Tahminde Kullanılan Modeller

Sayısal toprak haritalamada; jeostatistiğin yanı sıra makine öğrenme de dahil olmak üzere çok çeşitli yöntemler, toprak sınıflandırılması ve özelliklerinin haritalanması için kullanılmıştır. Çalışmanın bu kısmında, özellikle son yirmi yılda STH’da yaygın olarak kullanılan bazı yöntemler kısaca gözden geçirilmiştir.

Jeostatistik ve makine öğrenmesi gibi farklı tahmin tekniklerinin performansını karşılaştırmak için birçok çalışma yapılmıştır (Grunwald, 2009; Mishra ve ark., 2010; Vasques ve ark. 2010 ve Kunkel ve ark., 2011). Burrough (1993); Heuvelink ve Webster (2001), çeşitli kriging metotlarını kullanmış ve jeostatistiksel yaklaşımların genellikle regresyon modellerinden daha iyi performans gösterdiği sonucuna varmışlardır. Regresyon kriging gibi bazı jeostatistik tekniklerle çevresel değişkenler modele dahil edilmiş ve basit krigingden daha iyi performans elde edilebilmiştir.

Özellikle son on yılda, tahmin ve modelleme teknikleri gözden geçirildiğinde, AtoP (area to point) kriging yönteminin, bazı eski toprak haritalarının birleştirilmesinde kullanılabileceği fikri ortaya çıkmıştır (Goovaerts 2011; Kerry ve ark., 2012). Bu yöntem, örnek sayısını dikkate almadan bir ünitenin ortalamasını hatasız olarak ele almaktadır. Sonrasında Minimum mekansal korelasyon kriging, örneklem uzayındaki korelasyonu daha doğru tahmin etmek için tasarlanmış ve

cokriging'e etkili bir alternatif olduğu kanıtlanmıştır (Sohrabian ve Tercan, 2014). Ancak, doğrulama sonuçları bu yöntemin mekânsal korelasyonları azaltırken, kriginge nazaran daha kötü tahminler ürettiğini göstermiştir. Son zamanlarda 3 boyutlu uzaysal-zamansal toprak haritalama için 3D + T kriging modeli önerilmiştir (Gasch ve ark., 2015). Jeostatistik metotları, 3 boyutlu ve farklı zamanlarda toplanan toprak verileriyle birleştirildiğinde zamansal korelasyon da analiz edilmiştir.

Coğrafi olarak ağırlıklandırılmış regresyon, konumsal özellikler ile alandaki diğer değişkenler arasındaki ilişkileri ortaya koymaktadır (Fotheringham ve ark., 2002). Bu yöntem, toprak organik karbon içeriğini (Zhang ve ark., 2011), organik karbon stoğunu (Mishra ve ark., 2010; Kumar ve ark., 2012) ve diğer toprak özelliklerini (Scull, 2010) haritalamak için yaygın olarak kullanılmıştır. Bu çalışmalar, Coğrafi olarak ağırlıklandırılmış regresyonun daha fazla yerel ayrıntı yakalayabileceğini ve toprak özelliklerini haritalarken tahmin doğruluğunu iyileştirmede hayati bir rol oynayabileceğini göstermiştir (Zhang ve ark., 2011). Bununla birlikte, bağımsız değişkenlerin seçilmesine ve model geliştirme sürecindeki mekânsal korelasyona dikkat edilmelidir (Kumar ve ark., 2012). Modele rastgele bir parametre dahil edildiğinde, kriging tekniklerinden daha az doğru tahminlere yol açabilmektedir (Song ve ark., 2016a). Bu yöntem aynı zamanda sınırlı toprak verisinin olduğu durumda da aynı sonucu vermiştir (Ye ve ark., 2017).

Bununla birlikte; farklı tahmin teknikleri, toprak özelliklerinin haritalamasında benzer amaçlarla kullanılabilirler. Regresyon katsayıları düşük miktarda farklılık gösterebilir, hatta değişmeyebilir. Bu, toprak ile çalışılan saha arasındaki ilişkinin anlaşılmasıyla daha da mümkün olmaktadır. Örneğin, ana materyal veya iklim tutarlı bir şekilde toprağı küçük bir alanda etkiler. Kullanılan tahmin tekniklerinin bazı regresyon katsayıları mekânsal olarak her zaman değişmediğinden, coğrafi ağırlıklı regresyon ve gruplanmış toprak tipi bilgisine dayalı regresyon gibi alternatif algoritmalar tasarlanmıştır (Mei ve ark., 2004; Wei ve Qi, 2012).

Karar ağacı modelleri ve regresyon ağacı (CART), kısıtlamalara göre toprak verilerini modelleyen bir yapıya sahiptir. Bu teknik, toprak tipi, toprak horizonlarının kalınlığı (LieB ve ark., 2012) ve toprakta organik karbon (Bou ve ark., 2010) haritalama çalışmalarında yaygın olarak benimsenmiştir. Bulanık mantık yaklaşımının, toprak haritalarındaki verileri bütünsel bir yaklaşımla daha iyi değerlendirdiği bildirilmiştir (Qi ve Zhu, 2011).

Rasgele orman algoritması (Random Forest Algorithm), toplu olarak çalışan çok sayıda bireysel karar ağacından oluşmaktadır. Rastgele ormandaki her bir karar ağacı bir veri seti sınıfına farklı model uygular ve tahmin doğruluğunu belirten bir değer verir. Bu tahmin doğruluğu değeri, bir puanlama sistemi gibi düşünüldüğünde, en çok oy alan sınıf modelin tahmini olur. Rasgele orman, Sınıflama ve Regresyon Ağacı (CART; Classification and Regression Tree) ile aynı model oluşturma sürecine sahiptir ve benzer şekilde modellemeye ait avantajları

paylaşmaktadır. Yani, CART, farklı veri türleri için esnek ve eksik verilere toleranslıdır. Bu nedenle, rasgele orman tekniği CART ile karşılaştırıldığında, toprak türü ve organik karbon stoklarının haritalanmasında daha az hata ile modelleme sağlayabeceği bildirilmektedir (Barthold ve ark., 2013). Bununla birlikte, birçok araştırmacı, rasgele orman performansının diğer makine öğrenme teknikleriyle karşılaştırıldığında yeterince güçlü olmadığını savunmaktadır (Brungard ve ark., 2015; Lorenzetti ve ark., 2015; Were ve ark., 2015). Ancak, rastgele orman ve kriging gibi bazı bütünleşik yaklaşımlar, güvenilir bir tahmin oluşturmak amacıyla önerilmiştir (Guo ve ark., 2015).

Yapay sinir ağları (YSA), insan öğrenmesini simüle etmeyi amaçlayan algoritmalardır. İlk olarak bilgisayar bilimi alanında daha sonra birçok araştırma dalında yaygın olarak kullanılmıştır. Literatürde oldukça fazla sayıda gelişmiş algoritma bulunabilir. Çok katmanlı algılayıcı (MLP), yapay sinir ağına ait en popüler algoritma olabilir (Schmidhuber, 2015). Bu sığ öğrenme algoritmalarında, bağımlı değişkenlerin bilgisi basitçe hafızaya alınır. Genellikle, bu ağlar giriş, saklı ve çıkış olmak üzere üç katmandan oluşur ve bunların her biri paralel çalışan nöronlarla bağlanır. Bu algoritmalar, son 20 yılda toprak özellikleri ve sınıflarının haritalamasında yaygın olarak kullanılmaktadır (McBratney ve ark., 2000; Lamorski ve ark., 2008; Brungard ve ark., 2015).

Son yıllarda, yapay sinir ağlarında yapılan önemli bir iyileştirme de girdilerden daha üst düzeyde çıkarımlar yapabilen derin öğrenmedir

(Deep Learning). Hinton ve ark. (2006), derin öğrenmede öncü çalışmayı yapmış ve kapsamlı bir incelemeyi Schmidhuber (2015) yürütmüştür. Derin öğrenmende, öğrenme aşamaları denetlenmektedir ve son zamanlarda toprak haritalama çalışmalarında bu yeni teknik giderek benimsenmiştir. Derin öğrenmenin dahil edilmesiyle, toprak nem içeriğinin mekânsal ve zamansal dağılımını simüle etmek için makroskopik hücresel otomatlar tekniği geliştirilmiştir (Song ve ark., 2016b). Derin öğrenme, yüksek boyutlu spektrum verilerini zorlanmadan analiz edip yapılandırarak, çeşitli toprak özelliklerini tahmin edebilir (Veres ve ark., 2015). Dezavantajlarından biri, komşu nöronların sadece tek bir görevle başa çıkabilmesidir. Bu yönüyle optimizasyona ihtiyaç duymaktadır. Çevresel değişkenlere toprak veri kümesi ilave edildiğinde oluşan büyük veri kullanılarak yapılan modelleme sonucu oluşturulabilecek toprak haritaları üzerinde kapsamlı bir araştırma yapılması gerekmektedir.

Üç boyutlu (3B) sayısal toprak haritalamasındaki ilk çalışmaları genellikle yüzey toprağı özelliklerinin iki boyutlu (2B) haritalandırmasından yola çıkılarak yapılmıştır (Şekil 2). Ancak, toprak özelliklerinin tümünü içeren haritalar 3B olmalıdır, çünkü doğadaki toprak yapısı 3 boyutludur. Son yıllarda bazı 3B toprak haritalama çalışmaları yapılmıştır. Malone ve ark. (2009), sekiz farklı derinlik kademesinde, toprak organik karbon içeriği değişimini tahmin etmek için şerit interpolasyonu ve regresyon krigging kullanmıştır. Liu ve ark. (2013), subtropikal çalışma sahalarında toprak organik madde içeriğinin 3 boyutlu dağılımını haritalamak için radyal temel işlevli,

sinir ağlarını ve eğri fonksiyonlarını birleştiren bir yöntem geliştirmiştir (Şekil 3).

Çin’deki Yangtze Deltası’nın toprak tuzluluğu ve elektriksel iletkenliklerinin 3 boyutlu değişimini haritalamak için Li ve ark. (2016), jeostatistik modellerin kullanımını önermişlerdir. Brus ve ark. (2016), Çin'in Qilian Dağlık bölgesinde toprak organik karbonunun 3B dağılımını haritalamak için coğrafi istatistik modelleri kullanmıştır. Hengl ve ark. (2014), 1 km çözünürlükte küresel toprak haritalarını için bu tür teknikleri önermiştir. Ancak, bu teknikler genellikle derinlik artışlarında fazladan veriye ihtiyaç duymaktadırlar.

Şekil 2. Çin'in Heihe Havzası'nda Üç Boyutlu (3B) Toprak Organik Karbon

Şekil 3. Çin'in Güneyindeki Anhui Eyaletinde Toprak Organik Madde

Konsantrasyonunun Küçük Bir Tepelik Arazide Üç Boyutlu (3B) Dağılımı (Liu ve ark., 2013).