Akıllı Sera (Smart Greenhouse)
Akıllı seralar, kaynak tüketimini azaltırken bitki büyümesini optimize eden kontrollü yetiştirme ortamları kurmak için Nesnelerin İnterneti (IoT) sensör ağları ile makine öğrenmesi modellerini bir araya getirir. Çevresel algılama, tahmin ve otomatik eylem arasındaki döngü kapandığında, açık tarla koşullarında ulaşılması zor olan bir hassasiyet düzeyi elde edilebilir.
Sensör Altyapısı
Tipik bir akıllı sera; hava ve substrat sıcaklığı, bağıl nem, CO2 konsantrasyonu, ışık yoğunluğu (PAR), toprak veya substrat nemi, elektriksel iletkenlik (EC) ve pH ölçen sensörler barındırır. Bu sensörler saniyelerden dakikalara kadar uzanan aralıklarla örnekleme yaparak makine öğrenmesi modelleri için yoğun zaman serileri üretir.
Kenar bilişim cihazları (Raspberry Pi, ESP32, endüstriyel PLC'ler), sensör verilerini yerel olarak toplar, kalite kontrollerini yapar ve modellerin çalıştığı bulut platformlarına iletir. LoRaWAN ve WiFi gibi bağlantılar veri akışını sağlarken, ağ kesintilerine karşı yerel önbellekleme de kullanılabilir.
İklim Optimizasyonu
Akıllı seradaki temel makine öğrenmesi görevi, gelecekteki iklim eğilimlerini tahmin etmek ve mevcut ürün ile büyüme dönemi için uygun aralıktaki koşulları koruyan eyleyici ayarlarını (ısıtma, soğutma, havalandırma, gölgeleme, ek aydınlatma, CO2 enjeksiyonu) seçmektir.
LSTM Networks ve zamansal evrişimsel ağlar, sera iklimini çok değişkenli bir zaman serisi olarak modelleyerek mevcut koşullar ve hava durumu tahminleri verildiğinde 1-6 saat ileriye dönük sıcaklık ve nem tahmini yapabilir. Bu tahminler, koşullar sapma yaptıktan sonra tepki vermek yerine önceden ısıtma veya havalandırmayı ayarlayan kontrol algoritmalarını besler.
Pekiştirmeli öğrenme (Reinforcement Learning) yaklaşımları ise serayı, bir ajanın simülasyonda deneme-yanılma yoluyla kontrol politikası öğrendiği ve ardından bunu gerçek sisteme uyguladığı bir ortam olarak ele alır. Ödül fonksiyonu, ürün büyüme hızını enerji maliyeti ve ekipman aşınmasına karşı dengeler.
Büyüme Tahmini
Makine öğrenmesi modelleri, birikimli iklim verisi ve dikimden bu yana geçen süre üzerinden ürün büyüme metriklerini (boy, yaprak alanı, meyve sayısı, hasada kalan gün) tahmin eder. Tarihsel ürün-iklim kayıtları üzerinde eğitilmiş Gradient Boosting modelleri, iş gücü ve lojistik planlamasını kolaylaştıran hasat tarihi tahminleri üretebilir.
Seraların içine monte edilen bilgisayarlı görü sistemleri de büyümeyi izler. Segmentasyon modelleri kanopi genişlemesini ölçerken, nesne tespiti çiçekleri ve meyveleri sayar. Bu görsel göstergeler, sensör tabanlı tahminleri tamamlar.
Hastalık Riski Tahmini
Seralardaki yüksek nem ve yoğun dikim, botrytis, külleme ve mildiyö gibi mantar hastalıkları için uygun koşullar oluşturur. Makine öğrenmesi modelleri, mikroiklim değişkenlerinden (yaprak ıslaklık süresi, gece nemi, sıcaklık farkları) hastalık riskini tahmin eder ve yetiştiricileri enfeksiyon yerleşmeden önce havalandırma veya fungisit müdahalesi için uyarabilir.
Etiketlenmiş hastalık görüntüleri (bkz. Image Preprocessing) üzerinde eğitilmiş sınıflandırma modelleri, sera içi kameralardan erken belirtileri tespit ederek kimyasal kullanımı azaltan daha hedefli tedavilere yardımcı olabilir.
Enerji Optimizasyonu
Isıtma, soğutma ve ek aydınlatma, ılıman iklimlerde sera işletme maliyetlerinin %30-50'sini oluşturabilir. Makine öğrenmesi tabanlı enerji optimizasyonu, ürün kalitesini korurken maliyeti düşürmek için bu sistemlerin çalışma zamanını ayarlar. Modeller; termal ataletten yararlanmayı, hava durumu tahminlerini hesaba katmayı ve ürün tolerans aralıklarına göre daha esnek kararlar almayı öğrenebilir.
Otomatik Havalandırma ve Sulama
Kural tabanlı sistemler, sıcaklık belli bir eşiği aştığında havalandırma açıklıklarını açar. Makine öğrenmesi tabanlı sistemler ise daha incelikli politikalar öğrenebilir: sıcaklık artışı beklentisiyle açıklıkları kısmen açmak, havalandırmayı nem hedefleriyle koordine etmek ve dış rüzgâr hızına göre strateji değiştirmek gibi.
Seralarda sulama planlaması, substrat nem sensörlerini bitki terleme talebinin makine öğrenmesi tahminleriyle birleştirir. Ürün su alım kalıpları üzerinde eğitilmiş modeller, eksiklik stresi oluşmadan hemen önce su vererek su kullanım verimliliğini artırmayı hedefler.
Dijital İkiz Kavramları
Dijital ikiz, fiziksel seranın sanal bir kopyasıdır; makine öğrenmesi modelleri ve fizik tabanlı simülasyonlar burada paralel şekilde çalışır. Ne-olursa analizleri, anomali tespiti ve optimizasyon denemeleri bu yapı üzerinde yapılabilir. Dijital ikizler, üretim hacmi ve zamanlaması tahminleriyle akıllı serayı daha geniş Agricultural Supply Chain planlamasına da bağlar.
Ingest Edilen Makalelerden Bulgular
[Ayaz et al., 2019] — Dikey çiftçilik, kontrollü ortamlarda bitkilerin katmanlar halinde yetiştirilmesiyle üretim yoğunluğunu artıran bir yaklaşım olarak ele alınmaktadır. Çalışmada Japonya ve ABD örnekleri üzerinden, su ve enerji verimliliği ile yüksek üretim kapasitesi arasındaki ilişki özetlenmiştir. NDIR CO2 sensörlerinin sera ve dikey çiftliklerde kritik çevresel parametrelerin izlenmesinde önemli rol oynadığı; hidroponik sistemlerde pH, EC, sıcaklık ve nem verilerinin IoT ile otomatik izlenip kontrol edilebildiği vurgulanmaktadır.
[Farooq et al., 2019] — IoT tabanlı akıllı sera tasarımı, manuel müdahaleyi azaltarak sensörler ve akıllı cihazlar aracılığıyla bitki gereksinimlerine göre iklim parametrelerini ölçer ve yönetir. Çalışma, sulama izleme, bitki izleme ve iklim izleme olmak üzere üç ana işlevi öne çıkarır. Sis hesaplama (fog computing) katmanı da bulut yükünü azaltarak daha hızlı tepki süreleri sağlamayı amaçlar.