Gürültülü Etiketler Altında Derin Öğrenme Tabanlı Ürün Beyanı Doğrulama: Parsel Düzeyinde Risk Önceliklendirme İçin Kayıp Fonksiyonları ve Mimarilerin Karşılaştırmalı Analizi

Creative Commons License

ADANALI A. S., ÇIÇEK G.

ÇOMÜ Ziraat Fakültesi Dergisi, cilt.14, sa.1, ss.128-141, 2026 (TRDizin)

Özet

Tarımsal destek politikalarının etkin yönetimi, çiftçi beyanlarının güvenilirliğine doğrudan bağlıdır. Türkiye'de Çiftçi Kayıt Sistemi (ÇKS) aracılığıyla yürütülen parsel bazlı ürün beyanları, saha düzeyinde sistematik doğrulamadan yoksundur; bu durum beyan verilerinin eğitim etiketi olarak kullanıldığı derin öğrenme modellerinde yapısal bir gürültü kaynağı oluşturmaktadır. Bu çalışmada, Çanakkale ili Biga ilçesindeki 15.000 tarım parseli için Sentinel-2 çok zamanlı verileri kullanılarak ÇKS beyanlarını doğrulamaya yönelik derin öğrenme tabanlı bir sınıflandırma ve risk değerlendirme sistemi geliştirilmiştir. Çalışmanın özgün katkısı iki eksende yoğunlaşmaktadır: (i) Symmetric Cross Entropy (SCE) kayıp fonksiyonunun uzaktan algılama tabanlı parsel sınıflandırmasına ilk kez uygulanması ve (ii) sınıflandırma çıktılarının parsel bazlı risk skoruna dönüştürülerek saha doğrulama önceliklendirme çerçevesine entegrasyonu. LSTM ve 1D CNN-LSTM mimarileri, standart Categorical Cross Entropy (CCE) ile SCE kullanılarak karşılaştırmalı olarak değerlendirilmiştir. On Sentinel-2 spektral bandı ile NDVI, EVI, NDRE ve LAI vejetasyon indekslerinden oluşan 14 özellikli haftalık kompozitler, 30 zaman adımı boyunca girdi olarak kullanılmıştır. En yüksek performans, 1D CNN-LSTM + SCE modelinden elde edilmiştir (Macro F1: 0.741; OA: %86.5). SCE, azınlık sınıflarında belirleyici iyileşmeler sağlamıştır: Domates precision değeri 0.16'dan 0.70'e, Biber precision değeri 0.41'den 0.76'ya yükselmiştir. Risk skorlama mekanizması, 15.000 parselin 1.738'ini (%11.6) yüksek riskli olarak işaretleyerek saha denetim kaynaklarını 8.6 kat daha verimli kullanmaya imkân tanımaktadır. Coğrafi kümelenme analizi, belirli köylerde uyumsuzluk oranlarının %48'e ulaştığını ortaya koymuştur. Bulgular, etiket gürültüsü içeren tarımsal sınıflandırma problemlerinde kayıp fonksiyonu seçiminin mimari seçiminden daha belirleyici olabileceğini göstermektedir.
Accurate verification of farmer-declared crop types is essential for the reliable administration of agricultural subsidy programs. In Turkey, parcel-level crop declarations submitted through the Farmer Registration System (FRS/ÇKS) are not subject to systematic field-level verification, introducing structural label noise into deep learning models that rely on these declarations as training supervision. This study presents a deep learning-based crop classification and risk assessment framework applied to 15,000 agricultural parcels in the Biga district of Çanakkale province, Turkey, using Sentinel-2 multi-temporal imagery to validate FRS/ÇKS declarations. The study advances the state of the art along two axes: (i) the first application of Symmetric Cross Entropy (SCE) loss to remote sensing-based parcel classification, and (ii) the integration of classification outputs into a parcel-level risk scoring framework for field verification prioritization. LSTM and 1D CNN-LSTM architectures were comparatively evaluated under both standard Categorical Cross Entropy (CCE) and SCE loss functions. Weekly median composites comprising 14 features — ten Sentinel-2 spectral bands together with NDVI, EVI, NDRE, and LAI vegetation indices — were used as input across 30 temporal steps. The highest performance was achieved by the 1D CNN-LSTM + SCE configuration (Macro F1: 0.741; OA: 86.5%). SCE yielded decisive improvements for minority classes: tomato precision increased from 0.16 to 0.70, and pepper precision from 0.41 to 0.76. The risk scoring mechanism flagged 1,738 of 15,000 parcels (11.6%) as high-risk, enabling an 8.6× more efficient allocation of field inspection resources. Geographic clustering analysis revealed discrepancy rates reaching 48% in certain villages. These findings demonstrate that, in agricultural classification problems with structural label noise, loss function selection can be more determinative than architectural choice.