Tarımsal alanlardaki mevcut ağaçların gölgelik alanları, yükseklikleri ve ağaçların taç genişliği gibi geometrik bazı özellikleri, ekim plantasyonu ve mahsül üretimi hakkında önemli bilgiler elde edilmesine yardımcı olmaktadır. Fakat bu etkenleri tespit etmek oldukça zorludur ve fazla zaman harcamaya neden olmaktadır. Bu nedenle araştırıcılar tek tek ağaçların ve ağaç sıralarının 3 boyutlu geometrik özelliklerini hesaplamak için, İnsansız Hava Aracı (İHA) teknolojisi ile Dijital Yüzey Modellerinin oluşturulmasını tekniğini ve nesne tabanlı görüntü analizi tekniklerini kullanmışlardır (Torres-Sánchez ve ark., 2015). Elde edilen sonuçlara göre de İHA teknolojisi ile elde edilen sonuçlar hem tek ağaçta hem de ağaç sıralı ağaçlandırmalarda başarılı sonuçlar elde etmişlerdir ve alan ölçümü konusunda yaklaşık % 97'ye varan doğruluk tespit ederlerken, ağaç yüksekliklerinin ve taç genişliklerinde tarla içi tahminlerine kıyasla çok ufak sapmalar bildirmişlerdir (Şekil 13).
Şekil 13. (a) Multispektral Bir Sensörle Oluşturulan Tek Ağaç Dikiminin 3 Boyutlu
Gösterimi, (b) Görünür Işıklı Bir Kamera İle Oluşturulan Ağaç Sıralı Bir Plantasyonun, (c) Tarımsal Ağaç Dikimlerini Sınıflandırmak İçin Geliştirilen OBIA
Prosedürünün Tüm Aşamalarına Ait Kısmi Görüntüler, (d) Çalışmada Geliştirilen OBIA Algoritması Tarafından Üretilen Sınıflandırma Çıktıları (Torres-Sánchez ve
ark., 2015).
1.12. Rekolte Tahmininde İHA Kullanımı
Yeom ve ark. (2018) ultra ince uzaysal çözünürlüklü İHA görüntülerini kullanarak, otomatik bir açık pamuk kozası algılama algoritmasını kullanmışlardır. Ölçümler sonucunda %88 in üzerinde bir doğruluk
a b
tespit etmişlerdir. Aynı zamanda doğrudan verim tahmini için İHA görüntülerinden hedef bölgelerin çıkarıldığını göstermiştir. Stroppiana ve ark. (2015) çeltik tarlası üzerinde gerçekleştirdikleri deneysel uçuş sonrası İHA görüntülerinin tarla içi mekansal değişkenliği ve ürün verimini haritalamak için kullanılabileceğini ifade etmekle birlikte hassas tarım uygulamaları için daha geleneksel teknolojileri başarıyla tamamlayabileceğini bildirmişlerdir. Reza ve ark. (2019) yine çeltik tarlalarında İHA görüntüsüne dayalı tane segmentasyonunun çeltik verimini doğru ve uygun bir şekilde tahmin etme potansiyeline sahip olduğunu göstermediğini ifade etmişlerdir.
SONUÇ ve ÖNERİLER
İHA’lar, özellikle akıllı tarım uygulamalarında hedeflenen çevresel hassasiyete bağlı yaklaşımlar için uygun araçlardır. Bu teknolojilerin kullanımının artışına yönelik yazılım ve donanım geliştirme yatırımları; ürünlerde kullanılan ilaç, gübre, ilaç ve tohum gibi temel girdiler kadar önemlidir. Bu kapsamda birçok tarımsal uygulamada tüm tarım alanı alan yerine lokasyonel karar verme koşullarının hızla yaygınlaştığı görülmektedir. Gelişen İHA sistemleri ve bunlara takılı kameralar ile akıllı tarım uygulamalarında belirtilen birçok alansal bazlı karar veren uygulamalar için kullanımlar başlamıştır. Özellikle gelişmiş ülkelerde yapılan bir çok araştırmada İHA bağlı veri elde ederek yapılan tarımsal faaliyetlerde önemli verim artışları ve çevresel kazançlar sağladığı belirlenmiştir. Bu teknoloji sayesinde insan ve işgücüne olan bağımlılık azalmakla birlikte daha doğru, daha hızlı, düşük maliyetli, daha az
pestisit kullanımı ile daha verimli ürün elde edinimi sağlanmaya başlanmıştır.
İHA’lardaki teknolojik gelişmelere bağlı olarak, batarya kapasitelerindeki artışlar ile uçuş sürelerinin uzaması tve ek uçuşta yüzlerce dekar büyüklüğündeki tarım arazisinin yüksek çözünürlükte görüntülenmesi yapılmaya başlanmıştır. Ayrıca İHA’ lara takılan kameraların hafiflemesi ve gelişmesi ile kullanım oranları artarak ivme kazanmıştır. Tüm bu avantajların yanı sıra uçuş yapılmasındaki yasal koşulların, kısıtlamaların ve güvenlik konularının da bu yaygınlaşmasının önündeki bir engel olarak yer almaktadır.
KAYNAKLAR
Aasen, H., Burkart, A., Bolten, A., and Bareth, G. (2015). Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS J. Photogram. Remote Sens., 108: 245–259.
Agüera, F., Carvajal, F., Pérez, M. (2011). Measuring sunflower nitrogen status from an unmanned aerial vehicle-based system and an on the ground device. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, (s. 33-37). Zurich.
Akkamış, M. ve Çalışkan, S. (2020). İnsansız Hava Araçları ve Tarımsal Uygulamalarda Kullanımı. Türkiye İnsansız Hava Araçları Dergisi, 2 (1): 8-16. Anonim, (2019). Türkiye’ de Akıllı tarım mevcut durum raporu. atprapor.pdf (tarmakbir.org) (Erişim Tarihi: 22.03.2020)
Baluja, J., Diago, M. P., Balda, P., Zorer, R., Meggio, F., Morales, F. and Tardaguila, J. (2012). Assessment of vineyard water status variability by thermal and multispectral imagery using an unmanned aerial vehicle (UAV). Irrig. Sci., 511-522.
Chaol, H., Baumann, M., Jensen, A., Chen, Y., Cao, Y., Ren, W., and McKee, M. (2008). Band-reconfigurable multi-UAV-based cooperative remote sensing for real-time water management and distributed irrigation control. IFAC Proc. Vol., 41 (2): 11744–11749.
Chechetka, S.A., Yu, Y., Tange, M., and Miyako, E. (2017). Materially engineered artificial pollinators. Chem, 2 (2): 224–239.
Chen, A., Orlov-Levin, V., Elharar, O., and Meron, M. (2019). Comparing satellite and high-resolution visible and thermal aerial imaging of field crops for precision irrigation management and plant biomass forecast. In Precision agriculture’19 (pp. 37-44). Wageningen Academic Publishers.
Corcoles, J.I., Ortega, J.F., Hernandez, D., Moreno, M.A. (2013). Estimation of leaf area index in onion (Allium cepa L.) using an unmanned aerial vehicle. Biosystems engineering, 31-42.
Corrigan, F. (2017). Uavs in the Lidar Applications Sector Increases Substanially. [Online]. Available: https://www.dronezon.com/learn-aboutdrones-quadcopters/uav-lidar-applications-services-technology-systems/ , (Accession date: 14.02.2020) Dji mg-1 (2019). [Online]. Available: https://www.dji.com/kr/mg-1 (Accession date: 21.05.2021)
Dji Matrice 600 Pro. (2019). [Online]. Available: https://www.dji.com/kr/ matrice600-pro?site=brandsite&from=nav (Accession date: 21.02.2021)
Faiçal, B. S., Costa, F., Pessin, G., Ueyama, J., Freitas, H., Colombo, A. and Braun, T. (2014). The use of unmanned aerial vehicles and wireless sensor networks. Journal of Systems Architecture, 393-404.
Gago, J., Douthe, C., Coopman, R.E., Gallego, P.P., Ribas-Carbo, M., Flexas, J., ... and Medrano, H. (2015). UAVs challenge to assess water stress for sustainable agriculture. Agricultural water management, 153: 9-19.
Guillén-Climent, M.L., Zarco-Tejada, P.J., Berni, J.A., North, P.R. and Villalobos, F.J. (2012). Mapping radiation interception in row-structured orchards using 3D simulation and high-resolution airborne imagery acquired from a UAV, Precis. Agricult.,13 (4): 473–500.
Han, Y., Tarakey, B. A., Hong, S. J., Kim, S. Y., Kim, E., Lee, C. H. and Kim, G. (2021). Calibration and Image Processing of Aerial Thermal Image for UAV Application in Crop Water Stress Estimation. Journal of Sensors, 2021.
Hoffmann, H., Jensen, R., Thomsen, A., Nieto, H., Rasmussen, J. and Friborg T. (2016). Crop water stress maps for an entire growing season from visible and thermal UAV imagery. Biogeosciences,13 (24): 6545.
Jiyu, L., Lan, Y., Jianwei, W., Shengde, C., Cong, H., Qi, L. and Qiuping, L. (2017). Distribution law of rice pollen in the wind field of small UAV. Int. J. Agricult. Biol. Eng., 10 (4): 32–40.
Kim, J., Kim, S., Ju, C. and Son, H.I. (2019). Unmanned aerial vehicles in agriculture: A review of perspective of platform, control, and applications. IEEE Access, 7: 105100-105115.
Lillian, B. (2018). Leica Geosystems Launches Mapping UAV Based on DJI m600. [Online]. Available: https://unmanned-aerial.com/leicageosystems-launches-mapping-uav-based-on-dji-m600, (Accession date: 11.02.2021)
Luck, J., Pitla, S.K., Shearer, S.A, Mueller, T.G., Dillon, C.R., Fulton, J.P. and Higgins S.F. (2010). Potential for pesticide and nutrient savings via map-based automatic boom section control of spray nozzles. Comput. Electron. Agricult., 70 (1): 19–26.
Nambu, K.M.M. (2016). Prodrone Unveils the World’s First Dual Robot Arm Large-Format Drone. [Online]. Available: https://www.prodrone.com/archives/1420/, (Accession date: 15.03.2018)
Nebiker, S., Lack, N., Abächerli, M. and Läderach, S. (2016). Light-weight multispectral uav sensors and their capabilities for predicting grain yield and detecting plant diseases. Int. Arch. Photogram., Remote Sens. Spatial Inf. Sci., 41 (963–970). Pan, Z., Lie, D., Qiang, L., Shaolan, H., Shilai, Y., Yande, L., Yongxu, Y. and Haiyang, P. (2016). Effects of citrus tree-shape and spraying height of small unmanned aerial vehicle on droplet distribution. Int. J. Agricult. Biol. Eng., 9 (4): 45– 52.
Pyo, S. (2006). Actual state of pesticide management and rate of complaints of prevalency subjective symptom in some farmer,’’ M.S. thesis, Occupational Health Graduate School Public Health, Yonsei Univ., Seoul, South Korea.
Reza, M.N., Na, I.S., Baek, S.W. and Lee, K.H. (2019). Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images. Biosystems engineering, 177: 109-121.
Salaan, C.J., Tadakuma, K., Okada, Y., Sakai, Y., Ohno, K. and Tadokoro, S. (2019). Development and experimental validation of aerial vehicle with passive rotating shell on each rotor. IEEE Robot. Autom. Lett., vol. 4, no. 3, pp. 2568–2575, Jul.
Samad, A.M., Kamarulzaman, N., Hamdani, M.A., Mastor, T.A. and Hashim, K.A. (2013). The potential of unmanned aerial vehicle (UAV) for civilian and mapping application in Proc. IEEE 3rd Int. Conf. Syst. Eng. Technol., pp. 313–318.
Stroppiana, D., Migliazzi, M., Chiarabini, V., Crema, A., Musanti, M., Franchino, C. and Villa, P. (2015, July). Rice yield estimation using multispectral data from UAV: A preliminary experiment in northern Italy. In 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS) (pp. 4664-4667). IEEE.
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Chen and W.H. (2018). Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery. Computers and Electronics in Agriculture, 155: 157-166.
Su, W., Zhang, M., Bian, D., Liu, Z., Huang, J., Wang, W., ... and Guo, H. (2019). Phenotyping of corn plants using unmanned aerial vehicle (UAV) images. Remote Sensing, 11 (17).
Torres-Sánchez, J., Peña, J.M., Castro, A.I. de and López-Granados, F. (2014). Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Comput. Electron. Agricult., 103: 104–113.
Verdouw, C.N., Kruize, J.W. (2017). Twins in farm management: Illustrations from the FIWARE accelerators SmartAgriFood and Fractals. In Proceedings of the PA17— The International Tri-Conference for Precision Agriculture in 2017, Hamilton, New Zealand, 16–18 October 2017.
Turner, D., Lucieer, A. and Watson, C. (2011). Development of an Unmanned Aerial Vehicle (UAV) for hyper resolution vineyard mapping based on visible, multispectral, and thermal imagery, in Proc. 34th Int. Symp. Remote Sens. Environ. p. 4.
Yeom, J., Jung, J., Chang, A., Maeda, M. and Landivar, J. (2018). Automated open cotton boll detection for yield estimation using unmanned aircraft vehicle (UAV) data. Remote Sensing, 10 (12): 1895.
Yu, N., Li, L., Schmitz, N., Tian, L. F., Greenberg, J. A., & Diers, B. W. (2016). Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform. Remote Sensing of Environment, 187, 91-101.
Zhang, L., Zhang, H., Niu, Y. and Han, W. (2019). Mapping maize water stress based on UAV multispectral remote sensing. Remote Sensing, 11 (6): 605.