Ders 17: Hassas Tarım ve IoT Entegrasyonu

1. Giriş: Doğu Birde Ek, Doğu Birde Sula Dönemi Bitti

Geleneksel tarımda çiftçi, deneyimine dayanarak tüm tarlaya aynı miktarda su, gübre ve ilaç uygular. Ancak bir tarlanın her noktası aynı değildir: kuzeydeki köşe daha nemli olabilir, güneydeki bölgenin pH değeri farklıdır, batı kenarı daha az azot içerir. Hassas tarım (precision agriculture), bu varyasyonları ölçüp her bir alana özel tedavi uygulamayı amaçlar.

IoT (Internet of Things) sensörleri bu dönüşümün ana bileşenlerinden biridir: toprak nemi, sıcaklık, nem, pH, azot seviyesi gibi parametreleri sürekli ölçen sensörler, verileri kablosuz olarak merkezi sisteme iletir. Makine öğrenimi algoritmaları bu verileri analiz ederek ne zaman, nerede, ne kadar su/gübre/ilaç uygulanacağını tahmin eder.

Hassas tarım literatüründe, uygun uygulama koşullarında su kullanımında %20-50 azalma, gübre kullanımında %15-30 tasarruf ve mahsul veriminde %10-20 artış gibi sonuçlar raporlanmaktadır. Bu rakamlar saha, ürün, sensör altyapısı ve yönetim kalitesine göre değişir; bu nedenle sayıları genel vaatler değil, bağlama duyarlı örnek aralıklar olarak okumak gerekir.

2. IoT Sensörleri + ML = Akıllı Tarım

2.1 Sensör Türleri ve Ölçtüğü Parametreler

2.2 IoT Mimari Katmanları

Katman 1: Algılama (Sensing)
   |-- Toprak nemi, sıcaklık, nem, pH, NPK sensörleri
   |-- Her 5-15 dakikada bir ölçüm
   |
Katman 2: İletişim (Communication)
   |-- LoRa/LoRaWAN (uzun menzil, düşük güç, 2-5 km)
   |-- Zigbee (kısa menzil, düşük güç, 100m)
   |-- WiFi (yüksek bant genişliği, sınırlı menzil)
   |-- Hücresel (4G/5G, geniş kapsama)
   |
Katman 3: İşleme ve Karar (Processing)
   |-- Uç cihaz: Basit kurallar, eşik değerleri
   |-- Fog/Edge: ML model çıkarımı
   |-- Bulut: Model eğitimi, veri depolama, analitik
   |
Katman 4: Eylem (Actuation)
   |-- Sulama vanaları
   |-- Gübre enjektörleri
   |-- İlaç püskürtme nozulları

2.3 ML Modelleri ve Sensör Verisi

Sensör verileri tipik olarak zaman serisi formundadır. Bu verilerle kullanılan ML yöntemleri:

• Karar Ağaçları ve Random Forest: Sulama kararını (evet/hayır) toprak nemi, sıcaklık ve nem verilerine göre tahmin
• LSTM/GRU: Gelecekteki toprak nemi seviyesini zaman serisi tahmiyle öne sürer
• SVM: Sulama ihtiyacını sınıflandırma (acil/normal/gereksiz)
• XGBoost: Verim tahmini için sensör + iklim + toprak verisini birleştirme
• Derin Öğrenme: CNN ile görüntü + sensör verisi füzyon

3. Değişken Oranlı Uygulama (Variable Rate Technology - VRT)

3.1 Temel Kavram

VRT, tarlanın farklı bölgelerine farklı miktarlarda girdi (su, gübre, ilaç) uygulamayı sağlayan teknolojidir. Geleneksel yöntemde tüm tarlaya örneğin hektar başına 200 kg gübre atılırken, VRT ile kuzey bölgeye 250 kg, güney bölgeye 150 kg uygulanabilir.

3.2 VRT İş Akışı

1. Veri Toplama
   |-- Toprak örnekleme (grid veya zone bazlı)
   |-- Uydu görüntüsü (NDVI haritası)
   |-- Verim haritası (geçmiş sezonlardan)
   |-- Sensör verileri (toprak nemi, EC)
   |
2. Analiz ve Reçete Haritası Oluşturma
   |-- ML modeli ile zone sınıflandırması
   |-- Her zone için optimal girdi miktarı hesaplama
   |-- Reçete haritası (prescription map) üretimi
   |
3. Uygulama
   |-- GPS-güdümlü traktör reçete haritasını okur
   |-- Değişken oranlı dağıtıcı/püskürtücü aktif
   |-- Gerçek zamanlı uygulama loglama
   |
4. Değerlendirme
   |-- Uygulama haritası vs reçete haritası karşılaştırması
   |-- Verim sonuçları analizi
   |-- Model güncelleme

3.3 Tarımsal Örnek

Bir 100 hektarlık buğday tarlasında: - Geleneksel: 100 ha x 200 kg/ha = 20.000 kg azot gübresi - VRT ile: Zone A (30 ha, verimli): 150 kg/ha, Zone B (40 ha, orta): 200 kg/ha, Zone C (30 ha, zayıf): 250 kg/ha - VRT toplam: 30x150 + 40x200 + 30x250 = 4.500 + 8.000 + 7.500 = 20.000 kg

Toplam miktar aynı, ancak dağıtım optimize edilmiş: zayıf bölgeler daha fazla, verimli bölgeler daha az gübre alır. Sonuç: %8-15 verim artışı, aynı maliyet.

4. Drone + Kamera + Model = Reçete Haritası

4.1 Drone Tabanlı Tarım İzlemesi

Dronlar (İHA'lar), uyduya kıyasla çok daha yüksek mekansal çözünürlük (1-5 cm/piksel) ve esneklik sunar. Tipik bir tarımsal drone sistemi:

• DJI Matrice 350 RTK + MicaSense Altum-PT: 5 multispektral bant + termal
• DJI Agras T40: İlaç püskürtme kapasiteli
• Uçuş süresi: 30-45 dakika
• Kapsama alanı: 20-50 hektar/uçuş

4.2 Drone Görüntüsünden Reçete Haritasına

1. Görüntü Toplama: Drone multispektral kamerayla tarlayı taktik yükseklikte (30-120m) tarar
2. Mozaikleme: Ortofoto ve NDVI haritası üretilir (Pix4D veya OpenDroneMap ile)
3. ML Analiz: Hastalık tespiti (CNN), bitki sayma (YOLO), stres zonlama (Random Forest)
4. Reçete Haritası: Her zone için ilaç/gübre dozajı hesaplanır
5. Uygulama: İlaç püskürtme dronu veya VRT traktörü reçeteyi uygular

4.3 Araştırma Örneği: AI-Tabanlı Otonom Tarım Robotu

Beloev ve arkadaşları (2021), hassas tarım için yapay zeka tabanlı otonom bir tarla robotu geliştirmişlerdir. Robot, weed detection, ilaç püskürtme ve otonom navigasyon yeteneklerine sahiptir.

Robot Özellikleri: - Navigasyon: GPS tabanlı otonom rota takibi (Mission Planner yazılımı ile ön-tanımlı rotalar) + görsel navigasyon (Intel RealSense derinlik kamerası ile engel kaçınma) - Bitki Algılama: Faster R-CNN (Inception v2) ile yabani ot tespiti. Eğitim veri seti için tarladan toplanan görüntüler etiketlenmiş ve model eğitilmiştir. - Püskürtme Sistemi: Renk tabanlı algoritma ile bitki sağlığı değerlendirmesi; yeşil renk sağlıklı, kırmızı renk hasarlı olarak tanımlanmış. Hasar tespit edildiğinde 1.5 saniye boyunca ilaç püskürtür (12 km/s robot hızına göre kalibre). - SLAM: Bilinmeyen ortamda harita oluşturma ve konumlanma (Simultaneous Localization and Mapping) - Derinlik Kamerası: Intel RealSense ile nesnelere mesafe ölçümü ve sıra arası otonom takip

Önemli Bulgular: - Robot, GPS kullanılmadığında bile derinlik kamerası ile mahsul sıralarını takip edebilmiştir - Düşük maliyetli bileşenlerle (Pixhawk autopilot, Raspberry Pi) prototip üretilmiştir - Hem iç mekan (sera) hem de dış mekan (tarla) kullanımı için uygun tasarlanmıştır - İleride kol (manipülatör) eklenerek küçük meyve hasadı da yapılabileceği öngörülmektedir

5. Akıllı Sulama: Sensör -> Tahmin -> Vana

5.1 Neden Akıllı Sulama?

Tarım, küresel tatlı su kullanımının yaklaşık %70'ini oluşturur. Geleneksel sulama yöntemleri (salma sulama, yağmurlama) su kaynaklarını verimsiz kullanır. Akıllı sulama sistemleri, sensörlerden gelen veriye dayanarak sulama zamanını ve miktarını optimize eder.

5.2 Akıllı Sulama Döngüsü

[Toprak Nemi Sensörü] ---> [IoT Gateway (ESP32/Arduino)]
        |                            |
[Sıcaklık/Nem Sensörü] ------>  [ML Model (Karar)]
        |                            |
[Hava Durumu Tahmini] -------> [Sulama Kararı: Evet/Hayır, Ne Kadar?]
                                     |
                              [Selenoid Vana Kontrolü]
                                     |
                              [Damla Sulama Sistemi]

5.3 Araştırma Örneği: IoT ve ML ile Akıllı Sulama Sistemi

Kalpana ve arkadaşları (2024), IoT ve ileri makine öğrenimi modelleri kullanan akıllı sulama sistemlerini sistematik olarak incelemiştir. Çalışmada 2017-2024 yılları arasında yayınlanan 40'tan fazla araştırma değerlendirilmiştir.

Sistematik İnceleme Bulguları:

Çalışmada, akıllı sulama sistemlerinin temel bileşenleri sıralanmıştır: 1. Sensör ağları: Toprak nemi, sıcaklık, nem sensörlerinin stratejik yerleşimi 2. Veri iletimi: LoRa, WiFi veya hücresel bağlantı ile buluta veri aktarımı 3. ML tabanlı karar: Sensör verileri + hava tahmini + bitki modeli ile sulama kararı 4. Otomasyon: Selenoid vana kontrolü ile otomatik sulama başlatma/durdurma

Önemli Tespitler: - Su tasarrufu açısından en başarılı yaklaşımlar, SVM ve Random Forest tabanlı sistemlerdir (%25'e kadar su azalma) - LSTM modelleri, gelecekteki nem seviyelerini tahmin ederek proaktif sulama planlaması sağlar - Enerji verimliliği için güneş paneli destekli sistemler ön plana çıkmaktadır - Çoğu sistemin sınırlaması, belirli bir coğrafi bölge ve ürün tipi ile sınırlı olması ve genelleştirilebilirliğin test edilmemiş olmasıdır

5.4 Pratik Uygulama Örneği

import numpy as np
from sklearn.ensemble import RandomForestClassifier

# Sensör verisi: [toprak_nemi(%), sıcaklık(C), nem(%), yağış_son_24s(mm)]
X_train = np.array([
    [35, 28, 45, 0],   # Kuru, sıcak -> Sula
    [55, 25, 60, 5],   # Orta, iyi hava -> Sulama
    [70, 22, 70, 15],  # Nemli, serin -> Sulama
    [25, 32, 35, 0],   # Çok kuru, sıcak -> Acil sula
    [60, 20, 65, 10],  # Yeterli -> Sulama
    [80, 18, 80, 20],  # Doygun -> Sulama
])
y_train = [1, 0, 0, 1, 0, 0]  # 1: Sula, 0: Sulama

model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# Gerçek zamanlı karar
sensor_data = np.array(<strong>40, 30, 40, 0</strong>)  # Mevcut sensör okumaları
karar = model.predict(sensor_data)
print(f"Sulama kararı: {'SULA' if karar[0] == 1 else 'BEKLEME'}")

6. Entegre Hassas Tarım Ekosistemi

6.1 Tüm Bileşenlerin Birleşmesi

Hassas tarım, tekil teknolojilerden ziyade, bunların entegre bir ekosistem olarak çalışmasıyla güçlüdür:

            [Uydu: Sentinel-2]
                    |
            [NDVI, LAI Haritası]
                    |
    [Drone: Multispektral]    [IoT: Toprak Sensörleri]
            |                          |
    [Hastalık Haritası]     [Nem, pH, NPK Verileri]
            |                          |
            +----------+---------------+
                       |
              [ML Entegrasyon Motoru]
                       |
            +----------+----------+
            |          |          |
    [Sulama Reçetesi] [Gübre Reçetesi] [İlaç Reçetesi]
            |          |          |
    [Akıllı Sulama]  [VRT Traktör] [Püskürtme Drone]

6.2 Veri Akışı Örneği

1. Sentinel-2 uydusu, tarlanın NDVI haritasını her 5 günde günceller
2. Drone uçuşu, hastalıklı bölgeleri 2 cm çözünürlükte tespit eder
3. Toprak sensörleri, her 10 dakikada nem, sıcaklık ve NPK değerleri raporlar
4. ML motoru, tüm bu verileri birleştirerek zonlama yapar
5. Sulama sistemi, kuru zonlara otomatik su verir
6. VRT traktör, eksik azotlu bölgelere ekstra gübre uygular
7. Püskürtme dronu, yalnızca hastalıklı bölgelere ilaç uygular

7. Zorluklar ve Gelecek

7.1 Mevcut Zorluklar

• Başlangıç maliyeti: IoT altyapısı kurulumu küçük çiftçiler için pahalı
• Bakım: Sensörler kirlenebilir, bataryalar biter, kalibrasyon gerekir
• Birlikte çalışabilirlik: Farklı üretici sensörleri/yazılımları birbiriyle uyumsuz olabilir
• Veri yönetimi: Büyük miktarda sensör verisinin depolanması ve işlenmesi
• Dijital okur-yazarlık: Çiftçilerin teknolojiyi benimseme süreci

7.2 Gelecek Yönelimleri

• 5G + Edge AI: Düşük gecikmeli, yüksek bant genişlikli tarla iletişimi
• Dijital ikiz (Digital Twin): Tarlanın sanal kopyası üzerinde simülasyon
• Federatif öğrenme: Çiftçi verileri paylaşılmadan ortak model eğitimi
• Otonom filo yönetimi: Drone + robot + traktör koordinasyonu

8. Özet ve Önemli Noktalar

1. Hassas tarım, her bitki/bölgeye özel müdahale ile kaynak kullanımını optimize eder; su kullanımında %20-50, gübre kullanımında %15-30 tasarruf mümkündür.

2. IoT sensör ağları, tarla koşullarını sürekli izleyerek ML modelleri için gerçek zamanlı veri sağlar; toprak nemi, sıcaklık, nem ve besin değerleri en kritik parametrelerdir.

3. VRT (Değişken Oranlı Uygulama), reçete haritaları kullanarak tarlanın farklı bölgelerine farklı miktarlarda girdi uygular; sonuç aynı maliyetle daha yüksek verimdir.

4. Akıllı sulama sistemlerinde IoT + ML entegrasyonu, %25'e varan su tasarrufu sağlamıştır; SVM, Random Forest ve LSTM en başarılı algoritmalardır.

5. Otonom tarım robotları, GPS ve görsel navigasyon ile tarlada bağımsız hareket edebilir, yabani ot tespiti ve hedefli ilaçlama yapabilir.

Kaynaklar

1. Kalpana, P., et al. (2024). A Smart Irrigation System Using the IoT and Advanced Machine Learning Model. IJCESEN, 10(4), 1158-1168.
2. Beloev, I., et al. (2021). Artificial Intelligence-Driven Autonomous Robot for Precision Agriculture. Acta Technologica Agriculturae, 1/2021.
3. Cisternas, I., et al. (2020). Systematic literature review of implementations of precision agriculture. Computers and Electronics in Agriculture, 176, 105626.
4. Wolfert, S., et al. (2017). Big data in smart farming -- A review. Agricultural Systems, 153, 69-80.
5. Kamilaris, A., et al. (2017). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70-90.