İnsansız Hava Araçlarından Elde Edilen Çok Bantlı Görüntüler Yardımı ile Ayçiçeği Bitkilerinde Ürün Rekolte Tahmini

Abstract

Ayçiçeği verimi, hava, yükseklik, tohum çeşidi, bitki yoğunluğu, mevcut su, besin maddeleri ve ekim tarihine bağlı olarak mekânsal ve zamansal olarak değişir. Bunlar ürün verimini etkileyen ana faktörlerdir. İnsansız hava araçları (İHA) sayesinde zamansal çözünürlük kullanıcının isteğine, mekânsal çözünürlük ise kullanılan algılayıcının yeteneğine ve uçuş yüksekliğine göre ayarlanabilmektedir. Bu çalışmada, lineer regresyon modeli kullanılarak verim tahmini yapabilmek için çok bantlı kamera görüntüleri kullanılarak üretilen vejetasyon indeksleri kullanılmıştır. Yeşil, kırmızı, kırmızı kenar, yakın kızılötesi bantlar kullanılarak NDVI (Normalize edilmiş fark vejetasyon indeksi), MCARI (Ayarlanmış Klorofil Absorpsiyon Yansıma İndeksi), SAVI (Toprak Uyarlanmış Bitki Örtüsü İndeksi), CIRE (Klorofil İndeks Kırmızı Kenar), LCI (Yaprak Klorofil İndeksi) ve GNDVI (Yeşil Normalleştirilmiş Fark Bitki Örtüsü İndeksi) indeksleri oluşturulmuştur ve indekslerden elde edilen değerler çalışma sahasında yapılan beş farklı tarihli İHA uçuşu ile elde edilmiştir. Bant değerleri doğruluğu spektroradyometre ile yapılan yer ölçümleri ile kıyaslanarak korelasyon analizi yapılmıştır. İHA ve Spektroradyometre bant değerleri arasında yüksek ve orta pozitif yönlü ilişki görülmektedir. Bitki indekslerinden NDVI'ya ait olan R-5 evresi NDVI4 indeks değeri kullanılarak oluşturulan regresyon modelinde, 1. test alanında 336.72 kg, 2. test alanında 381.77 kg ve 3. test alanında 400.62 kg verim değerli elde edilmiştir.

Sunflower yield varies spatially and temporally depending on factors such as weather, altitude, seed variety, plant density, available water, nutrients, and sowing date. These are the primary factors influencing crop yield. With the use of unmanned aerial vehicles (UAVs), temporal resolution can be adjusted according to the user's needs, while spatial resolution depends on the capabilities of the sensor and flight altitude. In this study, vegetation indices derived from multispectral camera imagery were used for yield estimation through a linear regression model. Vegetation indices such as NDVI (Normalized Difference Vegetation Index), MCARI (Modified Chlorophyll Absorption in Reflectance Index), SAVI (Soil-Adjusted Vegetation Index), CIRE (Chlorophyll Index Red Edge), LCI (Leaf Chlorophyll Index), and GNDVI (Green Normalized Difference Vegetation Index) were calculated using green, red, red-edge, and near-infrared (NIR) bands. The values of these indices were obtained from UAV flights conducted on five different dates in the study area. The accuracy of the band values was validated through ground measurements using a spectroradiometer, and a correlation analysis was performed. A high to moderate positive correlation was observed between the UAV and spectroradiometer band values. In the regression model developed using the NDVI4 index value for the R-5 growth stage of the plant, yield estimates were obtained as 336.72 kg for Test Area 1, 381.77 kg for Test Area 2, and 400.62 kg for Test Area 3