcaklıkları sınırını temel alarak hesaplanmıştır. En hassas sonucun toplanmış ısı değerini 25 ºC olarak ve sekiz gizli düğüm götürüldüğü zaman elde edildiği gözlemlenmiştir (Parmar vd., 1997).

2.2. Tarımsal Sulama ve Su Havzaları Üzerine Yapılmış Çalışmalar

Yeraltı suları drenaj sisteminin tasarlanması için başka bir YSA uygulaması da beş giriş verisi (suyolu alanı, günlük yağmur miktarı, günlük buharlaşma miktarı, bir önceki günün su tablosu derinliği ve önceki gün su yolu akımı) ve iki çıkış düğümü (günlük su tablosu derinliği ve su yolu akımı) şeklinde Kanada’da yapılmıştır. Yöntem yonca tarlalarının drenaj sisteminin tasarımı için kullanılmış ve olumlu sonuçlar vermiştir (Yang vd., 1996).
Görsel 4. Sulak alanlarda YSA uygulamaları

Su kaynaklarının kısıtlılığı, amaçlardaki çeşitlilikler ve parasal kaynakların yetersizliği, optimum işletmeyi gerektirmektedir. Yağışların zaman ve konum açısından homojen dağılmaması, tarımsal ürünlerin stratejik önemi ve su kaynakları sistemlerinde bulunan karmaşıklıklar, matematiksel modellerin kullanımını ve gelişmesini giderek artırmaktadır. Öte yandan su depolama yapısına giren akımların rastgelelik özelliğinden dolayı gelecekteki işletme kurallarının tahmini, arazilerin sulamasında önemli rol oynamaktadır. Simülasyon yönteminin amacı rezervuar sisteminin gelecekteki işletme dönemlerinde durumunu tahmin etmektir.

Savalan barajı 90 hm3 aktif kapasite ile 1200 ha tarımsal alanı sulama amacı ile İran’ın Ardabil bölgesinde inşa edilmiştir. Mansapta bulunan tarım alanlarının aylık su taleplerinin tamamen karşılanacağı varsayılmıştır. Bu çalışmada rezervuar işletmesinde depolanan, savaklanan, hazne alanı üzerine düsen yağış ve buradan buharlaşan su miktarları, akımların çok tabakalı ileri beslemeli geriye yayınım yapay sinir ağları simülasyonu yönteminden yararlanarak tahmin edilmiştir. Rezervuar için süreklilik denklemi hem ölçülmüş ve hem de simüle edilmiş akımlarla çözülerek rezervuar parametreleri araştırılmıştır. Sonuçlar, gözlenmiş değerler ve simülasyonundan elde edilen değerler arasında genellikle uyum sağlandığını göstermiştir ( Sattari vd., 2007).

2012 yılında yapılan çalışmada, bir Radyal Tabanlı Yapay Sinir Ağı modeli (RTYSA) geliştirilerek, Büyük Menderes Havzası’nda yer alan Kemer Baraj Havzası’na ait aylık akımlara uygulanmıştır. Girdi olarak yağış, sıcaklık ve 1 ay önceki yağış değerlerine ihtiyaç duyan RTYSA modeli, Mart 1979-Kasım 1997 tarihleri arasındaki 225 aylık akım verileri kullanılarak eğitilmiş; Aralık 1997-Aralık 2005 tarihleri arasındaki 97 aylık akım verileri ile sınanmıştır. Gözlenmiş ve modellenmiş akımların uzun dönem ve mevsimsel istatistikleri karşılaştırıldığında; kurulan modelin Kemer Barajı aylık akımlarını başarıyla temsil ettiği; böylece geliştirilen modelin, bir baraj havzasının aylık akımlarının tahmininde başarıyla kullanılabileceği göstermiştir (Okkan vd., 2012).

Karaman ilinde yapılan çalışmada Yapay Sinir Ağları (YSA) ile Standartlaştırılmış Yağış İndeksinin (SPI) modellenmesi ve geleceğe yönelik kuraklık tahminlerinin yapılması amaçlanmıştır. Karaman meteoroloji istasyonunda 1975-2009 yıllarında ölçülen aylık yağmurlar kullanılarak 3, 6, 9 ve 12 aylık zaman ölçekleri için SPI değerleri hesaplanmıştır. Modellemede İleri Beslemeli Geri Yayılımlı Yapay Sinir Ağları (FFBPANN) metodu kullanılmıştır. YSA modeli kurulmasında girdi verisi olarak SPI değerinin belirlenmesinde dikkate alınan yağış verileri ve SPI değerleri kullanılmıştır. Modelin kurulmasından sonra geleceğe yönelik tahminlerde bulunabilmek için farklı zaman dilimlerine ait yağış ve SPI kombinasyonları girdi verisi alınarak ileriye yönelik kuraklık tahminlerinde (SPI) bulunulmuştur (Sattari vd., 2011).

Başka bir çalışmada, Orta Fırat havzasında bulunan 2157 numaralı akım gözlem istasyonuna ait aylık ortalama akım verileri ile 17204 numaralı yağış gözlem istasyonuna ait aylık toplam yağış verileri arasındaki ilişki yapay sinir ağları metotlarından İleri Beslemeli Geri Yayınım Sinir Ağı (İBGYSA), Genelleştirilmiş Regresyon Yapay Sinir Ağı (GRYSA) ve Radyal Tabanlı Yapay Sinir Ağı (RTYSA) ile araştırılmış ve ardından bu sonuçlar daha klasik bir yöntem olan Çoklu Doğrusal Regresyon (CDR) yöntemi ile karşılaştırılmıştır. Akım ve yağış verilerinin girdi olarak kullanıldığı bu çalışmada yeni akım değerleri tahmin edilmiştir. Çalışma sonunda kullanılan tüm yapay sinir ağı yöntemlerinin CDR yöntemine göre daha iyi sonuç verdiği görülmüştür. RTYSA yöntemiyle tahmin edilen akım değerlerinin, kullanılan diğer yapay sinir ağı yöntemleriyle tahmin edilen değerlere kıyasla gözlenen akım değerlerine daha iyi yakınsadığı belirlenmiştir (Gümüş vd., 2013).

3. Sonuç

Teknolojinin giderek daha yoğun kullanıldığı günümüzde, tarımsal uygulamalar da artık geleneksel metodların dışında yeni yaklaşımlar gerektirmiştir. Parsel bazında yapılan tarımsal gözlemlerinin yerini havza bazlı büyük alanlar alırken, tarımsal girdi ihtiyaçlarının belirlenmesinde de bu havza bilgilerini kullanmak gerekmektedir.  Bir alanı besleyen su kaynağını veya bir hastalık etmeninin geniş ölçekte değerlendirilmesi ve uygun tedbirlerin alınması amacıyla uzaktan algılama yöntemleri, risklerin önceden belirlenmesi amacıyla tahmin modellemelerinin kullanılması kaçınılmaz olmuştur. Bu amaçta ülkemizde farklı iklim ve coğrafik yapılar olduğu göz önüne alındığında, çalışılması gereken çok fazla alan olduğu anlaşılmaktadır. Tarımda kaynaklarının kontrol altında tutularak, sürdürülebilir ve güvenilir projeksiyonların oluşturulması oldukça önemlidir. Bu amaçla YSA ve benzeri teknolojik uygulamaların ülkemizde hızla yaygınlaştırılması ve tarım politikalarının belirlenmesinde aracı olması gerekmektedir.

Kaynaklar:
  1. Elizondo D.A., McClendon R.W. and Hoogenboom G., 1994, “Neural Network Models for Predicting Flowering and Physiological Maturity of Soybean”, Transactions of the ASAE, Vol.37(3), pp.981-988.
  2. Gümüş, V., Soydan, N.G., Şimşek, O., Aköz, M.S., Kırkgöz, M.S., 2013, “Yağış-Akış İlişkisinin Belirlenmesinde Farklı Yapay Sinir Ağı Yöntemlerinin Karşılaştırılması”, Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 28(1), ss.37-49
  3. McClendon R.W., Hoogenboom G. and Seginer I., 1996, “Optimal Control and Neural Networks Applied to Peanut Irrigation Management”, Transactions of the ASAE, Vol.39(1) pp.275-279.
  4. Moshou, D., Bravo, C., West, J., Wahlen, S., McCarney, A. And Ramon, H., 2004, “Automatic detection of ‘yellow rust’ in wheat using reflectance measurements and neural networks”, Computers and Electronics in Agriculture, V: 44(3), p: 173- 188.
  5. Noguchi N and Terao H., 1997, “Path planning of an agricultural mobile robot by neural network and genetic algorithm”, Computers and Electronics in Agriculture, V:18(2-3), p: 187- 204.
  6. Okkan, U., Dalkılıç, H.Y., 2012, “Radyal Tabanlı Yapay Sinir Ağları ile Kemer Barajı Aylık Akımlarının Modellenmesi”, İMO Teknik Dergi, 2012 5957-5966, Yazı 379.
  7. Parmar R.S. vd., 1997, ”Estimation of Aflatoxin Contamination in Preharvest Peanuts Using Neural  Networks”, Transactions of the ASAE, Vol.40(3),pp.809-813.
  8. Sattari, M. T.,  Fard, A. F.,  Docherkhesaz M., Öztürk F., 2007, “Yapay Sinir Agları Yöntemi ile Savalan  Sulama Rezervuarının Simülasyonu”, Ankara Üniversitesi Ziraat Fakültesi Tarım Bilimleri Dergisi, 13 (4) 337-345
  9. Sattari, M. T., Yürekli, K., Ünlükara, A., 2011, “Karaman İlinde Yapay Sinir Ağları Yaklaşımı Kullanılarak Kuraklığın Tahmini”, Tarım Bilimleri Araştırma Dergisi 4 (1): 7-13
  10. Torii, T., 2000, “Research in autonomous agriculture vehicles in Japan”, Computers and Electronics in Agriculture, V: 25(1- 2), p:133-153.
  11. Uno, Y., Prasher, S. O., Lacroix, R., Goel, P. K., Karimi, Y., Viau, A. and Patel, R. M., 2005, “Artificial neural  networks to predict corn yield from Compact Airborne Spectrographic Imager data”, Computers and Electronics in Agriculture, V: 47(2), p: 149-161.
  12. Yang, C.C., Prasher, S. O., Landry, J. A. and Ramaswamy, H. S., 2003, “Development of a herbicide  application map using artificial neural networks and fuzzy logic”, Agricultural Systems, V: 76(2), p:561-574.
  13. Yang C.-C., Prasher S.O. and Lacroix R., 1996, Application of Artificial Neural Networks in Subsurface Drainage System, Proceedings of 6th Intern.Conf. on Computers in Agriculture, Mexico, pp.932-940.

YORUMLAR

Bu sayfalarda yer alan okur yorumları kişilerin kendi görüşleridir. Yazılanlardan apelasyon.com sorumlu tutulamaz.