Bu çalışma, şeker kamışı (Saccharum officinarum) ile erken büyüme döneminde morfolojik olarak benzerlik gösterebilen Rottboellia cochinchinensis yabancı otunun spektral olarak ayrılmasını ve insansız hava aracı (Unmanned Aerial Vehicle, UAV) görüntülerinde haritalanmasını inceler. Çalışmanın merkezindeki spektral imza, bir bitkinin farklı dalga boylarında yansıttığı elektromanyetik enerjinin bantlara göre oluşturduğu ayırt edici yansıma örüntüsüdür. Araştırmacılar FieldSpec 4 Std-Res spektrometresinden elde edilen hiper-spektral ölçümleri düzenlenmiş doğrusal spektral sentezle MicaSense RedEdge-P kamerasının multispektral bantlarına dönüştürmüş; tür ayrılabilirliğini Jeffries–Matusita mesafesi ve tek yönlü ANOVA ile değerlendirmiş; ardından piksel tabanlı Random Forest ile nesne tabanlı görüntü analizi (Object-Based Image Analysis, OBIA) iş akışlarını karşılaştırmıştır. OBIA genel doğrulukta 0.9038 ve Cohen Kappa değerinde 0.8499'a ulaşarak piksel tabanlı yöntemin 0.83 genel doğruluk ve 0.7419 Kappa sonucunu aşmıştır. Bununla birlikte çalışma yalnız Costa Rica'daki tek saha, tek şeker kamışı çeşidi ve erken büyüme koşullarında gerçekleştirildiği için sonuçların farklı çeşitlere, fenolojik dönemlere ve üretim bölgelerine doğrudan genellenmesi uygun değildir.

Spektral analiz, tek bant düzeyinde Blue ve Green bantlarının iki bitki sınıfını ayırmada en yüksek Jeffries–Matusita değerlerini verdiğini göstermiştir. RedEdge bandının tek başına JM değeri daha düşük olmasına rağmen Blue veya Green gibi görünür bantlarla oluşturulan indekslerde yabancı ot lekelerinin görüntü üzerinde daha belirgin hale gelmesine katkı sağlamıştır. NIR tabanlı kombinasyonların görsel sınıf ayrımı ise erken dönem bitki örtüsünde yaprak iç yapısı, kanopi geometrisi, su içeriği ve açık toprakla spektral karışım gibi etkenlere daha duyarlı olduğundan daha zayıf bulunmuştur.

Çalışmanın pratik hedefi hiper-spektral sensörlerin sağladığı ayrıntılı spektral bilgiyi, çiftlik ölçeğinde daha erişilebilir olan UAV multispektral görüntüleriyle kullanılabilir hale getirmektir. Böyle bir haritalama iş akışı, araştırmanın test ettiği koşullarda R. cochinchinensis lekelerini şeker kamışı ve açık topraktan ayırarak gelecekte konuma özgü yabancı ot yönetimi ve değişken oranlı uygulama haritaları için bir veri katmanı sağlayabilir. Çalışma ise gerçek herbisit tüketimini, ekonomik tasarrufu veya uzun dönem verim artışını doğrudan ölçmemiştir.

Neden erken dönemde yabancı ot ayrımı önemli?

Kaynak literatürüne göre şeker kamışında yabancı ot rekabeti özellikle bitkinin kuruluş, çimlenme ve kardeşlenme dönemlerinde önem taşır. Çalışmada ele alınan tarla yaklaşık 42 gün önce dikilmiş LAICA-09374 çeşidinden oluşmaktadır ve örnekleme öncesinde yabancı ot kontrolü uygulanmamıştır. Bu durum, şeker kamışı bitkilerinin henüz tam kapalı kanopi oluşturmaması ve açık toprağın görüntü sinyaline güçlü biçimde katılması nedeniyle uzaktan algılama açısından zor fakat tarımsal yönetim açısından önemli bir dönemdir.

Rottboellia cochinchinensis, çalışmanın gerçekleştirildiği sahada şeker kamışı sıraları arasında ve sıralar boyunca gözlenen baskın yabancı ot türüdür. Türün erken dönemde şeker kamışına morfolojik olarak benzeyebilmesi, yalnız RGB görüntüsünde yapılan görsel ayrımı zorlaştırır. Araştırmanın temel fikri, insan gözüne benzer görünen iki bitkinin farklı dalga boylarındaki yansıma davranışlarının aynı olmak zorunda olmamasıdır.

Spektral imza nedir?

Bir spektral imza, hedefin elektromanyetik spektrumun farklı bölümlerinde ölçülen yansıma değerlerinin oluşturduğu örüntüdür. Bitki pigmentleri görünür bölgede, hücresel yapılar NIR bölgesinde ve bitki-su-yapı ilişkileri farklı spektral bölgelerde yansıma eğrisini etkileyebilir. Bu nedenle şeker kamışı ile R. cochinchinensis fiziksel olarak benzer görünse bile Blue, Green, Red, RedEdge ve NIR bantlarında aynı yansıma dağılımını üretmeyebilir.

Kaynak Figure 4'te sentezlenmiş spektral eğriler ile doğrudan MicaSense RedEdge-P görüntülerinden elde edilen eğrileri karşılaştırır. İki veri kaynağından türetilen eğrilerin genel şekilleri birbirine yakındır. Kamera tabanlı eğriler Red bandında örtüşürken diğer bantlarda ayrışma görülmektedir. Figure 4'ün ham yansıma noktaları tablo halinde yayımlanmadığı için Verianla bu eğriyi yeni kesin sayısal noktalar üreterek yeniden çizmez.

Hiperspektral Veri Neden Multispektral Bantlara Sentezlendi?

Hiperspektral veri çok sayıda dar dalga boyunda ayrıntılı spektral bilgi sağlarken çiftlik ölçeğinde kullanımı daha pahalı ve karmaşıktır; çalışma bu ayrıntılı bilgiyi MicaSense RedEdge-P gibi daha erişilebilir beş bantlı bir UAV sensörünün ölçüm uzayına matematiksel olarak aktararak tür ayrımı için operasyonel bir multispektral iş akışı oluşturmayı amaçlamıştır.

Hiper-spektral ölçüm sistemi

FieldSpec 4 Std-Res spektro-radyometresi 350–2500 nm spektral aralığı ve 1 nm örnekleme aralığıyla kullanılmıştır. R. cochinchinensis için 80, şeker kamışı için 34 yaprak ölçümü alınmıştır. Ölçümler her yaprağın orta bölümünden 10:00–12:00 arasında yapılmış, cihaz her on ölçümden sonra kalibrasyon paneliyle yeniden kalibre edilmiştir.

Her örnekleme konumu RTK CHCNAV i50 sistemiyle üç boyutlu olarak kaydedilmiştir. Bu coğrafi eşleştirme, yerdeki spektrometre ölçümünün UAV görüntüsündeki karşılık gelen piksel veya alanla ilişkilendirilebilmesi için gereklidir.

UAV multispektral görüntüleme

Multispektral görüntüler Blue, Green, Red, RedEdge ve NIR olmak üzere beş banda sahip MicaSense RedEdge-P kamera ile alınmıştır. Kamera DJI Matrice 300 UAV üzerinde taşınmış, DJI D-RTK2 düzeltme istasyonu konumsal doğruluğu desteklemiş ve nihai görüntülerin mekânsal çözünürlüğü 2 cm olmuştur.

Spektral ön işleme

Hiper-spektral ölçümler R 4.5.2 yazılımında işlenmiştir. İncelenen spektral aralık 1300 nm'nin altındaki dalga boylarıyla sınırlandırılmıştır. Kaynağa göre bu sınırlandırmanın iki amacı vardır: hiper-spektral veriyi MicaSense RedEdge-P sensörünün duyarlı olduğu bölgeyle daha iyi eşleştirmek ve saha koşullarında daha fazla çevresel değişkenlik gösteren SWIR bölgesindeki gürültünün etkisini azaltmak.

Seçilen spektral aralıkta ek smoothing, normalization veya başka bir spektral transform uygulanmamıştır. Temsilî tür eğrileri, aynı sınıf içindeki yansıma örneklerinin birlikte değerlendirilmesiyle oluşturulmuştur.

Düzenlenmiş doğrusal spektral sentez

Çalışma her multispektral bandın, o banda komşu hiper-spektral dalga boylarının ağırlıklı doğrusal birleşimiyle yaklaşık olarak yeniden oluşturulabileceğini varsayar. Kullanılacak hiper-spektral dalga boyları hedef multispektral bandın full width at half maximum (FWHM) aralığıyla sınırlandırılmıştır.

Kaynağın Denklem (1)'i doğrusal katsayıları düzenlenmiş en küçük kareler problemiyle tahmin eder:

\[ \min \left( \left\|R_{\mathrm{real}}^{MSI}-H^{HSI}c_{i,j}\right\|^2 + \lambda\left\|c_{i,j}\right\|^2 \right) \tag{1} \]

\(R_{\mathrm{real}}^{MSI}\), MicaSense RedEdge-P sensörüyle ölçülen gerçek multispektral yansımayı; \(H^{HSI}\), hiper-spektral yansıma matrisini; \(c_{i,j}\), tahmin edilen doğrusal birleşim katsayılarını; \(\lambda\) ise düzenleme parametresini temsil eder.

Denklemin ilk terimi sentezlenen değer ile gerçek multispektral ölçüm arasındaki hatayı küçültmeye çalışır. İkinci terim, katsayıların aşırı büyüyerek fiziksel olmayan salınımlar üretmesini engelleyen düzenleme terimidir. \(\lambda\) kaynakta sabit teorik bir değer olarak verilmemiş; spektral değişkenlik ile çözüm kararlılığını dengelemek amacıyla iteratif denemelerle ampirik olarak seçilmiştir.

Katsayılar belirlendikten sonra kaynak Denklem (2)'yi kullanır:

\[ R_i^{MSI}(\lambda_k) = \sum_{j=1}^{N_{HSI}} c_{i,j}R_i^{HSI}(\lambda_k), \qquad k=1,\ldots,n;\; i=1,\ldots,N_{MSI} \tag{2} \]

\(R_i^{MSI}(\lambda_k)\), ilgili multispektral bandın sentezlenmiş yansımasını; \(N_{HSI}\), hiper-spektral bantların toplam sayısını; \(c_{i,j}\), hiper-spektral ve multispektral bantlar arasındaki doğrusal katsayıları; \(R_i^{HSI}(\lambda_k)\) ise FieldSpec tarafından \(\lambda_k\) dalga boyunda ölçülen hiper-spektral yansımayı ifade eder. Denklemdeki indeksler kaynakta verilen biçimiyle korunmuştur.

Eşleştirilmiş spektral örnekler

Coğrafi olarak eşleşen hiper-spektral ve multispektral verilerden R. cochinchinensis için 51, şeker kamışı için 34 örnek çifti hazırlanmıştır. Toplam 85 eşleştirilmiş gözlem yalnız spektral imza üretimi ve ayrılabilirlik analizi için kullanılmış; sınıflandırıcı eğitiminin parçası yapılmamıştır.

Spektral sentezin doğruluk kontrolü

Blue, Green ve Red bantlarında sentez ile gerçek kamera ölçümü arasındaki hata düşüktür; RedEdge ve özellikle NIR'da hata daha yüksektir. Kaynak metni bütün bantlarda RMSE'nin 0.10'dan küçük olduğunu söylese de tabloda R. cochinchinensis için NIR değeri 0.1005'tir. Ayrıca kaynak metni şeker kamışının özellikle NIR'da biraz daha yüksek RMSE gösterdiğini belirtirken tablo NIR'da ters sıralama vermektedir. Verianla bu çelişkileri düzeltmek yerine tablo değerlerini aynen korur.

Spektral indeksler

Blue ve Green bantlarının tür ayrımındaki performansı ile NIR içeren bazı indekslerin zayıf görsel ayrımı dikkate alınarak daha sonraki analiz için Blue, Green, Red ve RedEdge bileşimlerinden dokuz indeks incelenmiştir. Bunlar Michelson contrast, Weber contrast ve Chlorophyll Index ailelerine dayanmaktadır.

Jeffries–Matusita mesafesi neyi ölçüyor?

Jeffries–Matusita (JM) mesafesi iki sınıfın istatistiksel dağılımlarının ne kadar örtüştüğünü değerlendiren bir ayrılabilirlik ölçütüdür. Kaynağın kullandığı ölçek 0 ile \(\sqrt{2}\) arasındadır. Değer yükseldikçe iki sınıfın spektral dağılımları daha belirgin biçimde ayrılır; kaynak 1.3 üzerindeki değerleri güçlü sınıf ayrılabilirliği için tipik bir eşik olarak aktarmaktadır.

RedEdge Neden Tek Başına En Yüksek JM Değerini Vermese de Yararlı?

RedEdge tek bant olarak JM = 0.5871 ile Blue, Green ve NIR'ın gerisinde kalmasına rağmen UAV görüntülerindeki toprak, gölge, kanopi yapısı ve spektral karışım gibi saha etkilerine karşı NIR'dan daha kararlı davranabildiği için görünür bantlarla oluşturulan RedEdge indeksleri yabancı ot lekelerinin görüntü üzerinde daha belirgin ayrılmasını sağlamıştır.

Bu nokta tek bir “en iyi bant” seçiminin neden yeterli olmadığını gösterir. Nokta bazlı, saf bitki spektrumlarında NIR bandı RedEdge'den daha yüksek JM değeri vermiştir. Ancak NIR, yaprak iç yapısı, kanopi geometrisi, su içeriği ve sensör görüş geometrisindeki değişikliklere güçlü tepki verir. Erken dönem tarla görüntülerinde açık toprak ve küçük bitkiler aynı piksel veya segment içinde karıştığında bu değişkenlik sınıf içi dağılımı genişletebilir.

RedEdge ise kırmızı bölgedeki güçlü klorofil absorpsiyonundan NIR'daki yüksek yansımaya geçiş bölgesini temsil eder. Kaynak, özellikle RedEdge + Blue ve RedEdge + Green indekslerinin yabancı ot lekelerini görüntü üzerinde belirginleştirdiğini göstermektedir. Dolayısıyla tek bant JM skoru ile gerçek görüntüdeki sınıflandırma yararlılığı aynı performans kavramı değildir.

Çalışmanın Yöntemi ve Bulguları

Çalışma sahası

Araştırma La Palma de Abangares, Guanacaste Province, Costa Rica'da bulunan ticari bir şeker kamışı plantasyonunda gerçekleştirilmiştir. Kaynak saha koordinatlarını 10°14′43.6″ N, 85°4′33.8″ W olarak vermektedir. Bölgenin yıllık ortalama yağışı yaklaşık 1900 mm, gündüz maksimum sıcaklığı yaklaşık 33 °C ve gece minimum sıcaklığı yaklaşık 22 °C'dir.

Örneklenen şeker kamışı LAICA-09374 çeşididir ve örnekleme sırasında dikimden yaklaşık 42 gün sonradır. Araziye yabancı ot kontrolü uygulanmamıştır. R. cochinchinensis özellikle şeker kamışı sıraları arasında ve sıra kenarlarında bulunmuştur.

Yöntem akışı

Sınıflandırma örneklemi

Beş multispektral bant ve ayrılabilirliği yüksek seçilmiş spektral indeksler birleştirilerek kompozit raster oluşturulmuştur. Arazi gözlemleriyle doğrulanan üç sınıf kullanılmıştır: R. cochinchinensis, şeker kamışı ve açık toprak.

Her sınıf için 73 homojen örnek poligonu manuel olarak dijitalleştirilmiştir. Eşit sınıf örnek sayısı, model eğitiminde sınıf dengesizliğinden kaynaklanabilecek yanlılığı azaltmayı amaçlamıştır. Örnekler %70 eğitim ve %30 doğrulama olarak rastgele ayrılmış; eğitim veri setinde 5 katlı çapraz doğrulama kullanılmıştır.

Piksel tabanlı Random Forest

Nesne tabanlı görüntü analizi

OBIA'da görüntü önce komşu ve benzer piksellerden oluşan homojen nesnelere ayrılmıştır. Segment Mean Shift algoritması ArcGIS Pro 3.5.4 içinde spektral ayrıntı 15.5, mekânsal ayrıntı 15 ve minimum segment boyutu 20 piksel ayarlarıyla çalıştırılmıştır.

Segmentasyon parametreleri farklı ayarların iteratif denenmesi ve referans görüntülerle görsel değerlendirme yoluyla seçilmiştir. Amaç, tek bir gerçek alanın gereğinden fazla parçalanmasını ve birbirinden farklı alanların tek segmentte birleşmesini azaltmaktır.

Her görüntü nesnesi için spektral bantların ortalama ve standart sapma değerleri, bitki indeksleri ve alan, çevre, compactness ve elongation gibi geometrik özellikler hesaplanmıştır. Bu özellikler R 4.5.2'ye aktarılmış ve `randomForest` paketiyle 500 ağaçlı bir sınıflandırıcı oluşturulmuştur. Kaynak `mtry` değişkeninin kullanıldığını belirtmekte ancak sayısal değerini raporlamamaktadır.

Spektral ayrılabilirlik sonuçları

Tek bant sonuçlarında Blue en yüksek JM değerine, Green ikinci en yüksek değere sahiptir. Global beş bant bileşimi 1.4142 ile teorik maksimuma ulaşmaktadır. İndekslerin birlikte değerlendirildiği Table 3 satırı ise 1.412 raporlamaktadır.

Kaynak metninde Table 1'deki bütün indekslerin JM = 1.4142 teorik maksimum değerine ulaştığı yazılırken Table 3'te “All indices in Table 1” için 1.412 verilmiştir. Verianla bilimsel çekirdeği bu farkı gizlememekte ve tablo değerini kaynakta bulunduğu haliyle korumaktadır.

Sınıflandırma performansı

Producer's Accuracy, gerçekte belirli sınıfa ait olan örneklerin ne kadarının model tarafından doğru yakalandığını gösterir ve omission error ile ilişkilidir. User's Accuracy ise modelin belirli sınıf olarak etiketlediği örneklerin ne kadarının gerçekte o sınıfa ait olduğunu gösterir ve commission error ile ilişkilidir.

Nesne Tabanlı Sınıflandırma Neden Piksel Tabanlı Yaklaşımdan Daha Başarılı Oldu?

OBIA tek tek pikselleri bağımsız sınıflandırmak yerine benzer komşu pikselleri spektral, mekânsal ve geometrik özellikler taşıyan görüntü nesnelerinde birleştirdiği için 2 cm çözünürlüklü erken dönem UAV görüntülerinde toprak, gölge ve bitki içi değişkenliğin oluşturduğu “salt-and-pepper” parçalanmasını azaltmış ve çalışma sahasında daha bütünleşik yabancı ot lekeleri üretmiştir.

Kaynak Figure 6 bu farkı görsel olarak açık biçimde gösterir. Piksel tabanlı haritada sınıflar küçük ve dağınık pikseller halinde parçalanırken nesne tabanlı sonuçta sınıf sınırları tarla yapısına ve bitki lekelerinin mekânsal biçimine daha iyi uymaktadır.

Bu sonuç yalnız görüntünün daha “temiz” görünmesiyle sınırlı değildir; sayısal performans da aynı yöndedir. OBIA genel doğruluk, Kappa, şeker kamışı üretici/kullanıcı doğruluğu ve R. cochinchinensis üretici/kullanıcı doğruluğu bakımından piksel tabanlı modelin raporlanan değerlerinin tamamından daha yüksektir.

Çalışmanın desteklediği sonuçlar

Çalışma, erken dönem LAICA-09374 şeker kamışı sahasında R. cochinchinensis ile şeker kamışının multispektral ve sentezlenmiş spektral bilgi kullanılarak ayrılabildiğini desteklemektedir.

Çalışma, hiper-spektral ölçümlerin düzenlenmiş doğrusal sentez yoluyla MicaSense RedEdge-P'nin multispektral band uzayına aktarılmasının, bu veri setinde tür düzeyinde spektral karakterizasyon için kullanılabilir olduğunu göstermektedir.

Çalışma, test edilen saha ve görüntü koşullarında OBIA + Random Forest iş akışının piksel tabanlı Random Forest sınıflandırmasına göre daha yüksek doğruluk ve daha yüksek mekânsal bütünlük sağladığını desteklemektedir.

Çalışma ayrıca Blue ve Green bantlarının tek bant düzeyinde güçlü istatistiksel ayrılabilirlik sağladığını; RedEdge'in ise görünür bantlarla kombinasyon halinde UAV görüntülerinde yararlı kontrast üretebildiğini göstermektedir.

Çalışmanın desteklemediği sonuçlar

Çalışma yöntemin bütün şeker kamışı çeşitlerinde, farklı ülkelerde, farklı fenolojik dönemlerde veya bütün yabancı ot türlerinde aynı doğruluğa ulaşacağını göstermemektedir.

Çalışma gerçek değişken oranlı herbisit uygulaması yapmamış; herbisit miktarındaki gerçek azalmayı, ekonomik tasarrufu, ürün verimini veya çevresel etki azalmasını deneysel olarak ölçmemiştir. Üretilen sınıflandırma haritalarının bu tür uygulamalar için kullanılabileceği, araştırmanın ileri uygulama potansiyelidir.

Çalışma ayrıca daha düşük mekânsal çözünürlüklü veya farklı multispektral sensörlerle aynı model performansının korunacağını kanıtlamamaktadır.

Sınırlılıklar

Çalışma tek bir ticari plantasyonda, yalnız LAICA-09374 şeker kamışı çeşidinde ve yaklaşık 42 günlük erken büyüme koşulunda gerçekleştirilmiştir. Bitki spektral tepkisi iklim, toprak, genotip, büyüme evresi ve kanopi gelişimiyle değişebileceği için genel geçerlilik farklı saha koşullarında ayrıca doğrulanmalıdır.

Çalışmanın kullandığı 2 cm UAV görüntü çözünürlüğü küçük yabancı ot lekelerini ayrıntılı biçimde göstermektedir; ancak çok yüksek çözünürlük veri hacmini ve hesaplama gereksinimini artırır. Bu durum yöntemin geniş ticari plantasyonlardaki ölçeklenebilirliği açısından pratik bir sınırdır.

JM ayrılabilirlik sonuçlarının bir bölümü saf bitki yanıtlarını temsil eden nokta tabanlı spektral örneklerden elde edilmiştir. Yazarlar bu durumun gerçek UAV görüntülerindeki spatial autocorrelation, sub-pixel heterogeneity, toprak arka planı ve spektral karışımı tam temsil etmediğini özellikle vurgulamaktadır.

Gelecek araştırmalar

Yazarlar iş akışının farklı çevresel koşullarda, şeker kamışının farklı büyüme evrelerinde, farklı mekânsal çözünürlüklerde ve farklı üretim sistemlerinde test edilmesini önermektedir. Yöntemin başka yabancı ot türlerine aktarılabilirliğinin araştırılması da ölçeklenebilirliğin belirlenmesi açısından önemlidir.

Kaynak ve Yöntem Notu

Özgün başlık: Mapping Sugarcane Weeds Using Spectral Signatures Derived from Spectroscopic Data and Multispectral Images

Yazarlar: María P. Iglesias; Muditha K. Heenkenda; Kerin F. Romero

Yazışma yazarı: Kerin F. Romero

Kurumlar: Department of Agricultural Engineering, Instituto Tecnológico de Costa Rica, Cartago, Costa Rica; Department of Geography and the Environment, Lakehead University, Thunder Bay, Canada.

Dergi: AgriEngineering

Yayınevi: MDPI

Cilt / Sayı / Makale: 8 / 5 / 172

DOI: 10.3390/agriengineering8050172

Tarihler: Alındı: 19 Şubat 2026; revize edildi: 24 Nisan 2026; kabul edildi: 29 Nisan 2026; yayımlandı: 1 Mayıs 2026.

Kaynak türü: Hakemli araştırma makalesi; saha spektroskopisi, UAV multispektral uzaktan algılama, spektral sentez, istatistiksel ayrılabilirlik analizi ve Random Forest görüntü sınıflandırması.

Lisans: Creative Commons Attribution (CC BY). Görünür kaynak PDF metni lisans sürüm numarasını ayrıca belirtmediğinden sürüm tahmin edilmemiştir.

Çalışma sahası: La Palma de Abangares, Guanacaste Province, Costa Rica.

Şeker kamışı çeşidi: LAICA-09374; örnekleme sırasında yaklaşık 42 gün.

Hedef yabancı ot: Rottboellia cochinchinensis.

Hiper-spektral cihaz: FieldSpec 4 Std-Res; 350–2500 nm; 1 nm örnekleme aralığı.

UAV görüntüleme sistemi: MicaSense RedEdge-P; DJI Matrice 300; DJI D-RTK2; 2 cm mekânsal çözünürlük.

Spektral örnek sayısı: R. cochinchinensis için 80; şeker kamışı için 34 FieldSpec ölçümü.

Eşleştirilmiş spektral örnek: R. cochinchinensis için 51; şeker kamışı için 34. Bu örnekler sınıflandırıcı eğitimi için değil spektral karakterizasyon ve ayrılabilirlik analizi için kullanılmıştır.

Sınıflandırma örneklemi: Şeker kamışı, R. cochinchinensis ve açık toprak için sınıf başına 73 örnek; %70 eğitim / %30 bağımsız doğrulama; eğitim üzerinde 5-fold cross-validation.

Piksel tabanlı model: Google Earth Engine Random Forest; 1000 ağaç; variablesPerSplit = 4; minimum leaf population = 2; bag fraction = 0.8; maksimum 200 node/ağaç.

OBIA: ArcGIS Pro 3.5.4 Segment Mean Shift; spectral detail = 15.5; spatial detail = 15; minimum segment size = 20 piksel. Segment özellikleri R 4.5.2 içinde 500 ağaçlı Random Forest ile sınıflandırılmıştır.

İstatistiksel değerlendirme: Jeffries–Matusita mesafesi ve tek yönlü ANOVA.

Performans değerlendirmesi: Confusion matrix; producer's accuracy, user's accuracy, overall accuracy ve Cohen's Kappa.

Finansman: Vice-Rectorate of Research and Outreach of the Costa Rica Institute of Technology, proje “Metodología de detección remota para la identificación y control localizado de malezas en caña de azúcar”, ID 10421038; Emerging Leaders of the Americas Program, Global Affairs Canada, 27 Mayıs 2025.

Etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Sonuçları destekleyen ham verilerin talep üzerine yazarlar tarafından sağlanacağı bildirilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Yazar katkıları: Kavramsallaştırma: María P. Iglesias ve Kerin F. Romero. Yöntem ve yazılım: María P. Iglesias, Kerin F. Romero ve Muditha K. Heenkenda. Formal analiz: María P. Iglesias ve Muditha K. Heenkenda. Özgün taslak: María P. Iglesias. Gözden geçirme ve düzenleme: Muditha K. Heenkenda. Danışmanlık: Muditha K. Heenkenda. Proje yönetimi ve finansman edinimi: Kerin F. Romero.

Kaynak içi sayısal tutarsızlık 1: Metin bütün bantlarda RMSE'nin 0.10'dan küçük olduğunu söylerken Table 2 R. cochinchinensis NIR RMSE değerini 0.1005 olarak vermektedir.

Kaynak içi sayısal tutarsızlık 2: Metin şeker kamışının özellikle NIR bölgesinde biraz daha yüksek RMSE verdiğini belirtirken Table 2 NIR için şeker kamışında 0.0929 ve R. cochinchinensis'te 0.1005 raporlamaktadır.

Kaynak içi sayısal tutarsızlık 3: Sonuç metni incelenen indekslerin JM = 1.4142 teorik maksimumuna ulaştığını söylerken Table 3 “All indices in Table 1” için JM = 1.412 vermektedir. Verianla bu farkı düzeltmemiş, her iki kaydı kendi bağlamında görünür bırakmıştır.

Temel yöntemsel sınırlılık: Sonuçlar tek saha, tek şeker kamışı çeşidi ve erken büyüme dönemine aittir. Farklı çevre, genotip, fenolojik dönem, sensör, mekânsal çözünürlük ve yabancı ot türlerinde dış doğrulama gereklidir.