Hassas Tarım (Precision Agriculture)

Hassas tarım, girdileri optimize etmek, verimi artırmak ve çevresel etkiyi azaltmak için tarlalar içindeki uzamsal ve zamansal değişkenliği yönetmeye odaklanan bir yaklaşımdır. Tarlayı tek tip kabul etmek yerine doğru miktarda girdiyi doğru yerde ve doğru zamanda uygulamayı amaçlar. Makine öğrenmesi de ham sensör verilerini eyleme dönüştürülebilir yönetim kararlarına çeviren analitik katmanı oluşturur.

Temel Bileşenler

Değişken Oran Teknolojisi (Variable Rate Technology - VRT)

VRT, makine tarla boyunca ilerlerken tohum, gübre, pestisit veya sulama suyunun uygulama oranını ayarlar. Bir VRT sistemi üç temel bileşenden oluşur: değişkenliği tanımlayan bir sensör veya harita, oranları belirleyen bir karar algoritması ve reçeteyi yürüten GPS güdümlü ekipman. Makine öğrenmesi modelleri, özellikle Random Forest ve Gradient Boosting, toprak, hava durumu ve ürün durumu verilerinden optimal girdi oranlarını tahmin ederek reçete haritaları üretir.

GPS Güdümlü Makineler

RTK-GPS (Gerçek Zamanlı Kinematik), otomatik yönlendirme, kontrollü trafik çiftçiliği ve girdilerin hassas yerleştirilmesini mümkün kılan santimetre düzeyinde konumlama sağlar. GPS izleri, makine işlemlerini uzamsal koordinatlara bağlayarak makine öğrenmesi modelleri için önemli veri altyapılarından birini oluşturur. Her geçiş, gelecek eğitim veri setlerini besleyen coğrafi referanslı sensör verileri (verim, toprak iletkenliği, kanopi yansıtma) üretir.

Reçete Haritaları

Bir reçete haritası, tarlayı zonlara bölerek her birine hedef girdi oranı atar. Bu haritaların oluşturulması temelde bir makine öğrenmesi görevidir: kümeleme algoritmaları toprak ve arazi verilerinden yönetim bölgelerini belirler, regresyon modelleri girdi düzeylerinin verim tepkisini tahmin eder ve optimizasyon algoritmaları kısıtlar altında kârı maksimize eder veya çevresel kaybı en aza indirir. Harita, traktörün kontrolörüne yüklenerek veriden eyleme döngüyü kapatır.

Alana Özgü Yönetim Bölgeleri

Yönetim bölgelerinin tanımlanması, tarımdaki en eski ve en etkili makine öğrenmesi uygulamalarından biridir. k-ortalamalar kümelemesi, bulanık c-ortalamalar ve kendi kendini organize eden haritalar gibi gözetimsiz yöntemler, benzer toprak özellikleri, topografya ve tarihsel verim kalıplarına sahip alanları gruplar. Gözetimli yaklaşımlar ise etiketlenmiş verim haritalarını kullanarak bölge sınıflandırıcılarını eğitir. Unet Architecture modelleri uydu görüntülerini piksel çözünürlüğünde bölgelere ayırırken, Gradient Boosting gibi tablo tabanlı modeller nokta örneklemeli toprak verileri üzerinde çalışır.

Bölge sayısı, bölge içi homojenlik ile operasyonel pratiklik arasındaki dengeyi kurar. Tarla başına iki ila beş bölge tipiktir; daha fazla bölge daha fazla değişkenliği yakalar ancak standart VRT ekipmanıyla uygulanması zorlaşır.

Sensörler, Makine Öğrenmesi ve Karar Desteği Entegrasyonu

Hassas tarım veri boru hattı, sensörlerden makine öğrenmesi aracılığıyla kararlara akar:

1. Veri toplama: Uydu görüntüleri (UAV Agriculture), toprak örneklemesi, hava durumu istasyonları, verim monitörleri ve IoT sensörleri ham gözlemler üretir.
2. Ön işleme: Coğrafi referanslama, Image Preprocessing, kalite filtreleme ve özellik çıkarımı verileri modelleme için hazırlar.
3. Modelleme: Makine öğrenmesi algoritmaları sonuçları (verim, hastalık riski, besin durumu) tahmin eder veya koşulları (ürün türü, yabani ot varlığı, toprak sınıfı) sınıflandırır.
4. Karar desteği: Model çıktıları, öneriler üreten optimizasyon motorlarını veya uzman sistemleri besler; örneğin belirli bir bölgeyi ilaçlama, gübreleme ya da sulama kararı buradan çıkar.
5. Uygulama: GPS güdümlü makineler önerileri uzamsal hassasiyetle uygular.

Ekonomik Analiz

Hassas tarımın değer önerisi, teknoloji maliyetinin (sensörler, yazılım, eğitim) girdi tasarrufları ve verim kazanımlarıyla karşılanıp karşılanmadığına dayanır. Meta-analizler, hassas azot yönetiminin verimi koruyarak veya hafifçe artırarak gübre kullanımını %10-20 azaltabildiğini ve hektar başına 20-50 dolar düzeyinde net ekonomik fayda sağlayabildiğini göstermektedir. Faydalar, tek tip yönetimin en israfçı olduğu heterojen tarlalarda daha belirgin hale gelir.

Ancak benimseme eşit dağılmamaktadır. Gelişmiş ülkelerdeki büyük çiftlikler hassas tarımı daha hızlı benimserken, gelişmekte olan bölgelerdeki küçük ölçekli çiftçiler maliyet, bağlantı ve teknik okuryazarlık engelleriyle karşı karşıya kalmaktadır. Mobile Crop Advisory sistemleri, bu üreticilere veriye dayalı tarım tavsiyesi ulaştırmak için alternatif bir kanal sunmaktadır.

Ingest Edilen Makalelerden Bulgular

[Keating et al., 2003] — Avustralya'da CSIRO ve Queensland eyalet kurumlarının iş birliğiyle geliştirilen APSIM (Agricultural Production Systems Simulator), tarla sistemleri simülasyonu için modüler bir modelleme çerçevesidir. APSIM, iklimsel risk karşısında yönetim uygulamalarının ekonomik ve ekolojik sonuçlarını simüle etmek için tasarlanmıştır. Sistem; arpa, kanola, nohut, pamuk, mısır, darı, sorgum, soya, buğday ve şeker kamışı dahil 20'den fazla bitki modülü içerir. Toprak su dengesi, azot ve fosfor dönüşümleri, toprak pH'si, erozyon ve yüzey artığı dinamikleri için ayrı toprak modülleri bulunur. APSIM; çiftlik düzeyinde karar desteği, tarım sistemi tasarımı, mevsimsel iklim tahminlerinin değerlendirilmesi ve politika düzeyinde risk analizi gibi geniş bir kullanım alanına sahiptir. Model performansı 55 farklı yayında raporlanmıştır. APSIM'in MANAGER modülü, kullanıcıların durumlar, olaylar, eylemler ve koşullu mantık üzerinden karmaşık yönetim senaryoları kurmasına olanak tanır; bu da hassas tarımın adaptif yönetim gereksinimleriyle uyumludur. Versiyon 2 ile birlikte eklenen çoklu nokta simülasyon yeteneği, tarımsal ormancılık ve su toplama gibi uzamsal bileşen taşıyan konuların modellenmesini kolaylaştırmıştır.

ML Tabanlı Optimal Ürün Seçim Sistemi — Akıllı Tarım

[Rani et al., 2023] — Hindistan Telangana eyaletinde iklim koşulları ve toprak parametrelerini birlikte değerlendiren iki aşamalı bir makine öğrenmesi modeli önerilmiştir. Birinci aşamada LSTM RNN ile hava tahmini yapılmış, ikinci aşamada Random Forest sınıflandırıcı ile uygun ürün seçimi gerçekleştirilmiştir. LSTM RNN, ANN'ye kıyasla tüm parametrelerde daha düşük RMSE sağlamıştır: minimum sıcaklık için %5.023, maksimum sıcaklık için %7.28 ve yağış için %8.24. Random Forest sınıflandırıcı, ürün seçiminde %97.235, kaynak bağımlılığını tahmin etmede %96.437 ve ekim zamanı tavsiyesinde %97.647 doğruluk elde etmiştir. Model, toprak tipi, pH değeri, su tutma kapasitesi ve verimlilik durumu gibi parametreleri hava verileriyle birleştirerek birçok ürün için (soya, mısır, pirinç, pamuk, biber vb.) öneri sunabilmektedir. Karar ağacı sınıflandırıcısına kıyasla Random Forest tüm çıktılarda daha iyi performans göstermiştir.

IoT Güvenlik Mimari Analizi ve Akıllı Tarım Uygulamaları

[Hassija et al., 2019] — IoT güvenlik tehditleri ve çözüm mimarilerini kapsayan bu derleme, akıllı tarımı önemli bir IoT uygulama alanı olarak tanımlamıştır. Toprak nemi izleme, mikro iklim kontrolü, seçici sulama ve sıcaklık düzenleme gibi uygulamaların verimlilik ve kayıp azaltma açısından potansiyel taşıdığı vurgulanmaktadır. Ancak IoT'nin dört katmanlı mimarisinin (algılama, ağ, ara katman, uygulama) her birinde farklı güvenlik tehditleri bulunmaktadır: düğüm ele geçirme, kötü amaçlı kod enjeksiyonu, sahte veri enjeksiyonu, DDoS saldırıları ve veri aktarım saldırıları. Akıllı tarım için blockchain, sis hesaplama (fog computing), uç hesaplama (edge computing) ve makine öğrenmesi tabanlı dört ana güvenlik çözüm yaklaşımı tanımlanmıştır. Özellikle tarımsal IoT'de düşük güçlü düğümler, heterojen iletişim protokolleri (LoRa, ZigBee, WiFi, hücresel) ve geniş coğrafi dağılım, güvenlik tasarımını zorlaştırmaktadır.

İklim-NDVI Füzyonu ile Buğday Verim Tahmini

[Ashfaq et al., 2024] — Pakistan'ın Multan bölgesinde NDVI, iklim verileri, toprak ve sosyoekonomik verilerin SVM, Random Forest ve LASSO ile birleştirildiği bir hassas tarım çalışması sunulmuştur. SVM en yüksek doğruluğu sağlarken, LASSO otomatik özellik seçimi ile daha sade modeller kurma avantajı sunmuştur. GEE üzerinden Landsat 8 verileriyle üretilen NDVI haritaları, verim değişkenliğinin uzamsal olarak görselleştirilmesine yardımcı olmuştur. 2017-2022 dönemindeki buğday verim dalgalanmaları iklim değişkenliği ile ilişkilendirilmiş; uzaktan algılama ile ML entegrasyonunun karar destek sistemleri için güçlü bir araç olabileceği gösterilmiştir.