Dinamik headland duyarlı kapsama yolu planlama, tarla sınırının tamamı boyunca sabit genişlikte dönüş alanı ayırmak yerine, yalnız çalışma şeritlerinin gerçekten dönüş bağlantısına ihtiyaç duyduğu sınır kesimlerine uygun headland alanı ayıran bir geometrik rota planlama yaklaşımıdır. Bu çalışmada yöntem; çalışma yönü ve şerit ofsetini birlikte seçmekte, paralel çalışma şeritleri üretmekte, komşu şeritleri kübik Bézier U-dönüşleriyle bağlamakta, dönüş mesafesi, kapsama hatası ve headland oranını ECDF-midrank ile normalize etmekte ve ortaya çıkan ayrık, düzgün olmayan arama uzayında yüksek kaliteli çözüm bulmak için DQN-SHADE adlı pekiştirmeli öğrenme destekli diferansiyel evrim optimizasyonunu kullanmaktadır.

Çalışmanın geometrik simülasyonları, Çin'in Xinjiang bölgesindeki Changji Huaxing Farm'dan UAV görüntülerinden çıkarılan 24 gerçek tarla sınırında yürütülmüştür. Makine çalışma genişliği 19,5 m, minimum dönüş yarıçapı 5,0 m olarak sabitlenmiştir. Çalışma yönü 0°–179,5° arasında 0,5° çözünürlükte ve şerit ofseti \(\{0,0.25,0.50,0.75\}\) kümesinden seçilmiş; böylece her tarla için 1440 ayrık yön–ofset kombinasyonu referans amaçlı tam taramayla değerlendirilmiştir.

Altı stokastik optimizasyon algoritmasının eşit aday-değerlendirme bütçesiyle karşılaştırılmasında DQN-SHADE ortalama \(S_{total}=0.9582\), referans optimuma ortalama gap \(=0.0034\) ve \(SR_{5\times10^{-3}}=80.83\%\) ile en yüksek ana arama performansını göstermiştir. SHADE-6 için ortalama gap 0,0044 ve başarı oranı %76,25; klasik DE için gap 0,0053 ve başarı oranı %71,94'tür.

Dinamik headland tahsisi sabit tam-sınır headland yaklaşımına göre ortalama headland oranını %13,30'dan %7,52'ye düşürmüş, korunan çalışma alanı oranını %86,67'den %92,48'e çıkarmış ve tarla başına ortalama 16.378,23 m² ek bağlantılı çalışma alanı sağlamıştır. Ortalama geometrik kapsama oranı %98,16 düzeyinde korunmuştur. Buna karşılık ortalama mutlak dönüş mesafesi 1304,53 m'den 1371,89 m'ye yükselmiştir. Dolayısıyla yöntem her metriği aynı anda iyileştirmemekte; daha fazla kullanılabilir tarla alanı karşılığında biraz daha uzun toplam dönüş yolu üretmektedir.

Bu sonuçlar gerçek araç sürüşü veya gerçek püskürtme performansı değildir. Kapsama, çalışma şeritlerinin 19,5 m genişlikli geometrik tampon alanlarından hesaplanmıştır; püskürtme damlacık dağılımı, rüzgâr sürüklenmesi, boom dinamiği, gerçek yol takip hataları ve gerçek yakıt tüketimi simüle veya ölçülmemiştir. Kaynağın vardığı sonuç bu nedenle, yöntemin değerlendirilen geometrik simülasyon koşullarında tarla alanı kullanımını ve rota kalitesini geliştirdiğidir.

Araştırma problemi neden yalnız “en kısa yolu bulmak” değildir?

Kara tabanlı bitki koruma makinelerinde kapsama yolu planlama; hedef alanın mümkün olduğunca eksiksiz işlenmesini, şeritler arasındaki gereksiz örtüşmenin azaltılmasını, makinenin tarla dışına taşmamasını ve komşu şeritler arasında fiziksel olarak dönülebilir bağlantılar oluşturulmasını aynı anda gerektirir.

Düzensiz bir tarla için çalışma yönü değiştiğinde yalnız şeritlerin yönü değişmez. Şerit sayısı, şerit uçlarının hangi tarla sınırına ulaştığı, dönüşlerin hangi sınırda yapılması gerektiği ve dönüş için ayrılması gereken alan da değişir. Şeritlerin başlangıç ofseti de kaçırılan ve örtüşen alanları etkileyebilir.

Bu nedenle kaynak, çalışma yönü, şerit ofseti, headland alanı ve U-dönüşlerini ardışık bağımsız problemler yerine birbirine bağlı bir geometrik sistem olarak ele almaktadır.

Dinamik Headland Nedir ve Sabit Headland'dan Nasıl Ayrılır?

Dinamik headland, bütün tarla sınırına aynı dönüş tamponunu vermek yerine yalnız komşu çalışma şeritlerinin gerçekten dönüş bağlantısı kurduğu sınır kesimlerine, çalışma yönü ile sınır yönü arasındaki açıya göre headland alanı tahsis eder; bu sayede dönüş yapılmayan kenarlardaki gereksiz çalışma dışı alan azaltılabilir.

Sabit headland genişliği

Sabit tam-sınır headland genişliği kaynakta:

\[ W_{hfix}=2R_{min}+\alpha W \]

olarak tanımlanmıştır.

Burada \(R_{min}\) minimum dönüş yarıçapı, \(W\) makinenin çalışma genişliği ve \(\alpha\) güvenlik payı katsayısıdır. Ana deneylerde:

• \(R_{min}=5.0\,m\)
• \(W=19.5\,m\)
• \(\alpha=0.25\)

kullanılmıştır. \(2R_{min}\) temel dönüş alanını, \(\alpha W\) ise çalışma genişliğiyle orantılı ek güvenlik payını temsil eder.

Çalışma yönü ile sınır yönünün ilişkisi

Bir sınır kesiminin yönü \(\theta_i\), çalışma yönü \(\theta\) ise aralarındaki 180° periyodik göreli açı:

\[ \phi_i=\min\left(|\theta_i-\theta|,\;180^\circ-|\theta_i-\theta|\right), \qquad \phi_i\in[0^\circ,90^\circ] \]

olarak hesaplanır.

Dinamik headland için aday genişlik:

\[ \widetilde{W}_{h,i}=2R_{min}+\alpha W|\sin\phi_i| \]

şeklindedir. \(|\sin\phi_i|\) terimi, çalışma hattına göre sınırın yanal dönüş alanı gereksinimini ölçeklemek için kullanılır.

Ancak kaynak her sınır segmentine bu genişliği otomatik olarak uygulamaz. Bir sınırın gerçekten şeritler arası dönüş bağlantısı taşıyıp taşımadığı ayrıca belirlenir:

\[ W_{h,i}^{DH}= \begin{cases} \widetilde{W}_{h,i}, & q_i(\theta,\delta)=1\\ 0, & q_i(\theta,\delta)=0 \end{cases} \]

\(q_i(\theta,\delta)\), ilgili sınırın dönüş talebi taşıyıp taşımadığını gösteren ikili göstergedir. Şerit uçları sınırın yaklaşık bir çalışma genişliği içindeki komşuluğuna düşüyor ve komşu şeritlerin dönüş bağlantısını oluşturuyorsa sınır dönüş amaçlı kabul edilir.

Çalışma yönü ve şerit ofseti nasıl seçiliyor?

Aday çözüm:

\[ X=[\theta,\widetilde{\delta}] \]

olarak tanımlanır. \(\theta\) çalışma yönüdür ve 0° ile 180° arasındadır. Şerit ofseti ise gerçek rota üretiminde ayrık kümeden seçilir:

\[ C_\delta=\{0,\;0.25,\;0.50,\;0.75\} \]

Gerçek yanal şerit kayması:

\[ d=\delta W \]

ile hesaplanır. \(W=19,5\,m\) olduğundan dört ofset seçeneği aynı çalışma genişliğinin farklı başlangıç fazlarını temsil eder.

Çalışma yönü de 0,5° çözünürlükle:

\[ \Theta=\{0^\circ,0.5^\circ,\ldots,179.5^\circ\} \]

kümesine eşlenir. Böylece 360 yön × 4 ofset = 1440 aday rota kombinasyonu oluşur.

Bézier U-dönüşü nasıl oluşturuluyor?

Komşu çalışma şeritleri arasındaki dönüş üç bölümden oluşur: çıkış doğrusu, kübik Bézier U-dönüşü ve giriş doğrusu.

Kübik Bézier eğrisi:

\[ B(t)=(1-t)^3P_0+3(1-t)^2tP_1+3(1-t)t^2P_2+t^3P_3, \qquad t\in[0,1] \]

şeklindedir. \(P_0\) ve \(P_3\) dönüşün başlangıç ve bitiş noktalarıdır. \(P_1\) ve \(P_2\) kontrol noktaları, eğrinin iki uçta çalışma şeritlerinin yönüne teğet olmasını sağlayacak biçimde oluşturulur.

Her Bézier dönüşü 64 örnek noktayla değerlendirilir. Bu noktalar dönüş uzunluğunun hesaplanması, minimum dönüş yarıçapı denetimi ve rotanın ayrılan headland alanının içinde kalıp kalmadığının kontrolü için kullanılır.

Bir dönüşün uzunluğu:

\[ L_{turn,j}=l_{out,j}+L_{B,j}+l_{in,j} \]

ve bütün rotanın toplam dönüş mesafesi:

\[ D_{turn}=\sum_{j=1}^{N_s-1}L_{turn,j} \]

şeklindedir. \(N_s\), geçerli çalışma şeridi sayısıdır.

Kapsama kalitesi nasıl ölçülüyor?

Planlanan püskürtme alanı, çalışma şeridi merkez çizgilerinin çevresinde toplam genişliği \(W\) olan geometrik tamponların birleşimi olarak tanımlanmıştır.

Kapsama hatası:

\[ E_{cov}=r_{miss}+r_{overlap}+r_{out} \]

ile hesaplanmaktadır. Burada:

• \(r_{miss}\): hedef çalışma alanında kapsanmayan bölüm,
• \(r_{overlap}\): birden fazla kez kapsanan bölüm,
• \(r_{out}\): planlanan kapsamanın tarla dışına taşan bölümü.

Bu metrik gerçek damlacık yoğunluğunu ölçmez. Çalışma açıkça rüzgâr sürüklenmesi, püskürtme dağılımı ve boom dinamiğinin modellenmediğini belirtmektedir.

Headland oranı neyi ölçüyor?

\[ H_{head}=\frac{A_{head}}{A_{field}} \]

\(A_{head}\) headland alanını, \(A_{field}\) toplam tarla alanını gösterir. Daha düşük değer, tarlanın daha büyük bölümünün sürekli çalışma alanı olarak korunması anlamına gelir.

ECDF-Midrank Neden Kullanılıyor?

ECDF-midrank, metre cinsinden dönüş mesafesi, boyutsuz kapsama hatası ve headland oranı gibi farklı ölçek ve birimlerdeki maliyet ölçütlerini, her tarla için kendi aday dağılımına göre boyutsuz göreli kalite puanlarına dönüştürerek büyük ve küçük tarlaların aynı bileşik puan mantığıyla karşılaştırılmasını sağlar.

Bir maliyet metriği \(z\) için:

\[ ECDF^{mid}_f(z)= \frac{n_{<,f}(z)+\frac{1}{2}n_{=,f}(z)} {n_f} \]

hesaplanır.

Burada \(n_{<,f}\), \(z\)'den küçük değere sahip adayların sayısını; \(n_{=,f}\), aynı değere sahip adayların sayısını; \(n_f\) ise o tarladaki toplam referans aday sayısını gösterir.

Maliyet tabanlı ölçütler daha sonra:

\[ S_{turn}=1-ECDF^{mid}_f(D_{turn}) \]

\[ S_{cov}=1-ECDF^{mid}_f(E_{cov}) \]

\[ S_{head}=1-ECDF^{mid}_f(H_{head}) \]

biçiminde kalite puanına dönüştürülür. Böylece daha küçük maliyet daha yüksek puan üretir.

Bileşik değerlendirme:

\[ S_{total}=w_1S_{turn}+w_2S_{cov}+w_3S_{head} \]

ve:

\[ w_1+w_2+w_3=1 \]

koşuluyla oluşturulmuştur. Ana deneyde:

• \(w_1=0.15\) — dönüş mesafesi,
• \(w_2=0.75\) — kapsama kalitesi,
• \(w_3=0.10\) — headland oranı.

En büyük ağırlığın kapsama kalitesine verilmesi bitki koruma operasyonunda eksik, örtüşen ve tarla dışı püskürtme geometrisinin öncelikli kabul edilmesini yansıtmaktadır.

DQN-SHADE Ne Yapıyor?

DQN-SHADE, SHADE-6 diferansiyel evrim arayıcısının mutasyon ve arama davranışlarını, optimizasyon durumu durgunlaştığında Double Dueling DQN tarafından seçilen üst düzey eylemlerle zamanlayan bir hibrit optimizasyon mekanizmasıdır; DQN doğrudan tarla rotasını çizmez, hangi arama davranışının kullanılacağını seçer ve geometrik rota ayrı deterministik modülde oluşturulur.

SHADE-6'nın altı mutasyon stratejisi

DQN ne zaman devreye giriyor?

Global en iyi \(S_{total}\) puanı 10 ardışık nesil boyunca iyileşmezse DQN tetiklenmektedir. Bunun dışında varsayılan SHADE-6 davranışı sürdürülür.

DQN'nin durum girdisi 26 boyutludur ve aşağıdaki bilgi gruplarını içerir:

• arama ilerlemesi,
• popülasyon puan istatistikleri,
• çalışma yönü ve ofset çeşitliliği,
• geometrik uygulanabilirlik,
• yakın dönem optimum iyileşmesi,
• başarılı güncellemeler,
• SHADE parametre geçmişi,
• strateji başarı oranları,
• mevcut en iyi adayın alt-hedef puanları.

DQN'nin yedi üst düzey eylemi vardır:

Test sırasında \(\varepsilon=0.05\) olan ε-greedy politika kullanılmıştır.

DQN'nin eğitim ödülü

Politika öğrenme aşamasındaki çevrimiçi ödül:

\[ r_g=\Delta S_{best,g}+\Delta\bar{S}_g+p_{succ,g} \]

şeklindedir. Burada \(\Delta S_{best,g}\) mevcut en iyi puandaki pozitif gelişimi, \(\Delta\bar{S}_g\) popülasyon ortalamasındaki pozitif gelişimi ve \(p_{succ,g}\) o nesilde başarıyla güncellenen bireylerin oranını temsil eder.

Önemli olarak bu ödül referans optimumu kullanmaz. Referans optimum yalnız test performansındaki gap değerinin ölçülmesi için kullanılmaktadır.

Çalışmanın Yöntemi ve Bulguları

Tarla verileri

Çalışma alanı Çin'in Xinjiang bölgesindeki Changji Huaxing Farm'dır ve yaklaşık 44,22° N, 87,29° E koordinatındadır. UAV görüntüleri Mayıs–Haziran 2025 döneminde DJI Mavic 3 kullanılarak 110 m uçuş yüksekliği ve 15 m/s uçuş hızıyla toplanmıştır.

Başlangıçta 26 sınır poligonu elde edilmiş; 6 ve 24 numaralı bölgeler tarımsal operasyon alanı olmadığı için çıkarılmıştır. Son analizde 24 tarla kullanılmıştır. Toplam alan yaklaşık 887,94 ha, tekil tarla alanları 4,85–89,10 ha arasındadır.

Koordinatlar WGS84'ten UTM Zone 45N, EPSG:32645 sistemine dönüştürülmüştür. Geometrik hesapların tamamı vektör poligonlar üzerinde yapılmıştır.

Makine parametreleri

Her algoritma için 24 tarla × 30 bağımsız test = 720 çalışma değerlendirilmiştir. İstatistiksel testlerde pseudoreplication önlemek amacıyla önce aynı algoritmanın bir tarladaki 30 tekrarı ortalanmış ve 24 tarla ortalaması eşleştirilmiş blok olarak kullanılmıştır.

DQN eğitim/test ayrımı

Çalışma tarla düzeyinde beş katlı cross-validation kullanmıştır. 24 tarla beş ayrık alt kümeye ayrılmış; her fold'da DQN yalnız eğitim tarlalarında güncellenmiştir. Eğitimden sonra ağ parametreleri dondurulmuş ve held-out tarlalarda 30 random seed ile test edilmiştir.

Bu ayrım önemlidir; test tarlaları DQN politikasının ağırlık güncellemesine dahil edilmemiştir.

Referans optimum ne anlama geliyor?

Çalışmanın “reference optimum” değeri, sürekli matematiksel uzayın kanıtlanmış global optimumu değildir. 0,5° yön çözünürlüğü ve dört ofsetten oluşan 1440 adaylık ayrık uzayın tam taraması sonucu bulunan en iyi rotadır.

Bir algoritmanın optimuma uzaklığı:

\[ gap_f(X)=S_{total}(X_f^*)-S_{total}(X) \]

olarak tanımlanır. \(X_f^*\), o tarla için 1440 aday arasındaki en iyi referans çözümdür.

Başarı metriği \(SR_{5\times10^{-3}}\), bağımsız testlerin ne kadarının:

\[ gap\leq5\times10^{-3} \]

koşulunu sağladığını gösterir.

Referans-optimal geometrik rotalar

24 tarlanın ayrık referans-optimal dinamik headland rotalarında:

Optimum çalışma yönleri 2° ile 171° arasında değişmiştir. Bu geniş aralık, tek bir sabit yön kuralının bütün tarla geometrileri için uygun olmadığını desteklemektedir.

Altı optimizasyon algoritmasının karşılaştırması

24 tarla ortalamaları üzerinde Friedman testi algoritmalar arasında anlamlı genel fark göstermiştir:

\[ \chi^2=50.820,\qquad p=9.42\times10^{-10} \]

DQN-SHADE ile yapılan beş ikili Wilcoxon karşılaştırmasının tamamı Holm düzeltmesi sonrasında anlamlı kalmıştır. DQN-SHADE ile SHADE-6 karşılaştırması için \(W=20\) ve düzeltilmiş \(p=0.00557\)'dir.

DQN-SHADE ile SHADE-6 yakınsaması

İlk 20 nesilde SHADE-6 çok az daha düşük gap değerine sahiptir. DQN-SHADE üstünlüğü daha sonraki arama aşamalarında ortaya çıkmıştır. Bu nedenle çalışmanın yorumuna göre DQN bileşeninin ana katkısı başlangıç hızından çok, arama durgunlaştığında davranış değiştirebilmesidir.

DQN-SHADE daha hızlı mı?

Genel olarak hayır. Kaynak DQN-SHADE'nin katkısını hesaplama hızı değil arama kararlılığı olarak yorumlamaktadır.

Beş fold için DQN politika eğitiminin toplam süresi 841,52 saniye, yani yaklaşık 14,03 dakikadır. Bu tek seferlik ek eğitim maliyeti hesaba katıldığında yöntem “en hızlı algoritma” değildir.

Dinamik ve sabit headland karşılaştırması

Headland oranındaki azalma ve korunan çalışma alanındaki artış için eşleştirilmiş Wilcoxon testleri Holm düzeltmesi sonrasında:

\[ p_{adj}=2.38\times10^{-7} \]

değerini vermiştir.

Burada önemli ödünleşim mutlak dönüş mesafesidir. Dinamik yöntemde çalışma alanı genişlediği ve şerit uçları değiştiği için toplam dönüş mesafesi yaklaşık %5,16 artmıştır. Buna rağmen daha büyük korunan alana normalize edilen rota yoğunluğu ve yakıt tahmini azalmıştır.

Yakıt tüketimi ölçüldü mü?

Hayır. Yakıt değeri gerçek traktör yakıt ölçümü değildir. Çalışma, 62,5 kW motor gücü, 242 g/kWh özgül yakıt tüketimi, 6,0 km/h çalışma hızı ve 3,0 km/h dönüş hızı varsayımlarıyla rota geometrisinden hesaplanan bir model kullanmıştır:

\[ M_{fuel}= \frac{P_r b_f}{1000} \left( \frac{L_{work}/1000}{v_{work}} + \frac{D_{turn}/1000}{v_{turn}} \right) \]

Arazi eğimi, toprak direnci, gerçek motor yükü veya makine dinamikleri bu hesaplamaya doğrudan dahil edilmemiştir. Dolayısıyla 1,54 kg/ha ile 1,56 kg/ha farkı model altında göreli bir karşılaştırmadır.

Headland güvenlik katsayısı duyarlılığı

Üç ayar arasındaki genel fark anlamlıdır: Friedman \(\chi^2=36.083\), \(p=1.46\times10^{-8}\). \(\alpha=0.10\), 0,25'ten anlamlı biçimde daha kötüdür; 0,25 ile 0,50 arasındaki fark Holm düzeltmesinden sonra anlamlı değildir. Kaynak 0,25'i evrensel optimum olarak değil, test edilen aralıkta alan kullanımı ve geometrik uygulanabilirlik arasında dengeli seçim olarak yorumlar.

Ofset çözünürlüğü daha da artırılırsa ne oluyor?

İki, dört ve sekiz seviyeli şerit-ofset setleri karşılaştırılmıştır. Sekiz seviye ortalama \(S_{total}\)'ı 0,9144'e yükseltirken dört seviyeli ana ayar 0,9057'dir. Ancak sekiz seviye dört seviyeye göre korunan alanı ortalama yalnız 197,93 m², yani yaklaşık %0,058 artırmış ve kapsama oranını yalnız 0,063 yüzde puanı yükseltmiştir; buna karşılık aday sayısını iki katına çıkarmıştır.

Tam 0,5° yön ızgarasında dört seviyeli seçim 1440 aday, sekiz seviyeli seçim 2880 aday gerektirir. Bu nedenle çalışma dört ofseti çözünürlük–hesap maliyeti dengesi olarak kullanmıştır.

DQN hiperparametre duyarlılığı

DQN politikasının öğrenme oranına duyarlılığı discount factor'a göre daha yüksektir. Ana ayar \(2.5\times10^{-4}\) ile ortalama gap 0,003365 ve başarı %80,83 iken, test edilen daha düşük öğrenme oranı \(1.0\times10^{-4}\) ile gap 0,002426 ve başarı %86,39 olmuştur.

Bu sonuç önemlidir: makaledeki ana DQN-SHADE ayarı test edilen bütün hiperparametreler arasında en iyi sonuç değildir. Ana karşılaştırma önceden belirlenen ayarla yürütülmüştür ve duyarlılık analizi daha düşük öğrenme oranının daha iyi sonuç verebildiğini göstermiştir.

İki Yeni Tarla Geometrisindeki %100 Başarı Evrensel Genelleme Anlamına Geliyor mu?

Hayır. DQN-SHADE iki eğitim dışı stres-test geometrisinde tüm çalıştırmalarda \(SR_{5\times10^{-3}}=100\%\) elde etmiş olsa da SHADE-6 da aynı %100 başarıya ulaşmıştır; kaynak yalnız iki yapay stres geometrisinin test edildiğini açıkça belirterek bu sonucu evrensel genelleme veya DQN-SHADE'nin genel üstünlüğü olarak yorumlamamaktadır.

Birinci test geometrisinin en-boy oranı 7,24'tür; orijinal 24 tarla içinde maksimum değer 3,40'tır. İkinci geometri 11 re-entrant köşe içerirken orijinal tarlalarda maksimum dört tane bulunmaktadır.

Özellikle çok sayıda içbükey köşeye sahip geometride uygulanabilir adayların yalnız %40,56 olması, karmaşık sınırların arama uzayının geometrik olarak büyük bölümünü geçersiz hale getirebildiğini göstermektedir.

CEC2022 testi ne gösteriyor?

Araştırmacılar DQN-SHADE'nin standart sürekli optimizasyon davranışını ayrıca CEC2022'nin 12 fonksiyonunda değerlendirmiştir. DQN-SHADE ortalama \(\log_{10}(\Delta f)=1.72\pm2.41\) ve ortalama sıra 2,42 ile altı algoritma içinde en iyi genel ortalamayı vermiştir.

Ancak CEC2022 fonksiyonları tarla sınırı clipping'i, dinamik headland, şerit uçları veya dönüş uygulanabilirliği içermez. Bu nedenle kaynak CEC2022'yi yalnız tamamlayıcı optimizasyon testi olarak kullanır; tarımsal CPP başarısının esas kanıtı gerçek sınırlar üzerindeki geometrik deneylerdir.

Çalışmanın güçlü yönleri

• Headland tahsisini çalışma yönü ve şerit-ofset seçiminden bağımsız ele almamaktadır.
• 24 gerçek tarla sınırı kullanmaktadır.
• DQN eğitimi ile test tarlalarını field-disjoint beş katlı yapı kullanarak ayırmaktadır.
• Altı optimizasyon algoritmasını aynı aday-değerlendirme bütçesi ve aynı geometrik planlayıcı altında karşılaştırmaktadır.
• Algoritma karşılaştırmasında 30 tekrarı doğrudan bağımsız örnek gibi saymak yerine önce tarla düzeyinde ortalama alarak pseudoreplication riskini azaltmaktadır.
• Performans yalnız bileşik puanla değil kapsama, dönüş, dönüş sayısı ve model yakıtıyla da raporlanmıştır.
• Dinamik headland yaklaşımının kazancı ile artan mutlak dönüş mesafesi arasındaki ödünleşim gizlenmemiştir.
• Duyarlılık analizleri güvenlik katsayısı, ofset çözünürlüğü ve DQN hiperparametreleri için yapılmıştır.

Çalışmanın desteklediği sonuçlar

• Dinamik headland tahsisi değerlendirilen tarla geometrilerinde gereksiz çalışma dışı sınır alanını azaltmıştır.
• 24 tarlada ortalama headland oranı %13,30'dan %7,52'ye düşmüştür.
• Korunan çalışma alanı tarla başına ortalama 16.378,23 m² artmıştır.
• Ortalama geometrik kapsama %98'in üzerinde tutulmuştur.
• DQN-SHADE aynı değerlendirme bütçesinde test edilen beş stokastik baseline'a göre daha düşük mean gap ve daha yüksek threshold success rate elde etmiştir.
• DQN-SHADE'nin avantajı özellikle aramanın daha sonraki nesillerinde ortaya çıkmıştır.
• Dinamik headland mutlak dönüş mesafesini biraz artırsa da alan-normalize rota yoğunluğu ve model yakıt tüketimini azaltmıştır.
• İki eğitim dışı geometrik stres testinde dondurulmuş DQN politikaları yeniden eğitim olmadan uygulanabilir rotalar üretmiştir.

Çalışmanın desteklemediği sonuçlar ve sınırlılıklar

• Gerçek traktör veya ilaçlama makinesi ile saha deneyinde rota takibi doğrulanmamıştır.
• Gerçek yakıt tüketimi ölçülmemiştir.
• Gerçek püskürtme depozisyonu veya damlacık uniformitesi ölçülmemiştir.
• Rüzgâr sürüklenmesi ve boom dinamiği kapsama modelinde yoktur.
• Arazi eğimi ve toprak özellikleri yakıt modeline dahil edilmemiştir.
• Tarla içi ağaç, elektrik direği, ada veya başka engeller modellenmemiştir.
• Model yalnız dış sınır poligonlarını kullanmaktadır.
• Şerit ofseti sürekli değil, dört ayrık seviyededir.
• “Reference optimum” sürekli karar uzayının matematiksel global optimumu değil 1440 adaylık ayrık uzayın optimumudur.
• ECDF-midrank ölçeği yeni tarla için offline exhaustive enumeration'a dayanır; yöntem henüz referans tarama olmadan tam end-to-end çevrimiçi hesap tasarrufu göstermemektedir.
• İki stres-test geometrisi evrensel geometrik genelleme kanıtı değildir.
• DQN-SHADE'nin iki stres geometrisinde başarı oranı SHADE-6'dan yüksek değildir; ikisi de %100'e ulaşmıştır.
• Ana DQN öğrenme oranı duyarlılık testindeki en iyi öğrenme oranı değildir.

Gelecek çalışma

Kaynak, sonraki aşamada yüksek doğruluklu araç dinamiği simülasyonu, hardware-in-the-loop testleri ve gerçek tarla araç deneyleri planlamaktadır. Özellikle yol takip hatası, gerçek operasyon süresi, farklı toprak ve arazi koşullarında ölçülen yakıt tüketimi, dönüş performansı ve spray-deposition uniformitesi doğrulanmalıdır.

Ayrıca çalışma uzayının sürekli şerit ofsetine, giriş noktası seçimine, farklı dönüş tiplerine, iç engellere ve çok makineli koordinasyona genişletilmesi önerilmektedir. Damlacık depozisyon sensörleri, spray-width overlap ve wind-drift modelleri de geometrik coverage metriğini gerçek püskürtme performansına bağlayabilecek gelecekteki bileşenlerdir.

Kaynak ve Yöntem Notu

Özgün çalışma: Dynamic-Headland-Aware Coverage Path Planning for Ground-Based Plant Protection Operations in Irregular Fields Using DQN-SHADE.

Yazarlar: Tuo Sun, Xiaoyi Liu, Zhixin Yao, Taihong Zhang ve Yanlin Xin.

Sorumlu yazarlar: Zhixin Yao ve Taihong Zhang.

Kurumlar: College of Computer and Information Engineering, Xinjiang Agricultural University; Xinjiang Agricultural Informatization Engineering Technology Research Center; Research Center for Intelligent Agriculture, Ministry of Education Engineering, Urumqi, China.

Dergi: Agriculture.

Yayınevi: MDPI.

Cilt / sayı / makale: 16(17), 1919.

DOI: 10.3390/agriculture16171919.

Gönderim: 14 Temmuz 2026.

Revizyon: 23 Ağustos 2026.

Kabul: 28 Ağustos 2026.

Yayın: 4 Eylül 2026.

Kaynak türü: Hakemli araştırma makalesi.

Lisans: Creative Commons Attribution (CC BY).

Çalışma türü: Gerçek UAV-türetilmiş tarla sınırları üzerinde geometrik CPP simülasyonu ve optimizasyon algoritması karşılaştırması.

UAV veri toplama: DJI Mavic 3; 110 m uçuş yüksekliği; 15 m/s hız; Mayıs–Haziran 2025.

Tarla sayısı: Ham veri 26 alan; operasyonel olmayan 6 ve 24 numaralı alanlar çıkarıldıktan sonra 24 tarla.

Toplam alan: Yaklaşık 887,94 ha.

Tek tarla alanı: 4,85–89,10 ha.

Koordinat sistemi: WGS84 → UTM Zone 45N, EPSG:32645.

Makine modeli: Geometrik seviyede 19,5 m çalışma genişliği ve 5,0 m minimum dönüş yarıçapı.

Algoritmalar: DQN-SHADE, DE, SHADE-6, PSO, GA ve HHO.

Yazılım: Python 3.9.13; DQN modülü PyTorch 2.8.0.

Donanım: AMD Ryzen 7 7735H, 16 GB RAM, Windows 11.

DQN yapısı: Double Dueling DQN; 26 boyutlu state; yedi action; ana öğrenme oranı \(2.5\times10^{-4}\); \(\gamma=0.99\); batch 32; replay buffer 10.000; test ε=0,05.

Cross-validation: Field-disjoint beş katlı eğitim/test yapısı.

İstatistik: Friedman testi; DQN-SHADE kontrol olmak üzere eşleştirilmiş Wilcoxon signed-rank testleri; Holm çoklu karşılaştırma düzeltmesi.

Yakıt modeli: Rota uzunluğundan hesaplanan model-tahminli değer. Gerçek yakıt sensör ölçümü değildir.

Finansman: Provincial Key S&T Program of Xinjiang, grant 2022A02011; National Key R&D Program of China, grant 2022ZD0115805; Master’s Student Research Innovation Project of Xinjiang Agricultural University, grant XJAUGRI2026023.

Veri erişilebilirliği: Veriler sorumlu yazardan makul talep üzerine sağlanabilir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Etik: Institutional Review Board ve informed consent uygulanabilir değildir.

Yazar katkıları: Kavramsallaştırma Tuo Sun ve Zhixin Yao; metodoloji ve yazılım Tuo Sun; doğrulama Tuo Sun, Zhixin Yao ve Taihong Zhang; formal analiz Tuo Sun; araştırma Tuo Sun, Xiaoyi Liu ve Yanlin Xin; veri kürasyonu Tuo Sun ve Zhixin Yao; ilk taslak Tuo Sun; gözden geçirme/düzenleme Tuo Sun, Zhixin Yao ve Taihong Zhang; görselleştirme Tuo Sun; danışmanlık, proje yönetimi ve finansman edinimi Zhixin Yao ve Taihong Zhang.

Temel yöntemsel sınır: Çalışma gerçek tarla sınırlarını kullanmasına rağmen sonuçlar geometrik simülasyondur. Gerçek araç takip performansı, ölçülen yakıt, toprak/arazi etkisi ve gerçek spray deposition henüz saha deneyiyle doğrulanmamıştır.

ECDF-midrank sınırı: Değerlendirme ölçeği her tarla için offline exhaustive enumeration ile kalibre edilmektedir. Dolayısıyla mevcut sistem yeni bir tarla için referans taraması olmadan end-to-end hesaplama üstünlüğü göstermemektedir.