Tarımsal Alanlarda Pestisit Taşınımlarının Yapay Zekâ Tabanlı Bir Yaklaşım Geliştirilerek Araştırılması

Abstract

Pestisitlerin tarımsal üretimde artan kullanımı, bu bileşiklerin çevresel ortamlardaki taşınım, dönüşüm ve birikim süreçleri ile insan sağlığına yönelik potansiyel risklerini önemli bir araştırma alanı hâline getirmiştir. Mevcut çalışmalar çoğunlukla pestisitlerin belirli bir çevresel matristeki davranışına odaklanmaktadır. Ancak bu bileşiklerin çevresel akıbetinin daha doğru değerlendirilebilmesi için farklı matrisler arasındaki taşınım süreçlerinin birlikte ele alınması gereklidir. Çok sayıda çevresel değişken ile pestisit davranışı arasındaki doğrusal olmayan ve karmaşık ilişkiler, geleneksel istatistiksel yöntemlerle güçlükle çözümlenebilmektedir. Bu noktada makine öğrenmesi ve derin öğrenme yöntemleri, çok boyutlu çevresel veri setlerinden örüntüleri öğrenerek pestisit taşınımının modellenmesinde ve hızlı ön tarama araçlarının geliştirilmesinde güçlü bir alternatif sunmaktadır. Bu tezde, Elazığ ilindeki bir üzüm bağında yaygın kullanılan sekiz pestisitin izlenmesi, yapay zekâ tabanlı modellenmesi ve sağlık risklerinin değerlendirilmesi amaçlanmıştır. Çalışmada, pestisitlerin farklı çevresel matrislerdeki taşınım ve dağılım süreçlerinin makine öğrenmesi yaklaşımlarıyla modellenebileceği öngörülmüştür. Ayrıca saha koşullarında elde edilen RGB görüntülerin, derin öğrenme tabanlı hızlı ön tarama amacıyla kullanılabilirliği değerlendirilmiştir.24 lokasyondan 28 örnekleme tarihinde üzüm, toprak ve hava, su örnekleri eş zamanlı toplanmıştır. Toplam 1484 analitik gözlem LC-MS/MS ile belirlenmiş, disipasyon kinetiği birinci derece model çerçevesinde analiz edilmiştir. Üzüm matrisinde yarı ömürler 5,24-31,40 gün, toprakta 9,6-43,2 gün aralığında hesaplanmıştır. Hava matrisinde mesafeye bağlı üstel azalma modeli güçlü uyum göstermiş, yeraltı suyunda hiçbir hedef pestisit tespit edilmemiştir. Adaptif öznitelik seçimli XGBoost modeli bağımsız test setinde R2=0,937 ile en yüksek tahmin doğruluğunu elde etmiştir. Kimyasal analiz gerektirmeksizin sahada hızlı ön tarama imkânı araştırılmak üzere ConvNeXt-Tiny mimarisiyle görüntü tabanlı regresyon uygulanmış ve R2=0,782 doğruluk elde edilmiştir. Geliştirilen taşınım ve görüntü tabanlı modeller, sırasıyla entegre sağlık risk değerlendirmesi içeren bir karar destek sistemi ve bir görüntü tabanlı ön tarama uygulaması olarak operasyonel araçlara dönüştürülmüştür. Sağlık risk değerlendirmesinde kümülatif tehlike indeksi, acetamiprid dâhil edilen senaryoda yetişkinlerde 43,04, çocuklarda 75,32 olarak hesaplanmıştır. Acetamipridin değerlendirme dışında bırakıldığı senaryoda da eşik değerin aşıldığı belirlenmiştir. Elde edilen sonuçlar, sahaya özgü kinetik verilerin ve çok matrisli izleme yaklaşımlarının çevresel risk yönetimine önemli katkılar sağlayabileceğini ortaya koymuştur.The increasing use of pesticides in agricultural production has made the transport, transformation, and accumulation processes of these compounds in environmental matrices, as well as their potential risks to human health, an important research area. Current studies mostly focus on pesticide behavior within a specific environmental matrix. However, to more accurately assess the environmental fate of these compounds, it is necessary to consider the transport processes between different matrices together. The nonlinear and complex relationships between numerous environmental variables and pesticide behavior are difficult to resolve with traditional statistical methods. At this point, machine learning and deep learning methods offer a powerful alternative in modeling pesticide transport and developing rapid pre-screening tools by learning patterns from multidimensional environmental datasets. This thesis aimed to monitor eight commonly used pesticides in a vineyard in Elazığ Province, model their behavior using artificial intelligence-based approaches, and evaluate their health risks. The study was based on the premise that the transport and distribution processes of pesticides in different environmental matrices can be modeled using machine learning approaches. In addition, the usability of RGB images obtained under field conditions for deep learning-based rapid preliminary screening was evaluated. Grape, soil, air, and water samples were collected simultaneously from 24 locations on 28 sampling dates. A total of 1,484 analytical observations were obtained using LC-MS/MS, and dissipation kinetics were analyzed within the framework of a first-order model. Half-lives were calculated as 5.24-31.40 days in the grape matrix and 9.6-43.2 days in soil. The distance-dependent exponential decay model showed a strong fit in the air matrix, while no target pesticides were detected in groundwater. The adaptive feature-selection XGBoost model achieved the highest prediction accuracy in the independent test set, with an R2 value of 0.937. To investigate the possibility of rapid field screening without the need for chemical analysis, image-based regression was performed using the ConvNeXt-Tiny architecture, and an R2 value of 0.782 was obtained. The developed transport and image-based models were operationalized into a decision support system with integrated dietary health risk assessment and an image-based rapid pre-screening application, respectively. In the health risk assessment, the cumulative hazard index was calculated as 43.04 for adults and 75.32 for children in the scenario including acetamiprid. The threshold value was also exceeded in the scenario where acetamiprid was excluded from the assessment. The results demonstrate that site-specific kinetic data and multi-matrix monitoring approaches can make significant contributions to environmental risk management.