KURAKLIK, GIDA VE SU GÜVENLİĞİ İÇİN UYDU VERİLERİNİ KULLANAN AKILLI TARIM VERİ ANALİZİ YAKLAŞIMI

Abstract

Bu tez çalışması, kuraklık, gıda güvenliği ve su güvenliği gibi küresel ölçekte kritik öneme sahip sorunlara çözüm sunmak amacıyla, uydu görüntüleri ve meteorolojik verilerin birlikte analiz edildiği bir akıllı tarım veri analizi yaklaşımı geliştirmeyi hedeflemektedir. İklim değişikliğinin tarımsal üretim üzerindeki etkilerinin giderek arttığı günümüzde, bu risklere karşı erken uyarı sistemlerinin ve karar destek yapılarının önemi artmaktadır. Bu kapsamda geliştirilen sistem, Sentinel-2 uydu verileri ile toprak nemi ve bitki sağlığına ilişkin spektral indekslerin hesaplanmasını ve RandomForestRegressor gibi makine öğrenmesi algoritmalarıyla mekânsal tahminlerin gerçekleştirilmesini sağlamaktadır. Tezde, çift akışlı bir analiz mimarisi önerilmiştir. Birinci akış, uydu görüntülerine dayalı olarak tarımsal uygunluk ve çevresel stres koşullarının belirlenmesini sağlamaktadır. İkinci akış ise, OpenEO platformu üzerinden elde edilen meteorolojik verilerin işlenmesiyle kullanıcıya özgü tahmin ve öneriler sunmaktadır. Geliştirilen sistem, kullanıcı tarafından belirlenen koordinatlar üzerinden çalışabilen, gerçek zamanlı ve bölgeye özgü karar destek çıktıları sunan esnek bir yapıya sahiptir. Ayrıca, çalışmada geliştirilen üç ayrı derin öğrenme modeli aracılığıyla kuraklık riski (DroughtNet- X), su güvenliği (WS-RiskNet) ve gıda güvenliği (FoodNet-C) analizleri gerçekleştirilmiştir. Bu modellerin eğitim süreçleri Python dili kullanılarak Google Colab ortamında yürütülmüş, doğruluk oranları literatürdeki yöntemlerle karşılaştırılarak değerlendirilmiştir. Elde edilen bulgular, uydu ve meteorolojik verilerin birlikte kullanımının, tarımsal karar alma süreçlerinde etkinliğini artırdığını, çevresel değişkenliklere karşı daha dirençli sistemlerin kurulmasına katkı sağladığını ortaya koymaktadır. Bu bağlamda, çalışma hem akademik araştırmalar hem de saha uygulamaları için pratik ve uygulanabilir bir model sunmaktadır.

This thesis proposes a smart agriculture data analysis approach that integrates satellite imagery and meteorological data to address pressing global challenges such as drought, food security, and water security. In the context of escalating climate change and its growing impact on agricultural productivity, the development of early warning and decision support systems has become crucial. The proposed system employs Sentinel-2 satellite data to calculate spectral indices related to soil moisture and vegetation health, and applies machine learning algorithms such as RandomForestRegressor to generate spatial predictions. The study introduces a dual-stream architecture. The first stream focuses on analyzing satellite data to assess agricultural suitability and environmental stress, while the second stream processes meteorological data retrieved from the OpenEO platform to provide user-specific insights and recommendations. One of the system's core features is its ability to perform real-time, location-based analyses defined by user-input coordinates, enabling adaptive and flexible decision-making. Additionally, three deep learning models were developed to assess drought risk (DroughtNet-X), water security (WS-RiskNet), and food security (FoodNet-C). These models were trained and evaluated using Python in a Google Colab environment, and their performance was benchmarked against conventional methods in the literature. The findings demonstrate that the combined use of satellite and meteorological data significantly enhances the effectiveness of agricultural decision-making processes and contributes to the resilience of food systems under environmental stress. This study offers a comprehensive and practical framework that is both scientifically rigorous and applicable to real-world agricultural management scenarios.