Akademik Veri Yönetim Sistemi
19 th INTERNATIONAL CONFERENCE ON ENGINEERING & NATURAL SCIENCES, 14 - 18 Şubat 2026, ss.94-95, (Özet Bildiri)
Artan gıda talebi karşısında, işlenmeyen tarım arazilerinin belirlenmesinin, üretim kapasitesinin sürdürülebilir biçimde artırılmasına, kullanılmayan alanların tarımsal üretime kazandırılmasına ve bu yolla ülke ekonomisi ile millî gelirin güçlendirilmesine katkı sağladığı, ayrıca izleme, planlama ve uygulama kapasitesinin geliştirilmesi açısından kritik önem taşıdığı değerlendirilmektedir. Bu problemden yola çıkarak çalışmada, Karaman ili örneğinde iki yıl üst üste işlenmeyen tarım parsellerinin Sentinel-2 uydu verisi ve yapay zekâ tabanlı yöntemlerle belirlenmesi amaçlanmıştır. Materyal olarak, 2023 ve 2024 yıllarına ait Sentinel-2 Level-2A görüntülerinden, literatürde fenoloji temelli ürün sınıflandırması için önerilen Temmuz ayı “tepe vejetasyon” ve Ekim ayı “hasat sonrası” dönemlerini temsil eden kompozitler kullanılmıştır. Her dönem için yedi bant ile dönemler arası Normalize Edilmiş Fark Bitki Örtüsü İndeksi (Normalized Difference Vegetation Index-NDVI) fark bantları birleştirilerek iki dönemli (15 kanallı) ve dört dönemli (30 kanallı) veri kümesi oluşturulmuştur. Piksel düzeyinde “boş arazi” sınıflandırması için U-Net, U-Net++, Attention U-Net, SegNet, DeepLabV3+ şeklinde beş derin öğrenme mimarisi ile Rastgele Orman (Random Forest-RF) ve Destek Vektör Makineleri (Support Vector Machines-SVM) olarak iki makine öğrenmesi algoritması yama temelli olarak eğitilmiştir. Daha sonra modeller bağımsız bir test sahasında değerlendirilmiş, ardından en iyi eşik değerleri ile tüm çalışma alanına uygulanarak tahminler kadastro parsellerine aktarılmıştır. İlk bulgulara göre, ikili sınıflandırma dört dönemli U-Net mimarisinde doğrulama kümesinde eşik süpürmesiyle belirlenen en iyi eşikte F1=0.945 ve IoU=0.896 elde edilirken; bağımsız test kümesinde test üzerinde hesaplanan en iyi eşikte F1=0.726 ve IoU=0.570 değerlerine ulaşılmıştır. Yine ikili sınıflandırma ancak iki dönemli UNet mimarisinde ise doğrulama kümesinde en iyi eşikte F1=0.950 ve IoU=0.905 sağlanmış, bağımsız test kümesinde test üzerinde hesaplanan en iyi eşikte F1=0.757 ve IoU=0.609 düzeyine çıktığı gözlemlenmiştir. Dengesiz sınıf dağılımı ve karmaşık fenolojik desenler altında makine öğrenmesi tabanlı RF ve SVM modellerinden SVM’nin, genel olarak derin öğrenme mimarileri kadar iyi performans sergilediği izlenmiştir. Bununla birlikte, çalışma alanının sulama sahası olması nedeniyle “işlenmeyen tarım parseli” sınıfına ait örneklerin sayıca az ve mekânsal olarak belirli alanlarda kümelenmiş olması, sınıf dengesizliğini artırarak genellenebilirliği ve performans kestirimini sınırlandıran temel bir kısıt olarak değerlendirilmiştir. Çalışma alanı geneline uygulanan derin öğrenme modelleri ile, tüm piksellerin yaklaşık %8’ine karşılık gelen bir kesimin “üst üste iki yıl işlenmeyen arazi” adayı olarak belirlenebildiği ve bu bilginin parsel ölçeğinde raporlanabildiği ortaya konulmuştur.
Anahtar Kelimeler: Sentinel-2, derin öğrenme, makine öğrenmesi, işlenmeyen tarım arazileri
In the face of increasing food demand, identifying uncultivated agricultural lands is considered critical for sustainably increasing production capacity, bringing unused areas back into agricultural production, and thus strengthening the national economy and income. Furthermore, it is crucial for improving monitoring, planning, and implementation capacity. Based on this problem, this study aims to identify agricultural plots in Karaman province that have remained uncultivated for two consecutive years using Sentinel-2 satellite data and artificial intelligencebased methods. As material, composites representing the July "peak vegetation" and October "post-harvest" periods, suggested in the literature for phenology-based crop classification, were used from Sentinel-2 Level-2A images for the years 2023 and 2024. Seven bands for each period were combined with the Normalized Difference Vegetation Index (NDVI) difference bands between periods to create two-period (15-channel) and four-period (30-channel) datasets. For pixel-level "empty land" classification, five deep learning architectures—U-Net, U-Net++, Attention U-Net, SegNet, and DeepLabV3+—and two machine learning algorithms, Random Forest (RF) and Support Vector Machines (SVM), were trained using patch-based methods. The models were then evaluated in an independent test site, and subsequently applied to the entire study area using the best threshold values, with the predictions transferred to cadastral parcels. Initial findings indicate that in the four-period U-Net architecture, binary classification yielded F1=0.945 and IoU=0.896 at the best threshold determined by threshold sweeping in the validation set; while in the independent test set, F1=0.726 and IoU=0.570 were obtained at the best threshold calculated on the test. Again, binary classification was achieved in the two-period U-Net architecture, with optimal thresholds of F1=0.950 and IoU=0.905 in the validation set, while in the independent test set, the optimal threshold calculated on the test was observed to reach F1=0.757 and IoU=0.609. Under unbalanced class distribution and complex phenological patterns, it was observed that the SVM model, among machine learning-based RF and SVM models, generally performed as well as deep learning architectures. However, due to the study area being an irrigated zone, the fact that the number of samples belonging to the "uncultivated agricultural plot" class was small and clustered in specific spatial areas was considered a major constraint that increased class imbalance and limited generalizability and performance estimation. It was shown that with deep learning models applied to the entire study area, a section corresponding to approximately 8% of all pixels could be identified as a candidate for "land uncultivated for two consecutive years," and this information could be reported at the plot scale.
Keywords: Sentinel-2, deep learning, machine learning, uncultivated agricultural land