Zeytin Ağaçlarının Otomatik Tespiti, Dijital Kimliklendirilmesi ve Akıllı Takibi

Şahin, K., Akgül, T., Girgin, M. (2026). Zeytin Ağaçlarının Otomatik Tespiti, Dijital Kimliklendirilmesi ve Akıllı Takibi. EMO Bilimsel Dergi, 16(2), 7-15.

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 19 Kasım 2025

Makale Kabul Tarihi: 10 Mart 2026

Zeytin Ag˘açlarının Otomatik Tespiti, Dijital Kimliklendirilmesi ve Akıllı Takibi

Automatic Detection, Digital Identification, and Intelligent Monitoring of Olive Trees

Kübra Şahin1, Tayfun Akgül1,2, Melike Girgin2 K000ü9b-00r0a6-3S¸08a4h-5i9n971, Ta0y0f0u0-n000A2-5k1g64ü-5l713,62, Mel0i0k0e9-0G00i6r-0g65i9n-32515

1ArtGe Teknoloji, I˙TÜ ARI Teknokent, I˙stanbul, Türkiye 2Elektronik ve Haberles¸me Mühendislig˘i, I˙stanbul Teknik Üniversitesi, ˙Istanbul, Türkiye [email protected], [email protected], [email protected]

Özet

Zeytin ag˘açlarının dron ve uydulardan otomatik tespiti, her ag˘acın dijital kimliklendirilmesi ve ürün takibinin kolaylas¸tırılması çalıs¸ması I˙zmir ili, Belevi ilçesindeki iki zeytin arazisinde pilot uygulama ile hayata geçirilmis¸tir. Arazilerde, dron ile video ve fotog˘raf çekimleri yapılmıs¸; termal–optik görüntüler ve mobil cihazlardan GPS kayıtları alınmıs¸tır. Bu verilerle YOLOv8 tabanlı bir zeytin ag˘acı tespit modeli eg˘itilmis¸, drondan elde edilen görüntülere uygulanmıs¸tır. Dron görsellerinden her bir ag˘acın konumunun tespiti için geometrik yöntem gelis¸tirilmis¸, elde edilen konum kestirimleriyle uydu verileri kars¸ılas¸tırılmıs¸tır. Binden fazla zeytin ag˘acı için QR kodlar hazırlanmıs¸, her bir ag˘aca çakılmıs¸, CBS ve web arayüzüyle ilis¸kilendirilmis¸tir. Bu pilot çalıs¸manın genis¸letilmesiyle ülke bazında tüm meyve ag˘açlarına dijital kimlik kazandırabilecek bir ag˘ın olus¸turulması, böylelikle üretimden tüketime gürbüz takip zincirinin kurulması mümkün kılınabilecektir.

Anahtar kelimeler: Ag˘aç Tespiti, Akıllı Tarım, Cog˘rafi Konum Belirleme, Dron, Erken Tespit, Uydu, YOLO, Zeytin Ag˘acı.

Abstract

This study presents the automated detection of olive trees from drone and satellite images, the estimation of their true locations, and the digital identification of individual trees using QR codes. The pilot implementation was carried out in two olive fields with more than one thousand trees in the Belevi district of I˙zmir. Drone-based video and photo recordings were collected in these fields, along with thermal–optical images and GPS data from mobile devices. Using collected dataset, a YOLOv8-based olive tree detection model was trained and applied to the drone images. A geometric method was developed to determine the position of each tree from both drone and satellite images. QR codes which were generated and attached to each olive tree, were linked to a GIS and a web interface. This pilot study may enable to create: i-) a nationwide network capable of assigning digital identities to all fruit trees, ii-) a robust traceability chain from production to consumption.

Keywords: Tree Detection, Smart Agriculture, Geolocation, Drone, Early Detection, Satellite, YOLO, Olive Tree.

1. Giris¸

Tarımsal üretimde verimlilig˘in ve ürün kalitesinin artırılması amacıyla son yıllarda akıllı tarım uygulamaları yaygınlas¸mıs¸tır [1, 2]. Meyve ag˘açlarının gelis¸im süreçlerinin izlenmesi, hastalıkların erken tespiti ve verim tahmini gibi uygulamalar, uydu ve insansız hava araçları (˙IHA, dron) ile çekilen yüksek çözünürlüklü görüntüler ve yapay zekâ tabanlı analiz yöntemleri tarımda yaygın kullanım evresine ulas¸mıs¸tır [3, 4].

Ülkemizde Tarım ve Orman Bakanlıg˘ı tarım ve ormancılıkla ilgili yeni teknolojileri izleme ve gelis¸tirmede yetkili kurumdur. Yakın zamanda bakanlık tarafından yayımlanan (küçük çapta destek de verdig˘imiz) “IV. Tarım Orman S¸ ûrası Sonuç Bildirgesi”de (67–71. maddeler) öncelikli hedefler arasında tarımda dijitalles¸me, ürün bazlı tarımsal takip, I˙HA ve dron kullanımını yaygınlas¸tırma gibi konular listelenmis¸tir [5].

Akıllı görüntü is¸leme yöntem ve yordamlarıyla artık herbir ag˘acın tek tek algılanması, taç (crown) geometrisinin çıkarımı ve iki boyutlu (2B) görüntülerden üç boyutlu (3B) modellerinin üretilmesi mümkündür [6–8]. Multi-spektral kameralar ve 3B ag˘aç modelleri ile taç yükseklig˘i, odun hacmi ve biyokütle gibi önemli parametrelerin tahmini yapılabilmektedir [8]. Sonuçta uydu verileri ve makine ög˘renmesi yöntemleriyle verim tahmini yapılabilirken [9], ag˘aç ve meyve düzeyinde detaya inilmeye tes¸ebbüs edildig˘inde bu görüntülerindeki kısıtlar nedeniyle dronlardan yararlanılmaktadır. Bunlarla toplanan optik, hiperspektral kamera vasıtasıyla ag˘açların tespiti, sınıflandırılması ve GPS verileriyle de harita üzerinde konumlandırılması yaygınlas¸tırılmaktadır [10].

Nesnelerin konumlarını ve 3B modellerini çıkaran fotogrametrik yöntemlerle beraber bitki sag˘lıg˘ına ait sayısal ölçütlerin (vejetasyon indislerinin) de kullanılmasıyla verim tahmininde gürbüz sonuçlar elde edilebilmektedir [11, 12]. Örneg˘in, taç geometrisine dayalı verim tahmin yöntemleri, sahada fiilen

7 / 110

S¸ekil 1. Akıs¸ Diyagramı: (a) Zeytin ag˘açlarına ait veriler dron ve mobil cihazlarla toplanır. (b) Toplanan veriler etiketlenir ve veritabanına aktarılır. (c) Zeytin ag˘acı tespiti için YOLOV8 tabanlı model eg˘itilir. (d) Tespit edilen ag˘açların konumları hesaplanır. (e) Her bir ag˘aç için özel olus¸turulan QR kodlar ag˘açlara yerles¸tirilir. (f) QR kodun taranmasıyla web arayüzü üzerinden ag˘aç hakkında bilgilere eris¸im sag˘lanır.

yapılan ölçüm verileriyle kars¸ılas¸tırıldıg˘ında yakın deg˘erlere ulas¸ılabilmektedir [13, 14]. Dron görüntüleri ve akıllı tarım uygulamaları, meyve ag˘açlarında ürün ve ag˘aç zayiatına yol açabilecek hastalık (ör. Xylella fastidiosa) veya yangın gibi afet tespitinde de kullanılmaktadır [15, 16].

Uydu ve dronlardan farklı zamanlarda toplanan görüntüler ile bunlara ait GPS verileri Cog˘rafi Bilgi Sistemine (CBS/GIS – Geographic Information Systems) aktarılmaktadır. Akıllı tarım uygulamalarıyla da elde edilen meyve ag˘açlarına ait çes¸itli (gübreleme, toprak ve yaprak analizleri, hastalık, verim, vs.) bilgilerin CBS’e girilmesiyle genis¸ ölçekli alanların izlenmesi yanında tek bir ag˘acın öznitelikleri de takip edilebilmektedir. Ezcümle, CBS sistemleri ile akıllı tarım uygulamalarının birlikte kullanımı hem ag˘aç zayiatlarının belirlenmesi hem de yeniden dikim ve/veya rehabilitasyon çalıs¸malarının planlanması açısından önem tas¸ımaktadır [8, 9, 15].

Çalıs¸mamızda, meyve ag˘açlarının gelis¸im süreçlerini izlemek ve tarımsal üretimde kalite ile verimlilig˘i artırmak amacıyla iki yakın (kus¸ uçumu 2 km uzaklıkta) zeytin arazisinde:

i) Dron vasıtasıyla ag˘açlara ait görseller ve GPS verileri toplanmıs¸;

ii) Her ag˘aca ait optik ve termal kamera görselleri ve

S¸ekil 2. Saha çalıs¸malarını gerçekles¸tirdig˘imiz ˙Izmir’in Belevi bölgesindeki araziler. (Uydu görüntüsü Google Earth Pro’dan alınmıs¸tır [17].)

mobil cihazlarla GPS bilgileri saha çalıs¸malarıyla kaydedilmis¸; iii) Elde edilen veriler GPS sistemine aktarılmıs¸; iv) Bir web sitesi gelis¸tirilerek paylas¸ılmıs¸; v) Ag˘açların otomatik tespiti için özel YOLO modeli ve cog˘rafi konumlandırılmasına yönelik algoritma gelis¸tirilmis¸; vi) Her bir ag˘acın dijital kimliklendirilmesi yapılarak üretilen QR kodlar ag˘açlara çakılmıs¸; vii) Arazide QR kod okutularak web arayüzü ile ag˘aç bilgilerine eris¸im sag˘lanmıs¸tır. Tüm sistemin akıs¸ diyagramı S¸ ekil 1’de gösterilmektedir.

8 / 110

Zeytin Ağaçlarının Otomatik Tespiti, Dijital Kimliklendirilmesi ve Akıllı Takibi Automatic Detection, Digital Identification, and Intelligent Monitoring of Olive Trees

I˙zmir’in Selçuk ilçesine bag˘lı Belevi köyündeki iki zeytin arazisi S¸ ekil 2’deki haritada is¸aretlenmis¸tir. Bu iki arazi Google Earth ve ArcGIS uydu görüntüleri üzerinden incelendig˘inde nispeten düs¸ük çözünürlüklü görüntüler elde edilmis¸tir. Dolayısıyla bu veriler ag˘açların otomatik tespiti ve cog˘rafi konumlandırılması için yetersiz kalmıs¸ daha yüksek çözünürlüklü veriye ihtiyaç duyulması nedeniyle dron uçus¸ları yapılmıs¸tır.

Bölüm 2’de akıllı tarım sistemimize ilis¸kin yönteme, Bölüm 3’te aras¸tırma sonucunda elde edilen bilgilere 4. Bölüm’de ise gelecek çalıs¸malara deg˘inilmis¸tir.

2. Yöntem

Bu bölümde i) dron, termal-optik kamera ve mobil GPS verilerinin toplanması ve depolanması; ii) zeytin ag˘açlarının tespiti ile dig˘er tür ag˘aç ve bitkilerden ayrıs¸tırılması; iii) tespit edilen zeytin ag˘açlarının yaklas¸ık ±4 m dog˘ruluk ile konumunun hesaplanması; iv) QR kod uygulaması ile ag˘aç kimliklendirme çalıs¸maları sunulmaktadır.

2.1. Veri Toplama ve Depolama

Çalıs¸mamızda zeytin ag˘açlarına ait termal-optik görüntüler ve GPS verileri dron, mobil cihazlar, termal ve optik kameralar vasıtasıyla elde edilmis¸tir. Bu veriler Cog˘rafi Bilgi Sistemi’ne (CBS) aktarılmıs¸ ve gelis¸tirilen web sitesinde is¸lenmis¸tir. Zeytin ag˘açlarının gelis¸imini izlemek amacıyla planlanan bu veri toplama süreci zeytin meyvesinin gelis¸im evreleri (dinlenme, tomurcuklanma, meyve gelis¸imi, çekirdeg˘in sertles¸mesi, meyvenin büyümesi, olgunlas¸ma ve hasat dönemleri) gözönünde bulundurularak gerçekles¸tirilmis¸tir. Örneg˘in çiçeklenme dönemine ait bir görüntü S¸ ekil 3’te görüldüg˘ü gibidir.

tek bir çekimde optik (S¸ ekil 4(a)), termal (S¸ ekil 4(b)) ve hibrit (S¸ ekil 4(c)) görüntü üreten çift sensörlü FLIR One Pro LT iOS kamera kullanılmıs¸tır.

(c)

S¸ekil 4. FLIR One Pro cihazı ile elde edilen görüntüler. (a)

FLIR One Pro optik görüntüsü. (b) FLIR One Pro termal

görüntüsü. (c) Optik ve termalin harmanlanmıs¸ görüntü.

DJI Mavic 3 Pro model drona ait yüksek çözünürlüklü kamera vasıtasıyla arazinin hem video hem de fotog˘raf kayıtları alınmıs¸, konum hesaplamaları için kamera 90° açıya (zemini dik görecek s¸ekilde) ayarlanmıs¸tır. Arazi eg˘imi ve ag˘aç yog˘unlug˘u nedeniyle zaman zaman sorunlar yas¸anmıs¸, uçus¸lar manuel tamamlanabilmis¸tir. Bu gibi durumlarda otomatik uçus¸ yükseklig˘i de yaklas¸ık 20-30 m aralıg˘ında tutulmus¸tur. Örnek bir uçus¸ rotası S¸ ekil 5’te uydu görüntüsü üzerinde gösterilmektedir.

Toplanan videolar tek tek karelerine ayrılmıs¸ ve zeytin ag˘açları Roboflow platformu kullanılarak etiketlenmis¸tir [19]. Etiketleme as¸amasında yalnızca zeytin ag˘açları is¸aretlenmis¸, dig˘er bitkiler arka plan kategorisinde tanımlanmıs¸tır.

S¸ekil 3. Çiçeklenme evresi saha çalıs¸malarından görsel. (Bu görsel IEEE Spectrum’da projeye ilis¸kin bilgilerin yer aldıg˘ı haberde yayınlanmıs¸tır [18].)

Zeytin ag˘açlarının fotog˘rafları Insta360 X3 ve GoPro HERO12 Black kameralarıyla arazide çekilmis¸tir. Ayrıca,

S¸ekil 5. Zeytinlik üzerinde veri toplama sırasında dronun uçus¸ rotasına ait örnek görsel. Sarı çizgi uçus¸ yolunu, dron ikonları ve mavi kareler ise ilgili noktalardaki video karelerinde çekilen alanı göstermektedir. (Uçus¸ rotasını ve araziyi gösteren görsel Airdata’dan alınmıs¸ [20], dron ikonu ve mavi video kareleri sonradan eklenmis¸tir.)

Dron verileri ArcGIS sistemine entegre edilerek

9 / 110

detaylı haritalar üretilmis¸, arazi sınırları is¸aretlenmis¸ ve her ag˘acın GPS konumu is¸lenmis¸tir. S¸ ekil 6’da bu noktalar sarı renkle gösterilmis¸tir.

Tablo 1: Zeytin ag˘acı tespit modeline ilis¸kin performans sonuçları.

Kesinlik Duyarlılık mAP@50

Model 0.83

0.77

0.86

S¸ekil 6. ArcGis uydu görüntüsü üzerine is¸lenmis¸ dron verileri ve is¸aretlenmis¸ ag˘aç konumları. (Görsel ArcGIS aracılıg˘ıyla hazırlanmıs¸tır [21].)

Konum verileri Earth Maps (EM) mobil uygulaması [22] ile kaydedilmis¸; her ag˘acın enlem, boylam, yön ve rakım bilgileri saptanarak arazideki tüm ag˘açlar haritaya is¸lenmis¸tir.

2.2. Zeytin Ag˘acı Tespiti

Zeytin ag˘acı tespiti için YOLOv8 nesne tespit algoritması tercih edilmis¸tir. YOLO türündeki bir modelin seçiminin temel nedeni yakın gelecekte gerçek zamanlı çalıs¸maların gürbüz yapılabilmesi amacıyladır [23]. Yukarıda özetlenen veri toplama ve depolama sürecinde etiketlenen 3318 ag˘aç görseli model eg˘itimi için kullanılmıs¸tır. Bu eg˘itim NVIDIA RTX4050 GPU üzerinde 100 epok boyunca sürdürülmüs¸tür. Modelin performansı Kesinlik (Precision), Duyarlılık (Recall) ve mAP metrikleri ile ölçülmüs¸tür. Modelin tahmin ettig˘i nesneler içinde dog˘ru tespitlerin oranını ifade eden kesinlik P = TP/(TP + FP) s¸eklinde hesaplanmıs¸tır. TP dog˘ru pozitifleri, FP ise yanlıs¸ pozitifleri göstermektedir. Görüntüde model tarafından dog˘ru tespit edilen gerçek nesnelerin oranı, duyarlılık R = TP/(TP + FN) ile tanımlanmakta olup FN yanlıs¸ negatifleri göstermektedir. Ortalama Kesinlik (mAP) metrig˘i, modelin farklı IoU (Intersection over Union) es¸iklerinde nesne tespit bas¸arısını ölçmektedir. mAP@50, tahmin edilen kutuların en az %50 örtüs¸me sag˘ladıg˘ı durumda hesaplanan ortalama kesinlig˘i ifade etmektedir. Dron görüntüleri üzerinde model dog˘rulug˘u hesaplanarak elde edilen performans metrikleri Tablo 1’de sunulmus¸tur.

2.3. Ag˘aç Konum Hesaplama

Bu bölümde, YOLOv8 modeliyle tespit edilen zeytin ag˘açlarının cog˘rafi koordinatlarının gürbüz hesaplanması için [24]’da kullanılan geometrik yaklas¸ım ele alınmaktadır. Dron videoları, uçus¸ sırasında kaydedilen GPS verileri [20] ve kameraya ait temel parametreler hesaplamalarda kullanılmaktadır. S¸ öyle ki, her arazi için planlanan otomatik uçus¸ rotaları üzerinden video kayıtları gerçekles¸tirilir; kayıt sırasında dronun uçus¸ yükseklig˘i h, kameranın diyagonal görüs¸ açısı θ ve kuzeye göre uçus¸ yönünü belirten pusula açısı γ saklanır. Dron kamerasının diyagonal görüs¸ açısı ve uçus¸ yükseklig˘i dikkate alınarak yerdeki izdüs¸üm ve görüntü merkezine ait görsel S¸ ekil 7’de verilmektedir [25, 26]. Burada görüntü genis¸lig˘i w, görüntü yükseklig˘i z ile gösterilmis¸tir. S¸ ekil 7’de tespit edilen n-inci ag˘acın görüntü düzlemindeki piksel koordinatları (un, vn) ve çerçevenin merkezi (w/2, z/2) iken n’inci ag˘aca ait göreli (relative) piksel deg˘erleri xn = un − w/2, ve yn = vn − z/2 s¸eklinde tanımlanır. Böylece ag˘aç merkezinin görüntü merkezine göre yatay ve düs¸ey eksenlerdeki uzaklıg˘ı piksel cinsinden ifade edilir. Bu biles¸enlerin Öklid normu dn = xn2 + yn2 ifadesiyle tek bir büyüklük hâline getirilir [24]. Piksel cinsinden elde edilen bu uzaklıg˘ın fiziksel kars¸ılıg˘ı için n’inci ag˘aç√ile dron izdüs¸ümü arasındaki mesafe Dn = dn D/ w2 + z2 s¸eklinde hesaplanır. Burada görüntü kös¸egeninin yerdeki izdüs¸üm uzunlug˘unu D = h tanθ temsil eder ve uçus¸ yükseklig˘i ile kameranın diyagonal görüs¸ açısına bag˘lıd√ır [25]. Böylece dn deg˘eri, çerçevenin kös¸egen uzunlug˘u w2 + z2 ile orantılanarak ölçeklenir ve Dn metre cinsinden bir zemin uzaklıg˘ına dönüs¸ür.

Bir sonraki as¸amada, xn ve yn biles¸enleri dron pusula açısı ile birlikte deg˘erlendirilir ve ag˘aç merkezinin dron izdüs¸ümüne göre konumu düzlem üzerinde bir dog˘rultu β ile temsil edilir. Bu dog˘rultu, dronun anlık GPS konumu (λc, φc) ve Dünya’nın yarıçapı (R ≈ 6371000 m) bilgileriyle birlikte kullanılarak, enlem deg˘is¸imi ∆λ = Dn cos(β)/R ve boylam deg˘is¸imi ∆ϕ = Dn sin(β)/R cos(λc) hesaplanır. Deg˘is¸imlerin, dronun anlık konumuna (λc, ϕc) eklenmesiyle her bir ag˘acın cog˘rafi koordinatlarına ait enlem λn = λc + ∆λ ve boylam ϕn = ϕc + ∆ϕ deg˘erleri bulunur. [24–26].

Dron ile taranan arazilerde kaydedilen video kareleri sırasıyla is¸lenir. Her karede tespit edilen ag˘açlara ait konum hesaplanır. Her ag˘aç için Google Earth

10 / 110

Zeytin Ağaçlarının Otomatik Tespiti, Dijital Kimliklendirilmesi ve Akıllı Takibi Automatic Detection, Digital Identification, and Intelligent Monitoring of Olive Trees

S¸ekil 7. Dron kamerasının diyagonal görüs¸ açısı (59°) ve uçus¸ yükseklig˘i (h) dikkate alınarak yerde olus¸an izdüs¸üm ve merkez noktası s¸ematik gösterilmektedir. Burada w görüntü genis¸lig˘i, z yükseklig˘idir.

ve CBS yazılımlarına dog˘rudan aktarılabilecek s¸ekilde konum verisi üretilir. QGIS ve ArcGIS tabanlı araçlar kullanılarak [27–29] arazi sınırları ve ag˘açların dag˘ılımı harita üzerinde gösterilir.

Zeytin arazilerinden alınan yeni kayıtlarda ag˘açların cog˘rafi konum kestirimleri Google Earth uydu verileriyle kars¸ılas¸tırılmıs¸tır. Önceki çalıs¸malardakine [24] benzer s¸ekilde ±4 m sapma ile ag˘aç konum kestirimi yapılabilmektedir. Bu durumun GPS hassasiyeti, uçus¸ yükseklig˘i ve uydu verisinin çözünürlüg˘ü türünden dıs¸ etkenlerden kaynaklandıg˘ı anlas¸ılmıs¸tır.

S¸ ekil 8’de bir video karesindeki ag˘aç tespiti ve hesaplanan cog˘rafi konum çıktısı gösterilmis¸tir. Saptanan her zeytin ag˘acı yes¸il kutu ile çerçevelenmis¸, kutu kenarlarına o ag˘aca ait hesaplanan koordinatlar eklenmis¸tir. Böylece dronla taranan zeytin arazilerinde ag˘aç tespiti ve her bir ag˘acın konum bilgisinin otomatik kaydı tek bir is¸ akıs¸ı içinde gerçekles¸mekte ve zeytinlik ölçeg˘inde ayrıntılı bir konumsal envanter üretimi mümkün kılınmaktadır [24].

S¸ekil 8. Video karelerinden birinde gerçekles¸tirilen ag˘aç tespiti ve cog˘rafi konumlandırma sonuçları. Tespit edilen her bir zeytin ag˘acı yes¸il kutularla gösterilmis¸, kutuların üzerinde hesaplanan cog˘rafi koordinatlar verilmis¸tir.

2.4. QR Kod Uygulaması ile Ag˘aç Kimliklendirme

Dijital kimliklendirme, önceki çalıs¸malarımızda tasarlanan sistem yapısı gözetilerek gerçekles¸tirilmis¸tir [30]. Sahaya inmeden uydu görüntülerinden belirlenen (1000+) ag˘acların konum ve kimlik bilgileri, gelis¸tirilen ArıArge web sitesi üzerinden (https://ariarge.com/profile/1/) veri tabanına aktarılmıs¸tır. Her kayıt için farklı bir ag˘aç numarası atanarak kars¸ılık düs¸en QR kod üretilmis¸tir. Örnek bir QR kod S¸ ekil 9(a)’da, kod tarandıktan sonra açılan dijital profil sayfası ise S¸ ekil 9(b)’de gösterilmis¸tir. Profil sayfaları; her ag˘aç için konum bilgisi, görsel kayıtlar ve saha notlarını aynı arayüz altında toplamıs¸, dönemsel güncellemelerin ve yeni veri giris¸lerinin kolayca yapılabilmesini sag˘lamıs¸tır.

S¸ekil 9. (a) Her ag˘aca özel üretilen bir QR kod örneg˘i. (b) QR kodun taranmasıyla eris¸ilen ag˘aca ait dijital profil sayfası.

Üretilen QR kodlar metal plakalar üzerine basılmıs¸ ve S¸ ekil 10’da görüldüg˘ü gibi ag˘aç gövdelerine (yaklas¸ık aynı yükseklik ve aynı yöne bakacak s¸ekilde) çakılmıs¸tır [30]. QR kod montajı sırasında her ag˘acın fotog˘rafı tekrar çekilmis¸, QGIS mobil uygulaması kullanılarak GPS verileri güncellenmis¸tir. Uygulama üzerinden senkronize edilen noktalar KML formatındaki dosyaya dönüs¸türülerek web arayüzüne aktarılmıs¸tır [27–29]. Sonuçta, CBS ortamındaki ag˘aç konumları ile QR kodlar es¸les¸tirilmis¸tir.

QR kod tabanlı çözümler, gıda üretim zincirinin farklı as¸amalarında kayıt zinciri sunabilmektedir [31]. Çalıs¸mamızda farklı zaman dilimlerinde gerçekles¸tirilen

11 / 110

S¸ekil 10. QR kod çakma is¸lemimiz ve dijital kimlikli bir ag˘aç görüntüsü.

is¸lemler sonucunda elde edilen (yaprak testi sonuçları, budama tarihleri vb) bilgiler kayıt zinciri halinde ars¸ivlenmektedir. Bu kayıtlar, ileride yürütülecek verim kestirimi, hastalık deg˘erlendirmesi ve enerji planlaması ve benzeri çalıs¸malar için artık "tam gerçek" (ground truth) kümesi nitelig˘indedir. Örneg˘in, yaprak testi için seçilen ag˘açlara ait yaprak örnekleri, QR kod ile kayıt altına alınarak arazinin farklı (ıs¸ık, konum gibi) kos¸ullarını temsil edecek biçimde toplanmıs¸tır. Laboratuvar analiz sonuçları CBS üzerinde S¸ ekil 11’de mavi noktalarla is¸aretlenmis¸tir.

S¸ekil 11. Yaprak testi için numune alınan ag˘açların konumları. (Görsel ArcGIS aracılıg˘ıyla hazırlanmıs¸tır [21].)

3. Sonuç Bu çalıs¸ma ile zeytin ag˘açlarının dijitalles¸tirilmesi ve tarımsal yönetim süreçlerinin iyiles¸tirilmesine yönelik CBS, dron görüntüleri, GPS verileri, termal ve optik görüntüler ile yapay zekâ tabanlı analiz yöntemlerini bütünles¸tiren bir sistem gelis¸tirilmis¸tir. Sahadaki her bir zeytin ag˘acı tek tek tespit edilmis¸, cog˘rafi koordinatları hesaplanmıs¸ ve QR kodlar aracılıg˘ıyla dijital kimliklendirme gerçekles¸tirilmis¸tir. Yalnızca ag˘açların kaydı deg˘il, aynı zamanda gelis¸im süreçlerinin ve verimliliklerinin uzun vadeli takibi

mümkün kılınmıs¸tır. Çalıs¸ma sonucunda elde edilen temel çıktıları s¸u s¸ekilde özetlenebilir: i-) Arazi sınırları ve ag˘aç konumları CBS üzerinde belirlenmis¸tir. ii-) 1000+ ag˘aç QR kodlarla kendine has dijital kimlig˘e kavus¸turulmus¸tur. iii-) Web tabanlı arayüz üzerinden uzaktan eris¸im ve izleme imkânı sag˘lanmıs¸, ayrıca yaprak testi, budama, gübreleme, ilaçlama gibi veriler ag˘açların QR kodları vasıtasıyla kolaylıkla ars¸ivlenmis¸tir. iv-) Dron görüntülerinden ag˘aç tespiti 0.83 kesinlik, 0.77 duyarlılık ve 0.86 mAP@50’ye ulas¸mıs¸tır. v-) Konum hesaplamasını bütünles¸tiren bir algoritma gelis¸tirilmis¸, ortalama ± 4 m hata düzeyinde koordinat hesaplamaları yapılabilmis¸tir. v-) Sistem, gelecekte erken uyarı ve izleme modüllerinin gelis¸tirilmesi için altyapı sag˘lamaktadır.

Literatürde yer alan çalıs¸malar ve çalıs¸mamıza ait kars¸ılas¸tırmaların yer aldıg˘ı Tablo 2 incelendig˘inde, çog˘u aras¸tırmanın ya yalnızca ag˘aç segmentasyonu ve sınıflandırma üzerine odaklandıg˘ı ya da verim tahmini gibi tekil analizler gerçekles¸tirdig˘i görülmektedir. Derin ög˘renme tabanlı nesne tespiti uygulayan çalıs¸malar mevcut iken, bu çalıs¸maların büyük çog˘unlug˘unda cog˘rafi konum hesaplama, sahada dog˘rulama ve dijital kimliklendirme entegrasyonu bulunmamaktadır.

˙Ileriki çalıs¸malarda, daha hassas konum bilgisi sag˘layan gelis¸mis¸ GPS çözümlerinin kullanılması, dron görüntülerinin farklı mevsim ve ıs¸ık kos¸ullarıyla zenginles¸tirilmesi, ag˘aç tespit modellerinin genis¸ veri kümeleriyle genellenmesi ve zeytin ag˘acı dıs¸ında dig˘er meyve türlerine uyarlanması da hedeflenmektedir.

Tes¸ekkür

Bu çalıs¸ma EPICS in IEEE, ArtGe Teknoloji ve ITU ARIS LAB tarafından "Smart Monitoring of Fruit Trees: The Case of Olive Trees" projesi kapsamında, Nisan 2024-Nisan 2025 tarihleri arasında desteklenmis¸tir. Projeye katkılarından dolayı Uysal Demirci, Prof. Dr. Himmet Karaman, Prof. Dr. Saif alZahir, Eren Taha Yüzgeç ile Abdurrahman ve Abdurrahim ˙Is¸muratlar’a tes¸ekkür ederiz.

Kaynaklar

[1] N. Abdullah, N. A. B. Durani, M. F. B. Shari, K. S. Siong, V. K. W. Hau, W. N. Siong, and I. K. A. Ahmad, “Towards smart agriculture monitoring using fuzzy systems,” IEEE Access, vol. 9, pp. 4097–4111, 2021.

[2] K. Jha, A. Doshi, P. Patel, and M. Shah, “A comprehensive review on automation in agriculture using artificial intelligence,” Artificial Intelligence in Agriculture, vol. 2, pp. 1–12, 2019.

[3] G. Erdog˘an and S. S¸ ahin, “Kırsal kalkınmada mekânsal model akıllı köy kümeleri: Datça örneg˘i,”

12 / 110

Zeytin Ağaçlarının Otomatik Tespiti, Dijital Kimliklendirilmesi ve Akıllı Takibi Automatic Detection, Digital Identification, and Intelligent Monitoring of Olive Trees

Tablo 2: Ag˘açlara yönelik uzaktan algılama tabanlı çalıs¸maların kars¸ılas¸tırılması.

Kaynak Amaç

Platform

Sensör

Temel Yöntem

Tespit / Sınıflandırma Performansı

Konum Dog˘ rulug˘ u

QR

Arazi örtüsü

Makine

[7]

haritalama ve ag˘aç

I˙HA (senseFly eBee Plus)

Ög˘renmesi (RF, RF AP ≈ %95

SVM, MLP,

(alan düzeyi)

kNN)

[8]

Bireysel ag˘aç karakterizasyonu ve izleme

I˙HA (DJI Matrice 210)

Multispektral + 3B Nokta Bulutu, K-means

< 3 cm

RMSE (Hizalama

hatası)

[9]

Uydu (Landsat7-8)

Multispektral (Uydu)

SVM, RF, YSA, Vejetasyon ˙Indisleri

Erken Verim Tahmini MAE: < %26

Hiperspektral

[10]

Bireysel ag˘aç tespiti ve tür sınıflandırması

˙IHA (Tarot 960 heksakopter)

+ RGB + I˙rradiyans sensörü +

Yerel Maksima Tespiti, RF ve MLP

Genel Dog˘ruluk: %95, F-skoru: 0.93

Spektrometre

Ag˘aç sırası [11] hacmi (TRV)

tahmini

Dron (DJI SPARK)

3B Modelleme, TRV

Hacim

korelasyonu (Manuel vs ˙IHA):

r=0.831

[12]

Verim tahmini ve taç analizi

˙IHA (DJI Matrice 100)

OBIA, NDVI, Multiresolution, Segmentasyon

Otomatik Tespit (Delineasyon): %97.6

[13]

Drone (DJI SPARK)

kNN Segmentasyon

kNN Piksel

Dog˘rulug˘u: %71.3

[14]

Taç geometrisi ile verim tahmini

˙IHA (DJI S800)

Es¸ikleme ve Kenar Algılama

Verim Tahmini Korelasyonu: r = 0.62 – 0.89

[15]

Hastalık tespiti

˙IHA (Italdron 4HSE EVO)

Multispektral + Termal +

Segmentasyon ve LDA

Sag˘lık Durumu Kesinlig˘i: %100, Duyarlılık: %98

[16]

Yangın hasarı tespiti ve sınıflandırma

Dron + ˙IHA (Phantom-4 ve MATRICE 300 RTK)

RGB + Lidar

Derin Ög˘renme (SSD), ResNet50

Sınıflandırma F1: > 0.94, Tespit AP: %69 – %74

Önerilen Yöntem

Otomatik tespit, kimliklendirme ve akıllı takip

Dron (DJI Mavic 3 Pro)

RGB + Termal + Mobil GPS

YOLOv8 + Geometrik Konum Hesaplama

Kesinlik: %83 Duyarlılık: %77

±4 m hata payı

✓

mAP@50: %86

in International Geography Symposium on the 30th Anniversary of TUCAUM, 2018, pp. 1468–1477. [4] R. Valentini, L. Belelli Marchesini, D. Gianelle, G. Sala, A. Yarovslavtsev, V. Vasenev, and S. Castaldi, “New tree monitoring systems: from industry 4.0 to nature 4.0,” Annals of Silvicultural Research, vol. 43, no. 2, pp. 84–88, 2019. [5] T.C. Tarım ve Orman Bakanlıg˘ı, “IV. Tarım Orman S¸ urası Sonuç Bildirgesi açıklandı,” https://www.ta rimorman.gov.tr/Sayfalar/Detay.aspx?TermStoreI d=368e785b-af33-487d-a98d-c11d5495130b&Te

rmSetId=2d27772a- 6e08- 4899- 8453- 5694a9eb6 e6e&TermId=fb841593-eb13-4a7b-90e6-762d1dc 46795&UrlSuffix=6601/Iv-Tarim-Orman-S%C3% BArasi-Sonuc-Bildirgesi-Aciklandi, 2025, eris¸im tarihi: 18 Eylül 2025. [6] M. Brandt, J. Chave, S. Li, R. Fensholt, P. Ciais, J.-P. Wigneron, F. Gieseke, S. Saatchi, C. Tucker, and C. Igel, “High-resolution sensors and deep learning models for tree resource monitoring,” Nature Reviews Electrical Engineering, vol. 2, no. 1, pp. 13–26, 2025.

13 / 110

[7] E. C. Rodríguez-Garlito and A. Paz-Gallardo, “Efficiently mapping large areas of olive trees using drones in extremadura, Spain,” IEEE Journal on Miniaturization for Air and Space Systems, vol. 2, no. 3, pp. 148–156, 2021.

[8] J. M. Jurado, L. Ortega, J. J. Cubillas, and F. R. Feito, “Multispectral mapping on 3D models and multi-temporal monitoring for individual characterization of olive trees,” Remote Sensing, vol. 12, no. 7, p. 1106, 2020.

[9] M. I. Ramos, J. J. Cubillas, R. M. Córdoba, and L. M. Ortega, “Improving early prediction of crop yield in Spanish olive groves using satellite imagery and machine learning,” PloS One, vol. 20, no. 1, p. e0311530, 2025.

[10] O. Nevalainen, E. Honkavaara, S. Tuominen, N. Viljanen, T. Hakala, X. Yu, J. Hyyppä, H. Saari, I. Pölönen, N. N. Imai, and A. M. G. Tommaselli, “Individual tree detection and classification with uav-based photogrammetric point clouds and hyperspectral imaging,” Remote Sensing, vol. 9, no. 3, 2017.

[11] A. S. Anifantis, S. Camposeo, G. A. Vivaldi, F. Santoro, and S. Pascuzzi, “Comparison of UAV photogrammetry and 3D modeling techniques with other currently used methods for estimation of the tree row volume of a super-high-density olive orchard,” Agriculture, vol. 9, no. 11, p. 233, 2019.

[12] D. Stateras and D. Kalivas, “Assessment of olive tree canopy characteristics and yield forecast model using high resolution UAV imagery,” Agriculture, vol. 10, no. 9, p. 385, 2020.

[13] L. Ortenzi, S. Violino, F. Pallottino, S. Figorilli, S. Vasta, F. Tocci, F. Antonucci, G. Imperi, and C. Costa, “Early estimation of olive production from light drone orthophoto, through canopy radius,” Drones, vol. 5, no. 4, p. 118, 2021.

[14] R. R. Sola-Guirado, F. J. Castillo-Ruiz, F. Jiménez-Jiménez, G. L. Blanco-Roldan, S. Castro-Garcia, and J. A. Gil-Ribes, “Olive actual “on year” yield forecast tool based on the tree canopy geometry using UAS imagery,” Sensors, vol. 17, no. 8, p. 1743, 2017.

[15] A. Di Nisio, F. Adamo, G. Acciani, and F. Attivissimo, “Fast detection of olive trees affected by xylella fastidiosa from UAVs using multispectral imaging,” Sensors, vol. 20, no. 17, p. 4915, 2020.

[16] C. Vasilakos and V. S. Verykios, “Burned olive trees identification with a deep learning approach in unmanned aerial vehicle images,” Remote Sensing, vol. 16, no. 23, p. 4531, 2024.

[17] Google LLC, “Google earth pro,” https://www.goog le.com/earth/versions/, 2026, eris¸im tarihi: 20 S¸ ubat

2026. [18] A. Moran, “Students tackle environmental issues in Colombia and Türkiye,” IEEE Spectrum, Nov. 2024. [19] Roboflow, h t t p s : / / r o b o fl o w. c o m/, Accessed: 16-Dec-2024. [20] AirData, “Airdata UAV - flight data analysis, mapping, and logging,” h t t p s : / / a i r d a t a . c o m/, Accessed: 25-Jan-2025. [21] Esri, “ArcGIS,” https://www.arcgis.com/, eris¸im tarihi: 20 S¸ ubat 2026. [22] Earth Maps, https://foxpoi.com/#earth, Accessed: 23-Oct-2025. [23] L. Shen, B. Lang, and Z. Song, “DS-YOLOv8-Based object detection method for remote sensing images,” IEEE Access, vol. 11, pp. 125 122–125 137, 2023. [24] U. Demirci, M. Girgin, and T. Akgül, “Determining tree locations via satellite and drone data,” in 2025 33rd Signal Processing and Communications Applications Conference (SIU), 2025, pp. 1–4. [25] X. Wan, Y. Shao, S. Zhang, and S. Li, “Terrain aided planetary uav localization based on geo-referencing,” IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1–18, 2022. [26] X. Zhao, F. Pu, Z. Wang, H. Chen, and Z. Xu, “Detection, tracking, and geolocation of moving vehicle from UAV using monocular camera,” IEEE Access, vol. 7, pp. 101 160–101 170, 2019. [27] A. Graser, Learning QGIS. Packt Publishing Ltd, 2016. [28] S. Khan and K. Mohiuddin, “Evaluating the parameters of arcgis and QGIS for gis applications,” Int. J. Adv. Res. Sci. Eng, vol. 7, pp. 582–594, 2018. [29] Esri, “Import KML/KMZ (keyhole markup language),” ArcGIS CityEngine Documentation, çevrimiçi. https://doc.arcgis.com/en/cityengine/lat est/help/help-import-kmz-kml.htm, eris¸im tarihi: 15 Ag˘ustos 2025. [30] K. S¸ ahin, T. Akgül, and M. Girgin, “Smart monitoring of olive fields,” in 2025 33rd Signal Processing and Communications Applications Conference (SIU), 2025, pp. 1–4. [31] Y. Dong, Z. Fu, S. Stankovski, S. Wang, and X. Li, “Nutritional quality and safety traceability system for china’s leafy vegetable supply chain based on fault tree analysis and QR code,” IEEE Access, vol. 8, pp. 161 261–161 275, 2020.

14 / 110

Zeytin Ağaçlarının Otomatik Tespiti, Dijital Kimliklendirilmesi ve Akıllı Takibi Automatic Detection, Digital Identification, and Intelligent Monitoring of Olive Trees

Özgeçmişler

Kübra Şahin, lisans eğitimini 2019–2024 yılları arasında İstanbul Üniversitesi Matematik Bölümü’nde tamamlamıştır. Eğitim sürecinde yazılım geliştirme, veri tabanı teknolojileri, yapay zekâ entegrasyonu ve proje yönetimi alanlarında deneyim kazanmıştır. 2022 yılında Amerika Birleşik Devletleri’nde Work and Travel programına katılmıştır. 2022–2023 yılları arasında Neos Academy bünyesinde Full Stack Web Developer eğitimi almıştır; ekip çalışmasıyla proje geliştirme süreçlerinde yer almıştır. 2023–2025 yılları arasında İTÜ / Artge Teknoloji bünyesinde Yazılım Geliştirici ve Proje ekip üyesi olarak çalışmıştırgörev almıştır. Bu süreçte IEEE EPICS tarafından kabul edilen tarım teknolojileri projesinin yönetimini üstlenmiş; web geliştirme, veri tabanı yönetimi, sistem yaygınlaştırma (deployment), yapay zekâ eğitimi ve ürün geliştirme süreçlerinden sorumlu olmuştur.Akademik olarak “Smart Monitoring of Olive Fields” başlıklı çalışması ile IEEE SIU 2025 kapsamında ilk makalesini yayınlamıştır. Eylül 2025 itibarıyla, Türkiye Kalkınma ve Yatırım Bankası’nın iştiraki olan Türkiye Kalkınma Fonu’nda Uzman Yardımcısı (analist) olarak çalışma hayatına devam etmektedir.

Prof. Dr. Tayfun Akgül lisans ve yüksek lisans derecelerini, sırasıyla 1985 ve 1988 yıllarında İTÜ Elektronik ve Haberleşme Bölümü’nde tamamladı. Doktorasını 1994 yılında Pittsburgh Üniversitesi, Elektrik Mühendisliği Bölümü’nde bitirdi. 1986 - 1988 arası TÜBİTAK Temel Bilimler Araştırma Enstitüsü’nde, Eylül 1988’den itibaren Çukurova Üniversitesi’nde çalışmaya başladı. 1989-1994 arasında Pittsburgh Üniversitesi’nde doktora çalışması yaptı. 1996’da Çukurova Üniversitesi’nde Doçent oldu. 1997-1999 tarihleri arasında Drexel Üniversitesi’nde bulundu. 1999 - 2002 arasında TÜBİTAK-MAM’da Başuzman Araştırmacı unvanıyla çalıştı. Temmuz 2002’de İTÜ’ye Profesör unvanıyla atandı. Halen İTÜ Elektronik ve Haberleşme Mühendisliği Bölümü’nde görev yapmaktadır. İTÜ ARIS Lab (Advanced Research on Images and Signals – İleri Sinyal ve Görüntü İşleme) adlı araştırma laboratuvarının yöneticisidir. Sinyal ve görüntü işleme alanında araştırma yapmakta ve “bilimsel” karikatürler çizmektedir.

Melike Girgin lisans derecesini 2019 yılında Marmara Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümünden almıştır. Telekomünikasyon Mühendisliği yüksek lisans derecesini 2024 yılında İstanbul Teknik Üniversitesi’nde tamamlamış ve aynı bölümde doktora çalışmalarını sürdürmektedir. İTÜ bünyesinde faaliyet gösteren ARIS LAB (Advanced Research on Intelligent Systems – İleri Sinyal ve Görüntü İşleme) araştırma laboratuvarında doktora öğrencisi olarak görev almaktadır. Akustik, sismik ve sualtı sinyal işleme, görüntü işleme, dizin sinyal işleme ve gürültü analizi üzerine ITU ARIS LAB’da araştırmalar yapmakta ve akademik yayınlar üretmektedir.

15 / 110