 finally we arrived to our last webinar en nihayetine son webinlerimize geldik. Ve şimdi webinlerimizi yapıyoruz bugün. Burada gördüğünüz dört webinlerde gerçekleştirdik. Şimdi digital toprak aritalaması webinlerimize geldik. AR yazılımında nasıl yapılıyormuş? Göleceğiz. Umut ediyoruz. Benim için zevk. Umut ediyoruz. Bugün hanımımızı üç kısmı ayıracağız. Öncelikle toprak aritalamasına bakacağız. Genel eksel toprak aritalaması aritalamasına bakacağız. İlk bölümde. Daha sonra ikinci bölümde. Daha ziyade ciddi ciddi digital toprak aritalamasına bakacağız. Ve üçüncü bölümde ar yazılımı kullanarak pratik bir uygulama yapacağız. Kodun kendisine bakacağız. Ayar şazasında toprak organik karbon haritalaması örneği gerçekleştirmeye çalışacağız. Yine pratik oturmumuzda o da son oturmumuzu oluşturacağız. Öncelikle söylemek isterim ki ben bir toprak uzmanı değilim. Mustafa Bey ve diğerleri belki benden daha fazla şey biliyordur toprakları hakkında. Ama ben toprak uzmanı değilim. Öncelikle unutöylemem gerekir. Ben daha ziyade istedestik. Anel'in acısından Osman'ın bu konuda. Ama hepimize topraklarımızı ne kadar önemli olduğunu biliyoruz. Ve FAA tarafından da tanınmış olduğu üzere toprak pek çok ekosistem hizmeti sunar. Güzel bir infografiyeni görüyorsunuz. Resmini görüyorsunuz. O sırası toprak yılı vesilesiyle yiyinlanmış bir resim. Ekosistem'deki bütün toprak fonksiyonlarını bunların önemini bize anlatıyor bu resim. İşte bu sebepten dolayı arazi kullanım planlaması bağlamında ve en tekrar arazi kullanım planlaması daha. Toprak değerlendirmesi, vertalaması yapmak bizler için çok önemli. Öncelikle toprağın özelliklerinin haritasına çıkarmamız gerekiyor. Bunun için de iyi bir toprak değerlendirmesine ihtiyacımız var. Özellikle toprağın farklı bitkileri uygununu değerlendirmek için ve diğer arazi kullanım senaryolarına uygununu değerlendirmek için çok önemli. Böyle bir değerlendirme yapmak. Daha önceki seminerimizde bozulmayı izlemekte ne kadar önemli? Bunu görmüştük. İşte bozulma izleyebilmek için de toprak aritalarına ihtiyacımız var. Ki Hakk'ı ve Tule'den tarafından geliştirilmiş olan sol tarafta proje resminizi görüyorsunuz. Proje bu resminde metolojik çerçevinin resmini görüyorsunuz aslında. İkinci adımda diyor ki mevcut durumun değerlendirilmesi. Mevcut durum değerlendirilirken toprağın durumunda değerlendirilmesi bunun içerisine giriyor. İşte bunu yaparken kim, neyi yapacak, ne zaman yapacak metolojik çerçevi bu konuda da bizleri yönlendiriyor zaten. Şimdi öncelikle geleneksel yani konvansiyonlar toprak aritalaması neymiş? Ve daha sonra digital toprak aritalaması geleneksel aritalarından nasıl ayrılıyor? Ona bakalım. Öncelikle acı ayar çalıştığından bir harita görüyorsunuz. Nos burada farklı birbirinden ayrık arazi üniteleri birimleri var. O nedenle bu şekilde ayrık birimler olarak görürüz bir geleneksel haritalamalıda. O nedenle sarıdan mesela mora geçtiğimiz zaman iki çok ayrışık toprak türü olduğunu görüyoruz. Ve sınırlarda çok aşırı sınırlardır. Yani bu değişiklikler, bu bos sınırlardan geçerken yavaş yavaş tedrici olarak gerçekleşmez. Birdenbirey değişiklik meydana gelir. Çok keskin hatları vardır geleneksel toprak aritalaması da toprak özelliğinin diğerinden. Özellikle digital toprak aritalaması karşılaşırılığında en büyük farkı da budur diyebiliriz. İşte bu tür geleneksel haritalarda kantitatif bilgi yoktur. Bu değişikliklerle alakalı, verayi bilgilerle alakalı olarak. Yani her bir arazi birimi içerisinde ne kadar değişiklik var, bunu net bir şekilde göremeyiz. Bu tür geleneksel haritalarda. Şimdi geleneksel toprak haritası dediğimiz zaman pek çok örneği var aslında. Geleneksel haritaların mesela dünya toprak arıtası FAYA'yı ayet. İç türünün ilk örneği de 1974'lü üretildi. 20 yıl oturdu bu haritanın üretilmesi. Faha tabi ki dünya genelinde bir dizi bilim adımıyla işbili yapmak zorunda kaldı. Bu haritayı oluşturmak için. Ve insanlar toprak haritacaları özellikle gitiler araştırma yaptılar. Ve sonuçta bu haritayı ortaya çıktı 20 yıl sonunda. Bu haritalar yıllar öncesine ait ama bakıldığında. Toprak haritalamasının ilk adımlarıydı zamanında o haritalar. Ve yaklaşık otosiyo kadar önce Geo estatistik toprak bilimlerine tanıtıldı. Toprak bilimleri alanına girdiği coğrafi estatistikler alanı. O nedenle bu coğrafi estatistik yani Geo estatistik konsepti sayesinde verilerin otokoralasyonu yapıldı. Ve haritaya dökülebildi. Neden bahsediyorum otokoralasyon derken. Öncelikle otokoralasyon şöyle bir şey numuleleri birbirine ne kadar benzer olduğunu gösteriyor. Önekler numuneler daha birbirinden nerede ayrım gösteriyor, farklı gösteriyor. Bunu gösteriyor otokoralasyon. İşte böyle bir yaklaşım toprağı haritalandırır. Ve toprağı sürekli bir mekansan değişken olarak gösterir. Ve mekanda tebrikli bir şekilde değişiklikleri gösterir. Birbirinden bira değişmez. Oradan oraya geçerken. Daniel Crick. Geo estatistik bu abalarından bir tanesiydi. Kendisinin adını burada görüyorsunuz sol tarafta. Elde yazıyordu o zaman tüm rakamları ve hesaplamayı yapıyordu. Ama ben çok şükür bir PhD yaparken doktorumu yaparken elle yapmak zorunda kalmadım. Tüm burada gördüklerinizde. Burada gördüğünüz bir semih var yorgamdır. Buradaki fonksiyonlar sayesinde semih var yorgamlar sayesinde. Özel bir mekansal otokoralasyon yapabiliyoruz. Bakın sol tarafta semih var yant var. Burada da aslında iki örneğin, iki örnek noktasının birbirinden nasıl farklı olduğunu, ne kadar farklı olduğunu görebiliyorsunuz. Ve çok fazla otokoralasyon yapılması gerekiyor. Böyle bir sistem içerisinde. Özellikle iki örnek noktası arasındaki mesafe arttıkça semih var yant, semih var yant da artacaktır. Böyle bir formulasyon, formül içerisinde. Şimdi bizde geolistatistik çerçevesini uygularken öncelikle amprek bir var yorgam elde ediyoruz. Buradaki noktalar amprek olanlar işte. Bu kadar mesafede noktalar birbirinden ayrıymış gördüğünüz gibi. Her bir gözlem noktasına semih var yansını gösteriyor bunlar. Ve daha sonra teorik bir modelde temel parametreleri görüyorsunuz. Geoestatistikte olabilecek temel parametreler. Buradaki şeklin üzerinde. Sürekli model diyorum, farkındayım ama. Bu da otokoralasyonun modellemesini yapıyor. Ve bu sayede tahminlerde bulunabiliyoruz. Çünkü toprak aritalaması veya herhangi bir aritayı yaparken öncelikle her yerde her şey ölçümleyemeyiz. Öyle değil mi? Interpolasyona ihtiyacımız var. Gidip de numune alamayacağımız yerlerde tahminlerde bulunmaya ihtiyacımız var. Ölçüm yapamayacağımız yerlerde tahminlerde bulunmaya ihtiyacımız var. Peki bunları nasıl yapıyoruz? İşte bu metotel sayesinde yapıyoruz. Geri neksel toprak aritalamasında, arazi, birimlerinde bazı gözlemlerimize dayanarak ve bilgilerimize, bilim adamlarının begesine dayanarak bir şeyler yapıyorduk. Yani bu polikonlarının resmine çıkarıyorduk belki. Hepsini aynı renk de yapıyorduk. Daha sonra bir şekilde interpolasyon yapıyorduk o zamanlarda. Komantiyonlar yani geleneksel metodda. Ama geoistatistik interpolasyonunda otokoralasyon dahil oluyor bu sefer sürece. Yani veriler gene birbirine, mekanda veriler birbirine bağımlı. Bunların otokoralasyonu sayesinde de yordamalara gidiyoruz. Tüm CBS'e yazılımlarında ve kütüphanelerimizde geoistatistikler bulunmaktadır. Burada geoistatistikle ilgili olarak güzel olan şeylerden bir tanesi. Bu geoistatistik sadece değişkenleri sürekli bir çerçevede haritalamamıza yardımcı olmuyor. Aynı zamanda ilgili tahminlerimizin belirsizliğini de tahmin etmemizde yardımcı oluyor. Belirsizliğini de sunmamızda yardımcı oluyor. Oldukça önemli. O nedenle geoistatistiksel metodlar, digital toprak haritalamasının bir parçasıdır diyerek bir şekilde söyleyebiliyoruz. Ama başka metodlarda var ki kullanılabilir bunlarda özellikle digital toprak haritalamasını da kullanılabilir. Ama digital toprak haritalaması nedir? Ona bakalım öncelikle. Burada bir tanıma var aslında ama özetlemem gerekirse digital toprak haritalaması elinizde saha, nabarutu var ve gözlem verileri vardır. Bunları çevresel verilerle bir araya getirirseniz ve bir model kullanarak modeleme yaparak bu verileri birleştirirseniz ve daha sonra herhangi bir toprak özelliğini tahmin edersiniz ilgili alanda, başka alanlarda yani bakmadığınız, ölçüm yapmanız alanlarda da tahmin edebilirsiniz. Dijital toprak haritalaması sayesinde. İşte burada digital toprak haritalaması görüyorsunuz. Eğitim verisi var elinize diyelim. Toprak organik karbonu verilerimiz var. Bizim eğitimimizde yani bugün bunları kullanacağız. Bakın örneklem noktalarını görebiliyorsunuz. Artık eş değişkenler var. Soğut köşede de eş değişkenleri görüyorsunuz. Bunlar uydu verileri olabilir. Eş değişkenler, toprak alıştıran faktörler olabilir. Daha sonra bunları bir araya getirdiğiniz zaman bir de prediktif model kullandıktan sonra, yani modeleme yaptıktan sonra mesela toprak organik karbon haritasını, toprak haritasını sağ tarafta olduğu gibi oluşturabiliyorsunuz. Çok basit bir şekilde işte böyle bir haritalamadan bahsediyoruz. Sıradan bir kriging'de böyle bir eş değişkenleri kullanmanız gerekiyor, gerekmiyor. Çok farklı kriging modelleri var. Bazı eş değişkenleri de kullanıyor bu arada. Ama biz kullanmıyoruz. Kriging yaparken. Şimdi eğitim verilerine bakalım. Bundan bahsediyorduk zaten. Değil mi? Dijital toprak haritalamasında saha örnekleme çok önemli diye demiştik. Bazen yanlış anlaşılma olabiliyor. Eğer dijital çalışıyorsanız, sahadan veriye ihtiyacınız yok, gözden verisine ihtiyacınız yok diyebiliyor insanlar. Her şey bilgisayar yapıyor diyorlar. Ama hayır kesinlikle doğru değil böyle bir söylen. Çünkü dijital toprak haritalaması genel olarak sahap verisine odaklanır zaten. Ona dayanır. Kesinlikle sadece uzaktan algılama verisine dayanmaz. Sağda doğrulama gerekir. Aynı zamanda genelde uzman bilgisi, gerer bilgi bizler için önemli değerlardır. Dijital toprak haritalaması yaparken. Bilgisayar hesaplaması, profil tanımlaması veya laboratuvar analizinin yerine geçmez. Onlara da hala ihtiyaç vardı. Dijital toprak haritalaması yapıyor olsak bile. Tabi ki elimizde böyle bir bilgisayar teknolojisi varsa, hesaplama teknolojisi varsa kullanmak lazım. Dijital da işimizi kolaylaştırıyor. Fark yaratıyor. Avantajlarından yerarlanmak lazım. Faydalanmak lazım elbette. Bu hesaplama gücünden. Ama her zaman ve her zaman temelde sahadan aldığımız verileri güvenmek zorundasınız. Dijital çalışıyor olsak bile ve yerel bilgeye güvenmek durumundasınız. Şimdi ayar şavzasına bakalım. Bu webinardan sonra bir eğitim gerçekleştireceğiz. Ve ayar şavzasından verileri toprak analizi için kullanacağız. Bu bu haritaları görmüşsünüzdür daha evvel. Toprak dofileri var. Burada sol tarafta sanırım 40 dokazyonlar alınmış. Ve sanırım bin kadar örnek veya prob vardı. Sağ tarafta da farklı değişkenlerin ölçüldüğünü ve toprak proplarına sağ tarafta görebiliyorsunuz. Bu veriler tamamen bitmedi şu anda. Eğitmek kadar bitmesi planlanıyor. Eğitimde kullanabileceğiz diye düşünüyoruz. Hazlı verilerini. Ama sağ tarafta gitmemiş olsak bile tam olarak sol taraftaki bitmiş toprak profilleri veriyse o nedenle bugünkü uygulamamızda bunları kullanabiliriz diye düşünüyorum. Şimdi herhangi bir toprak özelliğinin haritasını çıkarmak istediğinizde mesela toprak organik karbon gibi veya diğer özelliklerin haritasını çıkarmak istediğinizde veril hazırlığı, sizin kilit çalışmanızı oluşturacak dijital toprak haritalamasında kalan kısmı da olacak. Sizler başka servislerden belki yıllar önceden gelen verileri de kullanıyorsunuz. Verilere uyumlaştırmaya çalışıyorsunuz. Yine gör korunat belirleme ve benzeri şeklinde pek çok hazırlık çalışması olabiliyor. İşte hazırlık çalışması DSM'in yani dijital toprak haritalamasının ilk adımlarından ve en önemli adımlarından bir tanesi olarak karşımıza çıkıyor. Bizim deri setimizde kırk tane örneği kullanıyoruz. Saatarat'ta görüyorsunuz, farklı örnek alanlarından alınmış profiler görüyorsunuz ve farklı aslıklar olarak karşımıza çıkıyor. Ufaklı katmanlara sahip, bazıları beş katmana sahipken, bazıları farklı sayıda katmana sahip. Bakalım şurada ve her bir örneklam noktasında kaç tane örnek olduğunu görüyorsunuz. Kırmızı ise beş tane örnek olduğu anlamına geliyor o noktadan. Peki çubu belirleri nasıl uyumlaştıracağız harmonize edeceğiz diye sormak lazım. Mesela sok için yani toprak organik karbon özelliği için bir hedef alınan derinlik var. Kullanılan küresel toprak organik karbon haritasında, faonun haritasında bu derinlik ilk 30 cm olarak karşımıza çıkmıştı. O nedenle ben sadece 30 cm'yi kullanacak olursam burada toprak organik karbonu için noktada çizgiye kadar gelebilmiş oluyorum. Böyle bir durumda tüm şuraya kadar gelirsem tüm 30 cm'yi de temsil etmiş olmayacağım. O nedenle burada tahmini de bulunabilmek için hedef derinlik tüm toprak özelliklerini yansatabilmek için modellemeden faydalanmak lazım. Birileri modellere yerleştirip tahmini de bulunmak faydalı olacakları ve toprak özelliklerini bu vesileyle tahmin edebileceğiz herhangi bir standart derinlikti. Aynı zamanda boşlukları da tamamlayabileceğiz. Çünkü hepsi 30 cm de olmayabilir işte o örneklerin. O nedenle burada bir resim görüyorsunuz bakın şekil tarafta. Nasıl modelleme yapabileceğinizi gösteriyor. Toprak özelliklerin derinliği göründükle o kadar değişebileceğini gösteriyor. 30 cm ilk 30 cm derinlikte toprak organik karbon şeklinde bildirebiliriz mesela biz modelleme yaparken vereyimize. İşte burada toprak organik karbon için ar yazılımında dikkat edilecek onlardan bir tanesi de şu olacaktır stokların tahmin edilmesi önemli olacaktır. Sadece karbon konsantrasyondan bahsetmeyeceğiz. Bahsetmiyoruz. Hem taş hemden hem de hacim bu hacim yoğunluğundan bahsediyoruz. Bunların da tahmin edilmesi gerekecek. Bunu ben yaptım. Ayar şafsız için sonuçlarına da burada görüyorsunuz. Toprak organik karbon stov için ilk 30 cm sonuçlarım böyle çıkmış. Gördüğünüz gibi 40 tane örneğin varmış ve ortalama değerli 4.10 olarak karşıma çıkmış. Bu organik karbon stov kilogram metrekare başına kilogram olarak gösterilmiş. Büyük bir mesele yine bunu düşünmek lazım. Dediğimiz gibi sadece 40 örneğe göre yaptık lütfen. Dijital toprak haritalamasında sadece 40 örneği bağlı olarak bir şey yapmanız çok zordur azdır yani. Sadece egzersiz olarak bir alıştırma olarak da 40 örneği kullanmak istedim. En azından 100 tane örneğe ihtiyacınız vardır. Dijital toprak haritalamasında güvenilir sonuçlar istiyorsunuz. Ama elimizde 40 vardı. Biz de 40 yapmak zorunda kaldık. Toprak organik karbonu yaptık dediğim gibi. Çünkü problarda ölçülmemişti. Sadece profilerde ölçülmüştü. Toprak organik karbonu. Şimdi her bir noktada görüyorsunuz ki organik karbon stoklarını miktarı belirlenmiş. Kırmızı da daha düşük değerler var. Metrekare başına kilogram olarak. Mavi ise daha yüksek stok olduğu anlamına geliyor. Peki ne yapmaya çalışıyoruz? Harita istiyoruz ki noktaları görmeyeceğiz. Ama noktalardan toprak organik karbonu diğer yerlerde de tahmin edebileceğiz. Sadece bu noktaların olduğu yerlerde değil. İşte böyle bir harita görmek istiyoruz. İşte bunun için de yapılması gerekenik şey. İyi yer bizler. Arazi örtüsü ve toprak sınıflarını kullanacaksak ve toprak sınıflarına ve geologi aritasını eşde içgenler olarak kullanacaksanız bu kırk nokta sınıflarda nasıl temsili değil mi buna bakmak gerekecek öncelikle. Yani biraz keşif analizi yapmak gerekecek bir yeriyle yönelik olarak. Biz biliyoruz ki örneklerin çoğu bu arada Ayarş Hazası'na pek çok arazi örtüsü olmasına rağmen örneklerin çoğu profildeki örneklerin çoğu ekilebilir arazilerden çekilmiş alınmış. Yani profilerin üçü yani 37 tanesi ekilebilir arazilerden gelmiş. Yüzde üçü daimi mutlak ağaçlık bitkilerden. Yüzde beşe ise mutlak çalılık bitkilerden gelmiş. Böyle bir dağılım var. En sol keşfede tosta diliminde. Ortaya bakalım. Toprak sınıflarında baktım. Farklı toprak sınıflarında baktım. Genellikle çoğu toprak tipinin temsil edildiğini gördüm. Kırk tane örneğimiz içerisinde. Bu konuda profilleri profillerde de baktığımız zaman geoloji haritamız var. Ayar şavzasında. Ve çoğu sınıf da yine geoloji sınıfı da orada temsil edilmiş bunu gördük. Şimdi burada en önemli hususlardan bir tane arazi örtüsü olacak. Belki de en önemlisi. Çünkü modelimizde bunu kullanacaksak tahmin de bize yönlendirici olsun ya. Arazi örtüsünü kullanacaksak bir karar vermemiz gerekecek. Öncelikle sadece ekilebilir arazi mutluluk ağzlık arazi mutluluk çalılık alanda tahmin de bulunabiliriz. Çünkü mesela çimli kalan da örneğimiz yokmuş. Öyle değil mi? Ve pek çok toprak özelliğinin arazi örtüsüyle değiştiğini biliyoruz. Öyle değil mi? Ona bağlı olduğunu da biliyoruz. O nedenle böyle bir durumda interpolasyon yapmak o alanlarda çimli kalanlarda çok da mantıklı olmayacaktır. Ama daha sonra ben bu konuya geleceğim. Burada en önemli ilk adım verilerin uyunlaştırılması, yani hazırlanması ve risettenin oluşturulması ve bileştirilmesi olacak onu söyledik. Şimdi biraz daha var yet dediğimiz eşleşken konusuna geçelim. Neden eşleşken kullanıyoruz ve nasıl kullanıyoruz eşleşkenleri bakalım. Öncelikle derece tarzı toprak haritanılması böyle bir notyona göre oluşturulmuştur ki herhangi bir toprak özelliği bu faktörler kullanarak üretilen faktör kullanarak üretilebilir. Funksiyonu burada görüyorsunuz. Bu ne diyor toprak eşittir toprak eşittir toprak şundan tahmin edilebilir diyor. Yani toprak haritalarından, toprak örneklerinden uzakların algılama verilerinden tahmin edilir. Artı iklimden etkilenir toprak diyor, iklim özelliklerinden etkilenir. Organizmalardan etkilenir diyor toprak. Bu formül vegetasyonundan etkilenir. Organizmalardan etkilenir. Topografik değişkenler burada kilit öneme sahiptir. Bunlar da etkiler. Ana madde toprağın ana maddesi çünkü toprağın kimyasal kompozisyonuna oluşumuna etkiler. Toprağın özelliklerini de etkilecektir. Toprağın yaşı, toprağın lokasyonu. Bundan etkilenir diyor toprak. Yani formül de bunlar var. Aynı zamanda random, yani rastgele bir bileşende eklenmiş buraya. Bu da rezidiyal yani kalıntılarla alakalı topraktaki bu da otokoreli edilmiş kalıntıları hesaplıyor yine modelde. Şimdi burada tüm önceki, bunlar önceki üç webinerin artık daha mantıklı olacağını göreceğiz. İlk webinerimizin videosuna gördüğünü daha sonra üç videomuz oldu. Sonuncusu daha ziyade göreceğimiz araçlara bir giriş maliyetinde maliyetindeydi. Gördüğünüz üzere digital toprak aritalıması tüm daha önce gördüğümüz farklı webinerlerdeki araçları integre etmemize yardımcı oluyor. Çünkü iklimle arazi, örtüsüyle ve benzeri ilgili bütün araçları bir araya getirdikten sonra cbsi kullanabilirsiniz. Mesela google ors motorunu kullanırsınız ki üçüncü webinerde onu görmüştük. İşte oradaki bütün bulutdaki bulut bireşimdeki mevcut verileri alırsınız. Daha sonra diğer izleme indexlerinden faydalanırsınız ve benzer en nihayeten bunlar digital toprak aritalımasında yardımcı olur. Proje bağlamında bcbs veri tabanı oluşturuluyor ve bunlardan bir tanesi toprak arıtası özellikle bunu nasıl yapılacağını biraz sonra göreceğiz. İklim ikinci iklimle ilgili de ayrı bir sistem var. world claim on dokuz büyük ihtimalle iki değişkenler şöyle bir hesabıyan sistem ve burada bir satacakları olsun ya da başta yıllık ya da bir aynık bir verileri elde edebilirsiniz. Bu sistemi kolayca indirebilirsiniz ve kullanabilirsiniz. Digital elevation modellerimiz de burada vardır. 10 metreye kadar veri alabilirsiniz ve bu bilgiler de yükseklikle ilgeli bilgileri farklı değişkenlerden elde edebiliriz. Mesela eğilim olsun ya da ona benzer. Google earth engine ve binarı esnasında da farklı topografik endekslerin mevcut olduğunu gördük ve bu endeksler rölyef endekslerini de tanımlıyorlar. Onlar da bu bağlamda kullanılabilir. Organizmalarla ilgili mesela ayar için ayar hafzası için mesela endviay kullanabiliriz öngörmek için. Tamam. Bu GIS data base biz de tam arasında eğer soylum ve karabalık bir adım bu için tahmin gridine ihtiyacımız var. Bu ekselsizde tahmin gridi oluşturduk. mesela heksagonlardan oluşan sizin için her bir heksagon bir hektara denk geliyor bu arada burada. Bu heksagonların her biri için yaklaşık 150 bin heksagon vardı sanırım hafzadaki hektarları düşünerek oluşturmaya çalıştık. Tüm bu eşleşkenlerle ilgili bilgi bulmaya çalıştık CBC'den. Şimdi böyle bir durumda vektor haritaları varsa arazi örtüs haritası gibi ve toprak haritası gibi ayardan veciolenci haritaları gibi bunlar efendim hanımefendilerin bağlantısını kesildi ben mi şu anda düştüm ben duymuyorum çünkü şu anda efendim şu anda konuşmacayı duyamıyoruz acaba Murat Bey bir yönlendirme de bulunabilir misiniz ben mi düştüm şu anda çünkü anlayamıyorum hanımefendi mi düştü hanımefendi biz size duyuyoruz ha o zaman hanımefendi düştü tamam ben buradayım çünkü tamam biz duyuyoruz ben yalttım ama şeye cevap geldim sizden ses çıkmayınca herhalde bıraktı gitti alo şu anda alttan minot geldi herhalde ah elektrikleri kesilmiş evinde seray yazıyor çünkü şu anda chatbox'dan geldi evet geldi kusura bakmayın elektriklerim kesildi elde ki gene kayboldu hanımefendi evet yine duymuyoruz kendisini ülkemizin kıymetini bilin bak elektrik kesilmiyor peki geri dönmeye çalışıyım şimdi döndü evet slide slide'e görebilmiş miydiniz slide'e görmüştünüz değil mi davet bundaydık evimin yakında çok fazla yangın oluyor bu aralar o nedenle elektrik kesintisi de çok oluyor peki öncelikle bu gridi oluşturduk toprak organik karbonu sahmenin de bulunabilmek için dediğim gibi her bir heksakonda bir hektar var ve her biri için eşleşkenlerin verilerini elde etmeye çalıştık her bir eşleşkene yönelik her bir heksakonda veri elde etmeye çalıştık cbs'den şimdi şöyle düşünelim bir haris olarak düşünün bunu ya da bir bir tablo veri tablosu gibi düşünün her bir nokta için sok değeri var aynı zamanda tüm diğer eşleşkenlerin de verileri var eğitimini yapacağımız ve de bir tablomuz var her bir sırada bu heksagonlar var ve her bir eşleşken bilgileri orada ama sok yok bu sefer o nedenle her bir heksagon için sok tahmini yapmamız gerekiyor eşleşkenleri kullanarak sok yani toprak organik karbon haritalamasını yapacağız evi tahminini yapacağız çok prediktif model kullanacağız tamam mı şimdi bunu anlatmaya çalışıyorum diyelsen yani toprak organik haritalama bağlamını kullanarak faydalanabileceğimiz pek çok prediktif model var pardon yörenme bende peki geoistatistik modellerden faydalanabiliriz prediktif modeller olarak gibi regreson kriging gibi co-kriging gibi bunlar da mekansal enterpolasyon teknikleridir multiple regression gibi ama bu regresonlar tahminlerde bizlere yardımcı olabilir ama verilerin otokoralautiyonu veya krigingini input yani gibi verisi olarak kullanmamız gerekiyor bunu yaparken ya da sol tarafta veri veri madenciliğini görüyorsunuz veri madenciliği yöntemlerinden makine öğrenme yöntemlerinden faydalanabiliriz yine prediktif modeller olarak bunlar verilere yönelik şimdi geoistatistikte samshin dediğimiz bar sayımlara gidebiliyoruz veri madenciliğinde durum böyle değil random forest support factor machines veya farklı algoritmalar yine veri madenciliği algoritması olarak kullanabiliyor random forest bizim kullandıklarımızdan bir tanesi hanımefenden sık görüntü ve ses kesintisi olmaktadır şu anda tamamen kesildi sanım bu vesileyle tahminlerimizden belirsizliğini de tahmin edebiliyoruz haritalandırabiliyoruz veri madenciliği algoritmaları da faydalı aslında özellikle hiper dinlemek yerler olduğu zaman yani çok fazla değişken varsa veri madenciliğinden faydalanmak daha iyi olabilir çünkü sadece bütün veri kalabalığın içinden faydalı olan verileri çeker bizim için veri madenciliği burada sonuçları görüyorsunuz random forest kullanılarak elde edilen sonuçlar bu sok verilerini böyle bulmuşuz random forest ile modeli ile bazı beyaz kalan yerler var işte orada toprak organik karbon içeriğine yönelik tahmin olmadığı anlamına geliyor işte bu tek sekonlar mesela çayır alandan gelen onlar olabilir dediğim gibi örneklerimiz onları kapsamıyor çünkü tempili değil de bir sadece çekilebilir araziden örnek almıştık mutluluk çalılık alan ve mutlak ağaçlık alanlardan almıştık o nedenle onlarda tahmine gidebildik mavi olan toprak organik karbon içeriğinin daha yüksek olduğu yerleri gösteriyor bu arada kırmızı olan da az olduğu yerleri zaten qj yeste de bakabiliriz zoom in zoom out yapabiliriz yakınlaştırıp uzaklaştırabiliriz qj yeste şurada sulama alanlarını görüyorsunuz şurada yüksek toprak organik karbon alanlarını şurada da düşük karbon alanlarını görmektesiniz ve bu tahminleri kullanarak toplam olarak bu tür arazide 2 milyon ton toprak organik karbonu olduğu düşünülmüş ama tabi ki tahminin hatası da olabilir tahminin hatası 27.3 %27.3 olarak hesaplanmış burada yani kırk örnekle zaten iyi bir çalışma çıkarmak zor biz sadece ezerkes alıştırma amaçlı kırk örnek kullandık çok daha fazlası olmalı tahmin hatasını da azalması için ve çapraz validasyonda yapıp tahmin hatasını bulabilirsiniz ve azaltabilirsiniz bizim için %27.3 tahmin hatası prediction error de diyemez chatte bir şey var diyor hanımefendi yes efendim sonunuzun cevabı evet chat kutusundaki sonunuzun cevabı evet peki tüm profil verisi ile bu verileri harmonize ettik ve verileri daha sonra bu 300 30 cm için olan birileri çektik çıkardık oradan harmonizasyon yaptıktan sonra sonunuzun cevabı evet ama burada bilersizlik haritasını yapmadık bilersizlik haritası için kuantil regression forest modelini kullanmamız gerekiyor burada yine random forest'ın sık görünen özelliklerinden bir tanesi kullanan özelliklerinden bir tanesi yine bağlantı kopukluğu yaşıyoruz şu anda burada kullandığımız farklı değişkenlerin önemi ne de konuşmamız lazım bio iklimsel değişkenleri kullanmışız topografik indeksleri kullanmışız neleri kullandığımızda bakın ndvi ortalamasını kullanmışız toprak haritası kullanmışız erasyon e-i keoloji haritası e-vi espi bunları kullanmışız topografi ve arazi örtüsü işte bizim değişkenlerimiz böyleymiş başka bir sorumu var diye bakıyorum şu anda chatte hayır benim bağlantım kötüymüş o yazıyormuş gerek yoksa telefondan da bağlantılabilirim ama şu an beni duyabiliyor musunuz çok özür dilerim evet çok özür dilerim ben kusura bakmayın çünkü elektrik olmadan götürmeye çalışıyorum ilklerimi şarjı bitmez şimdi bu haritaya baktık zaten burada da başka bir harita görüyorsunuz sadece krigin kullanarak sıradan krigin kullanarak yaptık bunu bu sıradan krigin kullanarak oluşturulmuş geoestetistik ki tahminler birileri semivaryogram eklediğim ve sıradan ordinary krigin bunu göstereyim semivaryogramı göstermeyeceğim şu anda sadece kırk tane veri noktası kullandık orada çok zor böyle bir şey yapmak ama genel olarak pattern böyle genel olarak pattern benzer sol tarafta daha değişkenlik var özellikle doğal eş değişken nerede değişkenlik daha fazla varyasyon daha fazla sol tarafta masal taraftaki pattern de buna epeyce benziyor şimdi başka bir küretel toprak organik karbon haritası ile bir karşılaştırma yapmak istiyorum sol tarafta çünkü bu küretel haritayı gösterip görüyorsunuz şu anda değerler daha yüksekmiş şurayla kıyaslandığında toprak organik karbon değerleri şurada daha yüksek bizim ama edettiğimiz haritada ama sarı olanlar burada daha yüksek karbon değerini gösteriyor şurada da ırtılama vadilerini görüyorsunuz bakın orada da ndvi veya başka veriler kullanılmış olsa gerek bu patterni göstermek zorunda kalmış harita böyle bir durumda ama toprak organik karbon şu üst taraftasa üst köşede daha fazla çıkmış biz de benziyor değerler şimdi bir demo yapalım marz ederseniz r yazılımında zor kısma geçelim şimdi r yazılımı yani burada etkileşimli bir etkileşimli bir oturum olsun teknik bir kitaplar faunun yayınladığı iki tane kitaplar aslında bu linklerden indirip yayınlanabilirsiniz orada işte tüm teknik bilgileri bulabilirsiniz onları kullanıp kolay bir şekilde bu kitapları takip edebilirsiniz bir tanesi toprak organik karbon haritası ile ne bir tanesi tuzlu topraklarla ilgili tuzdan etkilenmiş topraklarla ilgili bugün toprak organik karbonu haritalarını oluşturuyoruz dijital ortamda herhangi bir toprak özelliğinin de haritalarımızı çıkarabilirsiniz sadece karbonun değil şimdi o zaman stüdyomuza geçelim paylaşayım sizlerle evet bu bizim stüdyomuz sizin tecrübeniz oldu mu oldu mu lütfen o kullandıysanız beni duyabiliyor musunuz böyle stüdyo ile tecrübeniz olduysa kullandıysanız chat kutusuna yazarsanız evet edede hayır diye memnun olurum kişi art of art studio ile çalıştı lütfen yazarlarsa sevinirim başka herhangi bir cevap yanıt görmüyorum programı güzel gerçekten istedik programı güzel program ve onun için yapmak isteriz her şey için bir kütüphane vardır biraz programlama yapmanız gerekiyor sadece burada ve evet bazıları kullanmış bazıları kullanmamış onu görüyorum kütüphane kullanmaya başladı evet bunu kullanmaya başladı biraz daha zor oldu şu an daha kolay kullanımda daha kolay evet açtım bir tane dosyayı gördüğünüz gibi projenin dosyasını açtım evet bunlar da library kütüphane kullanacağım kutupane bütün verileri burada sakladım ve birinci adımımız verileri hazırlamak hatırlarsanız benim için çok zor değil de kırk tane örnek vardı sadece ama en alt limitleri orada belirtmeniz gerekiyor tabii çalıştırmadan önce ben bunu kendim için hazırladım evet bu verileri burada görüyorsunuz sok sok verileri yani toprak organik karbon verileri sok verileri kornetleri burada belirleyeceğim özellik kornetleri nelerdir onu belirleyeceğim ve burada tahmin yürüttüğünüzde ya da hesapladığınızda tokları hesapladığınızda topraktan olsun ya da taşlardan olsun yani kesini girmeniz lazım burada ve burada yeni bir tane açıyorum burada bu fonksiyonla burada verileri giriyorum ve sole profile collection objelerinden alıyorum bu verileri toprak analizi için bunun arla ilgili herhangi bir tecrübeniz daha önce olmadıysa evet ben sadece burada şunu söylemek istiyorum kısaca nasıl çalıştığını göstermek istiyorum özetle göstermek istiyorum tabii ki eğitim esnasında daha detaylı bir şekilde anlatım olacaktır yani nasıl kotlayacağız onların hepsini tabii ki göstereceğiz burada bütün kotların mevcut bir obji yaratıyorum objiyi yarattığında sağ tarafında environment kısmında çevri kısmında görebiliyorum objelerimi yarattığım objesi onun adı da formal class sole profile collection diye adlandırdım data court dedin de 3 tane değişken görüyorsunuz ve 40 tane o gözetim ve verilerini görüyorsunuz burada ise aşağıda herhangi bir hatanın oluşmadığında gösteriyor sistem yani bu fonksiyonlar art studio'daki bu fonksiyonlar yani biz için alıyorsunuz hangi datasetler ve lisetleri olacak ve şurada da bunun tokun ya da toprak organik karbonun sıfırla otuz arasında iki derinlik santimetre deriniğinde ölçmek istiyorum diyor belirtiyorum buradan net olarak onu da çalıştırdığımda tane örnek olursa bir tane derinlik olursa bunu hesaplayamaz onu sistem bana bu şekilde anlatıyor buradaki bu karak bu semboleri yaz mom'ın sebebi evet burada detayları veriyorum yani burada eğitim verisetlerimi burada hazırlıyorum çalıştırıyorum evet burada hacim ağırlarını hesaplamaya çalışıyorum bulk density hesaplamaya çalışıyorum bunun için toklarını almam lazım ama yüzdesini almam lazım burada komandaları görüyorsunuz gördüğünüz gibi hacim ser yoğunluğun hesabını yapıyoruz burada burada veri yoktu demişti bana ben ek olarak orada veri girdim bir saniye bu yöntem ile bu metodla BLD sütünün kolunu oluşturuyorum her zaman tabiki kontrol etmeniz de fayda vardır oluşup buluşmadığını görebiliyor musunuz benim verilerimi biraz daha büyütüyüm isterseniz kimse şikayet etmiyor evet burada minimum, maksimum veriler var sıfırının altında olmaması lazım ve ikinde üstünde olmaması lazım hacim ser yoğunluğun kitle yoğunluğundan bahsediyoruz burada o zaman bulk kitle yoğunluğun istogramına bakalım istogram verilerine bakalım toprak organik karbonun evet kaç tane araya ihtiyaciniz var o detaylarda girebilirsiniz 30 dan mesela ben 10 diye değiştirdim evet kitle yoğunluğunu hesaplamasını yaptık burada ve course fragment verilerinde ikilde isimlendirdim bunu sıfır olarak belirleyelim o zaman o zaman çalıştı sıfır diye belirten sonra çalıştırıyoruz course fragment verilerimiz sıfır şu an karbon stokun hesabını yapıcaz burada bulk sütünü kullanıcam bu kolunu kullanıcam ve bu fonksiyonu da kullanarak tahmini verileri ortaya çıkarıyorum e şey sistemde güzel bir şekilde çalışıyor buradaki burada neler elde ettik onu bir bakalım aşağıda gözünüz gibi minimum 1.5 izin verisetin bizden ve bu karbon stok kilogramla hesaplanıyor metre bazında yani hektar için hesaplamak istiyorsunuz ona çarpıyorsunuz yani ona çarparsanız 40 olur evet o zaman burada biz eğitim verisetlerini kullanıyoruz şu an metre kare hesabı yapıyoruz 40 tane örneğimiz var biliyorsunuz bunu yazarak bu verileri elde edebilirim ve onu da aktırabilirim mesela sağda da bu değerlerin yolunu yolunun dağılımını görüyorsunuz bazen değerlerin nasıl yansıtıldığını görüyorsunuz ve dağılımını görüyorsunuz mesela karbon stokları bizim verilerimizden ne 40 tane profil profil verilerimiz evet burada farklı kütüpanelerden bahsetmiştim herf kütüpanenin kendi bir fonksiyonu vardır raster kütüpanesi ne size gösteriyorum şu an buradayse raster verilerle çalışıyorsunuz ve eşde işkenlerle çalışabiliyorsunuz birkaç şey paylaşacağım evet ben genelde r ve kücai esi beraber kullanıyorum birbirini tamamlıyor benim için dolayısıyla burada şeyfayla girdiğimize aya şafsasının dosyalarına görebiliyorum buradaki hata verilen hata mesajı ise kullanılan re versiyonundan söz ediyor evet aslında bu çok önemli değil bizim için mesela şurada raster imajlarını yüklemek çok kolay aslında d-i-m 30 metre tif formatında napıyorsunuz seçiyorsunuz ve ayar sınırlarına limitlerini oraya koyuyorsunuz ve aynı şekilde farklı eşde işkenler için de yapabilirsiniz evet şu an hepsini burada yapmayacağım mesela tak yaratabiliyorsunuz iklim değişkenler için farklı bantlarınız var burada farklı bantları görebilirsiniz ve bio iklimsel numaraları görebiliyorsunuz mesela bio 1 ortalama yıllık ortalama sıcaklık derecesi ya da yağışların yolunu gibi veriler bu durumda evet burada seçerek çalıştırıyorum rando yemesini basıyorum sürekli Türkler sanırım tekrar kestisildi ben pardon eklilikler geldi ben şu an ebağından bağlanmaya çalışacağım bilgisayara soru okey okey evet iklim verilerin hepsini burada yükledim ve çalıştırdım 4 tane değişkenim var gördüğünüz gibi yıllık sıcaklık derecesi mevsimsel sıcaklıklar yağışlar, yıllık mevsimsel değişkenler yağışta ne değişken görüyorsunuz şimdi ise bu tablolarları çok tablolarını eş değişkenlere bağlamam lazım nasıl yapacağım zaten ben bu tabloyu hazırlamıştım daha önceden eş değişkenlerle beraber hazırlamıştım GIS'de profile data bunun adı ve burada özeti görebiliyorum aslında çok değişkenim var şu an bu tabloda burada arazi örtüsü gördüğünüz gibi rakamsal veriler ve kategorik değişkenlere değiştirmem lazım ve diğer değişkenleri de görebiliyorsunuz burada faktörlere değiştireceğim onlara birleştiriyorum verileri önce birleştiriyorum ve seçerek çalıştım değişkenlerimi değiştirdim, faktörlere değiştirdim aslında rakamsal olması rasterden kaynaklanmaktadır rakamsal olarak verilmesi burada arazi örtüsünün majoriti olduğunu gördüğünüz gibi sağ sütünde evet bu da tahmini tahmin çepekesi excel dosyasından her excel dosyası için bir kimlik numarası vardır daha önce bunların hepsini QGIS'de yapmıştım bütün bu değişkenler s faktör olarak değişti isimlerine kontrol ediyorum grittik isimlerine kontrol ediyorum burada birincilerin yanlış olduğunu olmadığını bana gösteriyor evet buradaki id ya da her excel dosyasının farklı yerde geliştiğini gösteriyor yani bu verisetlerinde ben de yansıtılmadım ama bütün diğer eş değişkenlerin isimleri değişenlerin isimleri aynıdır gördüğünüz gibi evet bütün eş değişkenlerin isimlerinin aynı olması lazım ve burada yaptığım şey nedir arazi örtüsün düzelerini kontrol ediyorum gritteki düzeyde aynı mı diye çünkü algoritma eğer profil verilerimizde ya da eğitim verilerimizde örneklerimiz var diyelim mesela otla kalanlardan çayırlardan bir örneklerimiz yok yani dolayısıyla çayırlardan örneğimiz olmadığı için değişkenler burada yansıtmaz tabi bunun hepsini önce bir kontrol etmemiz lazım hangi düzeyde veriler istiyoruz eğer verisetleri sistemde mircud değilse tabi ki o değişkeni size göstermeyecektir evet zamanı da iyi kullanalım o zaman sorularınız varsa sağlığınızda alalım Mustafa Bey'in bir soru varsa tabi ki her zaman durdurabilirsiniz soruyu alabilirim sorularınız varsa ben soru sormak istiyorum müsait mi tabii ki de şimdi şöyle yani verilen değerler tabi kırk tane noktadan alan değerle 110 bin hectarlık bir alanda oluşturan harita yine de çok güzel oldu şeyinize sağlık yüzde değer olarak da bir verilen değerlere bir şey yapabilir miyiz hani kilogram böyle metrekare yerine yüzde olarak verebilir miyiz yes we can we could model sock in percentage yes yüzde olarak da yapabiliriz tabi ki yüzde olarak da yürütebiliriz hani ben bir hesap yaptım yanlış olmasa 37 kilogram comparable to the global soil organic carbon map şöyle 25 gram böyle centimeter yoğunluğa göre baktığımızda ee toprak ağırlığı toplamalılarak 37 buçuk kilograma falan denk geliyor ee şimdi öyle bir alanda yüzde ortalama az önce baktığım kadarıyla 4 civarında 4 kilogram ee organic carbon gördük bu rakam ortalama da çok büyük değil mi ne kadar da küçük alan şey de olsa büyük bir rakam mey çıkmış olmuyor mu çünkü ee organik madde hesabı üzerinden biz özellikle azatlı gürrelerime yaparken onu kullanıyoruz Türkiye topraklıların da yüzde 90 pardon yüzde 80'i organik maddesi çok az veya çok az boyutta bu da aynı zamanda organik carbon içinde geçerli yani buradaki değer biraz yüksek çıkmış olmuyor mu well it's what the what is in the data but if you see yerine böyleydi böyle çıktı evet yani hektar olarak baktığımızı böyle dekara dönüştürdüğümüzde yüzde carbon çıkıyor well i i i this is only arable land ee kilebilir arazi için sadece yani diğer arazi örtüleri için değil peki sebebi budur sebeplerinden bir tanesi bu olabilir şimdi burada çıplak kallan yok mesela başka diğer arazi örtüleri de burada temsil edilmemiş yani kilebilir arazi bir de mutluluk çalılık bölgeler bunlara bakılmış da söyleyecek olursanız ama ben özellikle de kontrol ettim küresel toprak organik carbon haritası ile uyumlu mu diye baktım ve bunları onunla çarparsanız şimdi gösterdiklerimi ton olarak göreceksiniz hektar başına burada evet medde kara başına kilogram ama orada onunla çarparsanız eğer bu seferde ton hektar başına ton olarak göreceksiniz o nedenle 2'den 4'de çıkacak burası 3'den 5'e çıkacak ya da şuralar şu ölçekte ölçeye bir şey demiyorum gayet güzel ölçekte bir şey yok ben bulunan değerlerin Türkiye şartlarında hani yüksek olduğunu söylüyorum hele ayaş gibi yerlerde ayaşta eklen alanlarda özellikle çapabilkisi falan yapılan yerlerde organik carbon'un ortalama değerinin % olarak vereceğim yani 0.8 civarında bir ortalama değer % 0.8 civarında bir değer olduğunu bildiğim evet % olarak değerler böyle doğru doğru yani bunu şey dönüştürmeden mi hata yaptım acaba böyle bir daha bakabiliriz değerleri isterseniz ama % olarak değerler 0.4 0.5 0.8 gibi bir şeydi zaten ama bunu stoka dönüştürdüğünüz zaman ölçek değişiyor çok değişiyor evet 10 10.000'e bir daha toprak kokonun karbonu haritalayla karşılaştığımızda tutarlı olduğunu gördük bu arada tamam tamam teşekkür ediyorum sağ ol carbon stok bu % olarak değişimler bu arada farklı bir şey ama karbon stoklarını modelleriğiniz zaman harcım yoğunluğunu baktense ve taşıda bakıyorsunuz öyle değil mi o veri elimizde yoktu o nedenle ben elimdekiyle tahmini bulunmak zorunda kaldım belki elimizde o ilk kez de de olsaydı sokarı toprak organik karbon yüzdelerinin değerlerini biraz daha değiştirebilirdik aslında elimde yoktu o dediğim değerler taşlık değerlerimizde var ayakta zaten sondalarla alakalı veri geldiğinde onları da değerlendirmiş olacağız inşallah çok güzel teşekkür ederim o zaman taşıda eklersek soka profillerden gelen o zaman daha iyi tahminlerde bulunabiliriz özellikle soka yönelik taşlar geldikten sonra ama % değerleri sizin de söylediniz gibi ama 0.8 0.7 bunu stoğa dönüştürdüğünüz zaman böyle bir ölçek geçiyor elinize şimdi bir kez daha paylaşacağım re yazılımına geri döneceğim modellemeye geçelim mi şimdi modellemenin kendisine sok verileri var toprak organik karbon verileri var elimizde eşdeşken verileri var eşdeşkenler şimdi ne yapacağız modelimize ilteceğiz modelimize verisi okucaz şimdi burada eşdeşkenleri görüyorsunuz tüm bio eklimsel değişkenleri koymadım bunun için bir 1. komponent bileşen analizi yaparsınız daha alakasız olanlar hangisiymiş eşdeşkenler onu görebiliyorsunuz ya da kendi bilgilerinizi kullanıp hangileri daha alakalıymış hangi başka değişkenler yerleştirebilirmiş ona karar verebilirsiniz bunun için library carat kütüphane caratı kullandık carat da çok fazla makine öğrenme fonksiyonu var başka kütüphanelerden de haydalanıyor bu arada carat kütüphaneti ve toprak haritalaması için çok faydalı dijitali tokak haritalaması için burada karbon stoğunu görüyorsunuz bağımsız değişkenlerde yeşil olarak gösterilen onlar da eşdeşkenlerimi şimdi run yapıyorum çalıştır yapıyorum gereken kütüphaneleri yüklüyor hepsi şimdi yevlu yolunda şimdi burada round on forest da kullanılan bir parametre görüyorsunuz bu da değişken sayısı her bir alanda kullanılan sayısını görüyorsunuz derinine girmeyeceğim round on forest'ın daha sonra bakabiliriz ona da isterseniz round on forest'ın pek çok round on forest'da pek çok karar ağacı her bir ağaç için karar ağacı için özel sayıda bir değişken kullanıyorsunuz o nedenle burada soruyor kaç değişken kullandığınızı parametelerden bir tanesi bu işte burada da fonksiyonun kendisini görüyorsunuz sisteme yerleştirmiş oldun round on forest modelini bununla oluşturduk bu fonksiyonla şimdi her şey kontrol altında burada grafikleri oluşturduk farklı değişkenlerin önümünü daha iyi anlıyoruz grafikler karşımıza çıktığında şimdi bu node purity denilen bir ölçüm göreceksiniz sağ alt köşede çok önemli değil başlı başına ama bu ağaç karar açarına bahsetmiştim ya her bir not da verilerinizi bir değişkene göre ayırıyorsunuz ağaç gruplarının içsel olarak saflığı yani purity'si varsa her bir gruplarında daha fazla konocanlık vardır anlamına geliyor böyle birinde node purity dediğimiz bu grafikin değeri artıyor dediğim gibi daha sonra bu konunun değerlerine girebiliriz sunumda göstermiştim aslında şunu şu şekli bu grafik dönemle şimdi gösterdiğim çünkü farklı sayıda ağaçları görüyorsunuz stabilizasyon görüyorsunuz zaman içerisinde 200 ağaç sanırım yeterli olacak burada 500'ü ben belirlemedim bu default olarak varsayılan değeri olarak gösteriliyor dediğim gibi varsayılan değer 500 ağaç çok fazla hata çıkarsa da orada diyor zaten daha fazla ağaca ihtiyacınız vardır diye randum forest'a şimdi tahmine geçelim burada tahmin yapıyoruz şu anda tahmini aldık tahmini de bulunduk ne kadar hızlıydı görebiliyor musunuz dedik tahmin etti hemen birkaç saniyeyi aldı sadece hexagonları aldığınızda sanırım 54000 hexagon gibi bir şey yapıyor o kadar da hektara denk geliyor tahmini gerçekleştirmekte bir saniye alıyor alıyor tam bu değişkenleri yerine koyduktan sonra bir saniye de predicate edebiliyorsunuz rand dedim çalıştır dedim tablo oluşturacak şimdi başlıklar doğru mu diye bakıyorum her bir hexagon veresini girdikten sonra toprak organic karbon içeriğini metrekare başına kilogram olarak bana veriyor bakın sol alt köşede alt üçü çeyrek geçmiş ama kodu göstereyim size krigin kodunu göstereyim harita göstermiştim zaten size karbonun alakalı ama variyogramı göstermeyeceğim variyogramı çünkü baktığımız yok variyogramın detaylarına girecek kadar o nedenle şimdi onları çıkarıyorum o küçük noktalara bakamayacağız temi variyogramlarımız da burada bakın yüksek mesafede daha fazla temi variyans bekleriz çok fazla otokaralasyon yok aynı zamanda beklemeyiz temi variyogram temi variyogram yerleştirilmiş uygun yerlere yine ram diyorum çalıştır diyorum ve tahmine gidiyorum krigin yoluyla krig fonksiyonunu kullandım görüyorsun krigin kodunu görüyorsunuz bugün detaylarına inmeyeceğiz ama burada da çapraz validasyon yapıldığını görüyorsunuz çapraz validasyon yapabiliyoruz bir tanesini gelen verileri ikiye ayırarak mesela bu parametre de demişiz ki verilerin %70'ini modeller kullanalım %30'unu da validasyon için kullanalım demişiz onu değiştirebiliyorsunuz siz istediğiniz gibi ama sadece 40 tane noktamız vardı veri noktamız o nedenle bir tanesini dışarıda bıraktık sadece bu 40 taneden bir tanesini şurada da hatayı gösteriyor tahmin haritatını 33 olarak gösterdi bir daha yaparsam değişecek bakın 26'e düştü her seferini ram'a bastığım zaman farklı bir tahmin hatası verecek bana prediction error dediğim zaman bakın şimdi 23'e düştü çünkü çok küçük bir verisetimiz var bundan kaynaklanıyor eğer modeli az veri verirseniz böyle oluyor elinizde algoritma eğerleşirdiğiniz verisetinin kaç tane olduğuna kaç veri olduğuna bağlı olarak bu değişiyor burada fonksiyonu görüyorsunuz hem kregin için hem de random forest için bir tanesini dışarıda bırakmak için kullanılan fonksiyon da bu bir tanesini derken 49 tanesini kullanıyor moderde ama dışarıda bir tanesini bıraktık ya onun üzerinden de tahmin hatası validasyon yapıyor iki moderde random forest ve kregin için birer tane dışarıda bırakmıştık çünkü daha sonra ortalama nesp'i hatayı hesaplıyoruz için birkaç saniye alacak bu burada durdurabiliyorum bunu çok uzayacağını zannetmiyorum ama istersem durdurabilirim bu arada en nihayetinde bunu uzun süre yaparsak stabil hale gelecek validasyon gibi değil bu işte siz de 80'den %20'yi belki orada ama burda değil burdaki daha stabil daha istihralı çok farklı bir yeri vermeyecek her seferinde bana bu QGIS'e geçeceğim haritamızı görselleştirelim sonuçlarını biraz daha orada keşif yapalım diye ben sizin sorunuzu sordum şimdi eğer soruyu doğru anladıysam mesela konvenasyon al-toprak haritalamasını verisekleriyle olan haritasını haritayı da kullanabilir miyiz diye mi soruyorsunuz yani gelin ki farklı poligonlarınız varsa arazi poligonlarınız varsa daha önce oluşturduğunu ve tutarlıysa bunlar farklı değişkenlere yönelik olarak verileri kullanarak toprak organik karbonu ve diğer değerleri hesaplayabilirsiniz otur arazi o arazi türünde bunu yapmanın farklı yöntemleri var bunlardan bir tanesi seferanslama veya ceo eşleştirme ve sınıf eşleştirme dediğimiz yöntemlerden faydalanabiliyorsunuz konvenasyonal ortamında bilmiyorum doğru cevap verdim mi bunun soruyordunuz aslında cevap vermediysen lütfen söyleyin aslında engret hanımefendiye bir soru sormak istiyorum şu anki aşamada hani böyle devam etmek yerine çünkü iş koptu görürken şimdi şurada sormak istiyorum aslında gördüğüm kadarıyla yani bir parametrenin topraktaki herhangi bir parametrenin sabit parametrelerle ilişkilendirilerek o değişken parametre ne kadar değişiyor onu görüyoruz aslında ki bütün hikaye bu yani nihayetinde kricking metodunda da olsun, diğer metodlarda da olsun bu elde ediliyor oysa biz toprak haritalama diye bahsettiğimiz olay başka bir şey toprağın belirli derinliklerinden alınan toprak örneklerinin arazinin, eğimi vs. birçok parametrelerle toprağın serisini elde etmeye çalışıyoruz toprak serisinden de taksonimik sınıflandırmaya geçmeye çalışıyoruz, hani biz merak ettiğimiz temel soru buydu acaba dişten sol metink ile biz toprakta bir taksonimik bir sınıflandırma yapabiliyor muyuz veya toprak serisiyle alakalı bir çalışma yapabiliyor muyuz, bunu merak ediyorduk yoksa yani bir parametre diğer parametreyle ilişkilen direkt yani toprak serisiyle alakalı değişken sürekli bir değişken olmayacak da bir sınıf mı olacak yani yani toprak taksonimik sınıflandırmayı biliyorum biliyormusunuz ama taksonimik sınıflandırma taksonimik sınıflandırma elde etmiş olmuyoruz bu yapmış olduğunuz şeylerle atıyorum toprağın karbon haritasını, toprağın işte evet doğru farkındayım çünkü bir sınıfların olarak sizler bizler ilk girişte böyle bir giriş webinlerimiz webinlerimizde amacımız farklı toprak özelliklerinin haritalaması nasıl çıkarırız bunu göstermek aslında taksonimik sınıflandırması veya toprak sınıflandırması değildi açıkçası ama biz farklı toprak özellikleri nasıl haritalandırabiliriz diye bunu göstermek istedik çünkü aracı kullanım planlamasında ilukta işimize yarayacak aracı uygunluğunu farklı bitkilere yönelik aracı uygunluğunu değerlendirebileceğiz mesela böyle bir durumda ve bu mekanda bunlar sürekli değişkenler seyir konvenasyonlar toprak haritalamasından çok farklı bir şeyden bahsediyoruz aslında sürekli olan devamlı olan değişkenleri haritalandırıyorsunuz tedrici yani kademin olarak değişiklikleri haritaya döküyorsunuz oradaki ama bilmiyorum dışlar toprak haritalamasını böyle bir taksonimik sınıflandırma da kullanabilir misiniz bilmiyorum örneğini görmedim açıkçası ama bu taksonimik sınıflandırma toprak sınıflandırması kategorik değişkenler için farklı taksonimik toprak tiplerinde kategorik sınıflandırmasını istiyorsunuz bizimki gibi devamlı değişkenlerden değil o nedenle modelde toprak sınıflandırmasını istiyorsunuz modelden o zaman devamlı olmayan sürekli olmayan ama kategorik olan değişkenlere ihtiyacınız var bunu yapmanın da yöntemleri vardır toprak oradalarını göre bir ayin yapabiliyor mu? başlar alabilir misiniz aynı anda konuştunuz şimdi uyuyamadım toprak ordalarını haritalamasını bu sınıflandırma ile oluşturabiliyor muyuz? yani soyl taksonimi dediğimiz veya power uneski sınıflandırma sürekli göre teme kavram şu sok yerine organik karbon yerine çünkü burada bağımlı değişkenimiz soktu hatırlayacak olursanız bunun yerine taksonimik sınıflandırma değişkenleri koyacaksınız bunu modellemek istiyorsunuz çünkü bir alanda toprak tepini görmek istiyorsunuz evet ya da ailesini görmek istiyorsunuz toprak ailesini tamir etmek istiyorsunuz bilmiyorsunuz tamir etmek istiyorsunuz öyle eş değişkenler kullanacaksınız ki o tamirinde size yardımcı olacak o nedenle modelde kullandığınız veriler bununla alakalı olacak yani yapabileceğinizi zannediyorum ama öncelikle tüm örnekleriniz için onların hangi tipte toprakta olduğunu bilmeniz gerekiyor onların hangi taksonimik birime girdiğini bilmeniz gerekiyor öncelikle kendinizdeki numanenin anlatabiliyor muyum o nedenle anlamıyoruz ya birbirimizin dilini anlamıyoruz çünkü niye anlamıyoruz biz burada toprağın her bir katman da horozon dediğimiz 0,30 gibi bir derinlik yok power un vermiş olduğu 30 cm derinliği yok toprakteki canlı toprak derinliği a horozonu bazen 5 cm olabilir 27-28 cm olabilir canlı kolum içerisinde yani ab horozonu veya b horozonu olmayan yerlerde ac horozonun yerlerdeki kök derinliği bizi canlı toprak derinliğini gösteriyor bu canlı toprak derinliğinde her parametreyi her horozonu için ayrı ayrı çalıştırmamız gerekiyor yani girdüğüm kadarıyla digital soil mapping ile mümkün değil çünkü binlerce variogam ortaya çıkıyor binlerce nasıl diyeyim sabitli işken ortaya çıkıyor ve buradan bir sonuca varılabiliyor mu yani dünyada ben örneğini görmedim özellikle merak etmiştim siz bunu anlatırken direkt organik karbonu girince de hani herhalde basit olsun diye önce basit yerinden anlatıyor daha sonra geniş olarak anlatacak diye düşünülmüştüm ama gördüğüm kadarıyla toprak taksonumisinde bunun bir şey yaramadığı konusuna vardım teşekkür ediyorum ben bir söz alabilir miyim valla söz yani mesela hemen şey yapayım şimdi bu sorduğumuz soruluyor mu hocam bir şey söyleyebilir miyim müsaadenizle ben tam tersine düşünüyorum aslında toprak taksonumisinde ne herhangi bir toprak özelliğini tahmin etmek için de kullanabilirsiniz genellikle bu türden yapılıyor tam tersinden yapılıyor aslında sizin söylediğiniz ama güzel bir fikir de sorduğunuz bence ben olabileceğini düşünüyorum keşfedebiliriz bir bakabiliriz ama yaptığımız şimdi yakalar yaptığımızın tersi bir şey söylüyorsunuz aslında tamam ben ekranımı kapatacağım Emrah Bey bir şey söyleyecek buyurun çok kısaca şey söyleyeyim ben çünkü anladım Mustafa Bey'in sorduğu soruyor çünkü bakanlıktaki şu anda yapılan konvansiyonel yöntemler yani kanuni nın da getirdiği kümlüklerle yaptıkları toprak arıtaların sınıflandırma temelli toprak arıtaları burada nasıl kullanabiliriz zin anlamaya çalışıyorlar şimdi bu tersi toprak arıtalamaz toprak sınıflandırması için de kullanabiliriz bunun bazı ülkelerde bazı örnekleri de var hatta bunun artık bir ötesi meşhinde örnek denen teknikler daha farklı bilgisayar teknikleriyle sınıflandırman yapabiliyorsunuz çünkü sonuçta sizin söylediğiniz gibi sınıflandırman yaparken toprak parametrelerinden elde ettiğiniz değerleri yorumlayarak seriye seriden sınıfa doğru gidiyorsunuz o yorumlamayı bir bilgisayar ortamında elde ettiğiniz sayısal veriler üzerinden de yapabilirsiniz yani düz mantıklarından açıklaması bu dolayısıyla bu yapılabilir, bunun bazı örnekleri de var yani döküman da paylaşabilirim sizinle ingilizce ama çoğunluğu yapılabilir burada yapabilir miyiz? onu bilmiyorum çünkü aldığımız derinlik bilgisayarlar farklı, onu amin değilim ama yani dijital ertalama, bugün günümüzde artık dijital ertalama diğer ilave teknolojilerle birlikte otomasyon sistemiyle sizin istediğiniz sınıflandırmayı hatta yeni sınıflandırma bile yaratabilmenizi sağlayacak bir sistem sunuyor o aklınızda bulunsun daha fazla belki siz de ben de döküman paylaşırım biraz daha şey yapabiliriz fazla da zaman almayayım devam etsin diye Emrah bey arkadaşlar devam edip etmemesi bir şey değil çünkü verilen veriler tamam bir şey nihayetinde bir şey ortaya koymuyoruz şuraya getirmek istiyorum belki her bir parametre her bir parametre için organik karbon olabilir toprağın kili olabilir kum olabilir, silt olabilir bunların her biriyle ilgili tek tek haritalar üretilip bunlar daha sonra bir program vasıtasıyla anca birleştirilebilir yani buradaki görmüş olduğum dijital sol ilmetinkle bunun yapmanın mümkün olmadığını gördüm yani hangi ülke bunu yapıyor onu bilemiyorum ama yani bu şekilde bunun yapılmasının mümkün olmadığını gördüm engir tanım efendim kusura bakmasın anlattığı şey bölmüş oldum ama beklentimiz bu yöndeydi bunu özellikle vurgulamak istedim teşekkür ediyorum dijital sol ilmetinle i.e. sol ilmetinle çözebiliyorsun ve eğer bir şey dijital sol ilmetinle çözebiliyorum uygulamak istedim tüm her şeyi de kullanabilirsiniz aslında emrah beyin söylediklerine katılıyorum kesinlikle dijital sol ilmetinle kullanıp da toprak tanıplandırması yapabilirsiniz tüm girdik değişkenleri için çalıştırırsınız. Farklı doku değerleri, toprak dokusu, kimyasal değerler her her birine yönelik olarak harit oluşturursunuz ve daha sonra daha sonra da kesinlikle bir sınıflandırma algoritmasını kullanıp ortaya sınıflandırma çıkarabilirsiniz. Bu modelden bir sınıflandırma bekliyorsanız, farklı veris etlerine bağlı olarak toprak sınıflandırması da bekliyorsanız, öncelikle eğitim verisine ihtiyacınız var. Yani buraya beli yedirmeniz lazım modele. Ya da supervised classification dediğimiz sistemi uygulayıp, daha sonra karar verirsiniz. Evet bu webinlerin amacı bu değildi. Sizin bekli antenize karşılamada amacı bu değildir çünkü aklısınız. Biz daha ziyade birçok daha toprak haritalamasına giriş yaptık ve sürekli farklı toprak gözleriklerine ait farklı haritalar, devamlı değişkenlerce olan haritalar nasıl oluşturabilir onu görmeye çalışır. Ama yapılabilir dediğiniz yapılmaz değil. Şimdi sözlerime son vermeden önce. Bitirmeden önce tok için toprak arganik karbon için yaratığımız haritayı göstermek istiyorum. Görüyorsunuz her değer için bir rengimiz var. Evet beyaz olan yerler, taram, tarım, arazi, levi değildir. Evet bu grit, yaratığımız grit budur. Ve burada tahami ettiğimiz tok, toprak, arganik karbon. Diğer özellikler için de aynı şey. Daha çok belirlerimiz olursa, daha çok özelliklerimiz olursa her bir karakteristik için, her bir özellik için harita oluşturabiliriz. Aslında planımızda boydu, niyetimiz de boydu. Dijital soil mapping sistemi de bunun için kullanılıyor zaten. Bu tür özellikler, nitelikler tabi ki de karar almak için kullanılmaktadır. Ve sürebilir toprak yönetimi için kullanılmaktadır. Ve aynı zamanda bu tür haritaları elde etmek için ya da klasifikasyonlar için de kullanmak istiyorsanız, ben size örneklerini bulabilirim bunun için. Evet. Başka sorusu olan var mı acaba? Soru yok galiba. Ben bir şey söylemek istiyorum. Ay. Evet. Buyurun. Şu ana kadar biz fa ile bu ayar projesiyle ilgili olarak sizden beklentimiz, toprak etiçiyorlar ki söyleyeyim. Çoklu parametrelerinin kombinasyonu şeklinde oluşturulacak bir haritanın oluşturulmasıydı. Yoksa şu an ki anlattıklarınızın her biri farklı yöntemlerine yapılabilir. Ve yapıyoruz da bunlar kematik hariteler. Tekli parametreye de yanan. Ama yani siz anlamadınız bizim kurumu ya biz sizi anlamadık. Bize ya da ilk başta verilen sözler farklıydı. Bu konuda cevap bekliyorum. Tamam. Evet. Belki Sara ya da Hakkı Bey bu konuda yardımcı olabilirler. Aslında bu ve minelerlerin amacı sizlere araçları göstermektir. Yani biz burada araçları göstermek istiyoruz. Bir metodoloji olacak ve bu metodoloji kapsamında kullanabileceğimiz araçları, araçlar üzerinde odaklanıyoruz. Ve şu an ilk adacam adımlar dan bahsediyoruz. Ben şu an da bir şey söyleyeyim. Ben size şu an ki yapılanların hiçbirisi eğitim değil. Sadece farkındalık yaratmak, bazı veri kaynaklar hakkında bilgi vermek. Yani onun haricinde yapılanların hiçbirisi eğitim değil. Şimdi ben söz alabilir miyim? Şimdi sanırım aslında İngiliz'de ifade etti. Başından beri her webine yerim başında da ifade ettik. Şimdi burada amacımız aslında Demin Suat'ın söylediği gibi. Araçlar hakkında bilgi vermek, farkındalık yaratmak. Yani eğitim dediğimiz şey, genel amacıyla biz bu planlama içerisinde hangi araçları, CHV'si araçlarında ne tarz verileri kullanabiliriz. Bunun üzerinden bir kapasite aktırımı gerçekleştirmekti. Dolayısıyla buradaki beklentiniz eğer dediğiniz gibi tüm değişkenlerin yorumlanarak ortaya çıkmış sonuç haritası üzerinde bir tartışma olmamalı. Çünkü bu daha aşama da yapabileceğimiz bir şey değil. Daha hala üzerinde çalışmamız gereken bir şey. Ve beraber şekillendirmemiz gereken bir şey. Dolayısıyla yani buradaki eğitimde anladım kadar yani anlıyorum sizin yani o da iyi bir şey aslında pozitif anlamda isteklerinizi söylemeniz hem de bu anlamda bir talebinizin olması hem de bir heyecan olması yani bir beklentinin olması bence güzel. Bu doğrultuda da daha yani derinleştirilebilir istek şeylere göre, ihtiyaçlara göre. Ama buradaki amaç yani İngiliz'in anlattıklarındaki amaç sonuç haritası'nı göstermek değil. Çünkü daha hala üzerinde çalışmamız gerekiyor. Tüm analiz sonuçlarından almamız gerekiyor, çalışmamız gerekiyor. Maalesef arazi de hiç şey yapamıyoruz. Bilen daha yani bunun amacı bu değildi. Bunun amacı aslında Suat'ın demin söylediği gibi. Yani burada kapasite arttırmak birazcık farkındalık yaratmak hangi araçlar kullanılabilir. İşte art stüdyo gibi alışıldık metodların dışında kullanılabilecek araçlar var. Bunlar dijital ertalamadaki genel ve çok basit temel mantık. Her bir parametre üretilmesi önemli burada. Burada önemli olan dijital ertalamada her bir tematik karitanın kalitesini sağlamaz. Onu sağlam şekilde yaptıktan sonra hangi sınıflandırma sistemini isterseniz rahatlıkla o algoritmayı yaratarak o sınıflandırma sistemini elde edebilirsiniz. Hatta kendiniz bir sınıflama sistemi de oluşturabilirsiniz. Yani o sınıflandırma kısmı işin şöyle söyleyeyim. Çünkü önemli olan yani arazıdaki çalıştığınız yöntemde de aynı şu anki yöntem önemli olan veriyi almak o veriyi doğru şekilde yorumlamak parametrelere göre taşılığından peyhasına kadar ondan sonra elde ettiğiniz tüm verileri harmanlayıp bir yorum alitası ortaya çıkartmak. Bu efa sınıflaması olabilir. Amerikan sınıflaması olabilir. Bu türkü kendi sınıflaması olabilir. O kısmı bu kadar zor değil. Eğer elinizde bir sınıflandırma sistematiyi var isterseniz efanın olduğu gibi işte hala hazır şu an Türkiye'de kullanılan sistematik gibi çünkü orada çok basit bir yöntemizeceksiniz. Diyeceksiniz ki şu seri için işte peyhası şunun yukarısında olan taşılık şey olan parametrelerden kriterleri seçeceksiniz. Bunları itibaren alanları seç. Bu serinin içerisinde koy diyeceksiniz. Bu çok kompleks bir şey değil yani dijitalar talama tekniğinde. Dolayısıyla o kısım olabilir. Yapılabilir yani teknik olarak mümkün. Bunu yapan ülkeler de var dediğin gibi bir enteresan gelebilecek size belki ama mesela Hindistan bu işte çok yoğun çalışan ülkelerden bir tanesi. Bir çok geniş alan olduğu için Çin yani çok geniş alanda tutu nasıl yapabilirsiniz nasıl talanlayabilirsiniz. En çok ihtiyaç diyor yani ülkeler yüz ölçümü geniş ülkeler. Rusya'da mesela bunlarla ilgili çok çalışma var. Yani bulduğum dökümanlar da paylaşırım sizinle ama burada amacımız bu sonuç yorumlama kısmını yapmak değildi. Burada amacımız size araçları göstermekti. İngiltte o doğrultuda elinden geleni yapıyor. Yani yanlış anlama olmasın. Burada bir sonuç arıtası üretmek değil maksat. Yani onun susmak değildi size. Çok fazla zaman almayayım. Ama sonra yani gene tartışabiliriz. Gene şey yapabiliriz. Ama buradaki iktentilerini söylemenizde önemli. Teşekkür ederim. Ben fazla zaman almayayım. Sevgili Emrah bu konuda bizi en iyi anlayacak kişi sensin. Yani bu toprak etütçü olarak diyeyim ben size. İngiltte için ne kadar toprakla alakalı olduğunu bilmiyorum. Fakat ama bizim beklentimiz en başındaki görüşmelerde dijital soyl mapping kavramını çok merak ediyorduk. Yani biz bu toprak haritaların oluşturulmasından ne kadar verimli olabileceğini ne kadar faydalanabileceğimizi istiyorduk sizde. Yoksa bu tematik haritaları biliyorsunuz. Biliyorsun sevgili Emrah biz kendi yöntemlerimizle de oluşturuyoruz. Eksik ya da doğru. Ama bunlar bilmiyorum. Teşekkür ederiz. Gerçekten ben kendi adıma söyleyeyim. Anlatılanlardan soğuk konuda farkındalık edindim. Kendimi geliştirme konusunda fikrim oldu. Ama beklentimiz buydu. Teşekkür ederiz. Sağ olun. Özür dileyerek araya girebilir miyim? Beni duyabiliyor musunuz? Beni duyabiliyorsunuz sanırım. Teşekkür ederim. Çok çetin beyefendi. Sorularınız için teşekkür etmek istiyorum. Sanırım bu webinanın gündemi daha önce sizlerle paylaşılmıştı diye biliyorum. Tabi ki digital soil mapping daha teknik eğitimi ihtiyacı var. Bu konunun biliyorum. Ama bizim açımızdan biz paylaşılan ve ön gördüğümüz gündem üzerinden gidiyoruz. Bunların hepsini daha önce bakanlıkla konuştuk. Onu ayladık. Nurcan Hanımlarla İbrahim Beylerle bunları konuştuk. Tabi ki teknika düzeyde daha detaylı konularda kapasite geliştirme ihtiyaçları vardır. Ama bu webinarların amacı bu zamana kadar yapılan çalışmalarımız doğrultusunda kullanılan araçları göstermektir. İngrede aslında elimizdeki en iyi uzmanlardan bir tanesi statistik analizler konusunda sadece digital soil mapping konusunda değil ve bütün süreç konusunda aslında iyi bir uzmandır. Ve entegre arazi kullanım