Sentınel-2 zaman serileri kullanılarak makine öğrenmesi tabanlı erken dönem rekolte tahmini: Tahmin zamanı ve doğruluk arasındaki ödünleşimin analizi

Abstract

Erken dönem rekolte tahmini, tarımsal planlama açısından kritik öneme sahiptir; ancak sınırlı gözlemler ve ürün gelişiminin zaman içinde değişmesi nedeniyle belirsizlik içermektedir. Bu tez, uydu tabanlı bir rekolte tahmin çerçevesi kapsamında, tahmin zamanlaması ile tahmin doğruluğu arasındaki ödünleşimi incelemekte ve büyüme sezonunun erken safhalarında yapılan tahminlerde belirsizliğin nasıl değiştiğine odaklanmaktadır. Çok yıllı Sentinel-2 uydu görüntüleri, Copernicus Climate Data Store'dan elde edilen meteorolojik verilerle birleştirilerek bitki örtüsü indisleri ve çevresel değişkenlerden oluşan haftalık zaman serileri oluşturulmuştur. Bulut kaynaklı bozulmalar, bulut maskeleme ve zamansal yeniden yapılandırma (rekonstrüksiyon) prosedürü ile giderilmiş; yeniden yapılandırılan piksel oranı, veri güvenilirliğini değerlendirmek amacıyla nicel olarak analiz edilmiştir. Rekolte tahmin modelleri, Mart'tan Ekim'e kadar uzanan farklı tahmin ayları için geliştirilmiştir. Rastgele Ormanlar, Gradyan Artırma ve Yapay Sinir Ağları dâhil olmak üzere çeşitli modelleme yaklaşımları değerlendirilmiş; sağlamlığı, yorumlanabilirliği ve farklı tahmin ufukları boyunca istikrarlı performansı nedeniyle nihai model olarak Doğrusal Regresyon tercih edilmiştir. Model performansı, R², RMSE, MAE ve bağıl hata metrikleri kullanılarak değerlendirilmiştir. Elde edilen bulgular, tahmin doğruluğunun tahmin zamanlamasına güçlü biçimde bağlı olduğunu göstermektedir. Erken dönem tahminleri yüksek belirsizlik sergilerken, sezon ilerledikçe tahmin performansı belirgin şekilde artmaktadır. Temmuz ve Ağustos ayları zamanlılık ile güvenilirlik arasında pratik bir denge sunarken, Eylül ve Ekim ayları yüksek güven düzeyine sahip rekolte tahminleri sağlamaktadır. Tüm tahminler, ilgili üretim yılına ait sezon sonu (Aralık) nihai rekoltesini hedeflemektedir.

Early-season crop yield prediction is essential for agricultural planning but remains uncertain due to incomplete observations and evolving crop conditions. This thesis examines the trade-off between forecast timing and yield prediction accuracy within a satellite-based yield forecasting framework, focusing on how uncertainty changes when predictions are issued earlier in the growing season. Multi-year Sentinel-2 imagery was integrated with meteorological data from the Copernicus Climate Data Store to construct weekly time series of vegetation indices and environmental variables. Cloud contamination was addressed through a cloud masking and temporal reconstruction procedure, and the proportion of reconstructed pixels was quantified to assess data reliability. Yield prediction models were developed for forecast months ranging from March to October. Multiple modeling approaches, including Random Forests, Gradient Boosting, and Neural Networks, were evaluated, with Linear Regression selected as the final model due to its robustness, interpretability, and stable performance across prediction horizons. Model performance was assessed using R², RMSE, MAE, and relative error metrics. Results indicate a strong dependence of prediction accuracy on forecast timing. Early-season predictions exhibit high uncertainty, while performance improves substantially later in the season. July and August provide a practical balance between timeliness and reliability, whereas September and October yield high-confidence estimates. All forecasts target the final end-of-season (December) yield of the corresponding production year.