1.12 İklim Değişikliği ve Tarım (Climate Change and Agriculture)

1. Problem Tanımı ve Sistemik Etki

İklim değişikliği, 21. yüzyılın küresel gıda güvenliğine yönelik en büyük yapısal tehdididir. IPCC AR6 raporuna göre küresel ortalama sıcaklığın sanayi öncesi döneme kıyasla 1,1°C artması, tarımsal üretkenliği zaten olumsuz etkilemektedir: son 50 yılda iklim değişikliğine atfedilebilen tarımsal verimlilik kaybı %4,1-12,5 aralığında tahmin edilmektedir. Dünya Bankası verilerine göre 2050 yılına kadar iklim değişikliğinin küresel tarımsal GSYH'yi yıllık 150-250 milyar USD azaltması beklenmektedir.

Konvansiyonel iklim-tarım etkileşim modellemesinin kısıtlamaları şunlardır:

• Ölçek uyumsuzluğu: Küresel iklim modelleri (GCM) tipik olarak 100-250 km mekansal çözünürlükte çalışır; tarımsal karar verme ise tarla ölçeğinde (1-10 ha) gerçekleşir. Bu ölçek farkı, GCM çıktılarının doğrudan tarımsal kullanımını imkânsız kılar.
• Doğrusal olmayan etkileşimler: Sıcaklık, yağış, CO₂ konsantrasyonu ve toprak nemi arasındaki karmaşık etkileşimler, basit regresyon modellerinin yakalayamayacağı doğrusal olmayan dinamikler içerir. Sıcaklık artışının verim üzerindeki etkisi belirli bir eşiğe kadar pozitif, sonrasında belirgin biçimde negatiftir.
• Çoklu stres etkileşimi: Kuraklık, sıcak dalga, yeni zararlı/hastalık baskısı ve toprak degradasyonu eşzamanlı etki gösterdiğinde, bireysel stres modellerinin toplamı gerçek kaybı açıklamada yetersiz kalır — etkileşim terimleri kritiktir.
• Projeksiyon belirsizliği: 20+ GCM'nin 4+ senaryo (SSP1-2.6, SSP2-4.5, SSP3-7.0, SSP5-8.5) altındaki çıktıları arasındaki yayılma, aynı bölge için 2050 yağış tahminlerinde %30-50 fark oluşturabilir.

Bu kısıtlamalar, makine öğrenmesinin iklim-tarım modellemesindeki rolünü hızla artırmaktadır — özellikle istatistiksel ölçek küçültme (downscaling), ürün-iklim ilişkisi modelleme ve adaptasyon stratejisi optimizasyonu alanlarında.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1980-2010)

Erken dönem iklim-tarım modelleri, süreç tabanlı (process-based) bitki büyüme simülasyonlarına dayanmaktaydı:

• DSSAT (Decision Support System for Agrotechnology Transfer): Bitki fizyolojisi, toprak su dengesi ve iklim verilerini birleştiren mekanistik model. Jones et al. (2003) tarafından geliştirilen bu sistem, 42 ürün türü için parametre setleri içerir; ancak her yeni bölge-çeşit kombinasyonu için kapsamlı kalibrasyon (20-30 parametre) gerektirir.
• APSIM (Agricultural Production Systems Simulator): Avustralya menşeli süreç tabanlı model. Kuraklık koşullarında DSSAT'tan daha güvenilir sonuçlar verdiği raporlanmıştır; ancak parametre belirsizliği nedeniyle projeksiyon güven aralıkları geniştir.
• İstatistiksel panel regresyon: Lobell ve Field (2007), 1961-2002 döneminde küresel ölçekte panel veri analizi ile sıcaklık-verim ilişkisini modelleyerek mısır veriminin 1°C artış başına %3,8 düştüğünü göstermiştir. Basit ve yorumlanabilir; ancak mekansal heterojenliği ve doğrusal olmayanlığı yakalama kapasitesi sınırlıdır.

Limitasyonlar: Süreç tabanlı modeller, fizyolojik mekanizmaları detaylı temsil eder ancak hesaplama maliyeti yüksektir ve parametre kalibrasyonu uzman gerektirmektedir. İstatistiksel modeller ise hızlıdır ancak yeni iklim rejimlerine (tarihsel gözlem aralığı dışı) extrapolasyon kapasitesi sınırlıdır.

2.2 Makine Öğrenmesi Yaklaşımları (2010-Günümüz)

İstatistiksel Ölçek Küçültme (Statistical Downscaling)

• Girdi: GCM çıktıları (sıcaklık, yağış, nem — 100-250 km çözünürlük) + yüksek çözünürlüklü gözlem verileri (istasyon bazlı veya gridded — 1-25 km).
• Çalışma prensibi: GCM büyük ölçekli örüntüler ile yerel iklim değişkenleri arasındaki istatistiksel ilişki makine öğrenmesi ile modellenir. Random Forest, Gradient Boosting ve yapay sinir ağları (ANN) yaygın yöntemlerdir.
• Performans: Sachindra et al. (2018), Random Forest tabanlı downscaling'in geleneksel SDSM (Statistical Downscaling Model) yöntemine kıyasla aylık yağış tahmininde RMSE'yi %15-25 iyileştirdiğini raporlamıştır.

Ürün-Verim İklim İlişkisi Modelleme

• Random Forest: İklim değişkenleri (sıcaklık, yağış, güneşlenme), toprak özellikleri ve yönetim pratiklerinden verim tahmini. Jeong et al. (2016), ABD mısır verimini RF ile RMSE=0,78 t/ha doğrulukla tahmin etmiş — süreç tabanlı modellere kıyasla %10-15 daha düşük hata.
• LSTM ağları: İklim zaman serilerindeki uzun vadeli bağımlılıkları yakalama kapasitesiyle, yıllık verim dalgalanmalarını modelleme. Khaki ve Wang (2019), LSTM ile ABD soybean veriminde R²=0,85 raporlamıştır; ancak eğitim döneminin dışındaki iklim rejimleri için güvenilirlik düşüktür.
• Hibrit yaklaşımlar (Process-based + ML): Süreç tabanlı modellerin fiziksel kısıtlarını ML'in esnekliğiyle birleştiren yaklaşımlar. DSSAT kalıntı hatalarının RF ile modellenip düzeltilmesi (residual correction), tahmin doğruluğunu %8-12 artırmaktadır.

Kuraklık İzleme ve Erken Uyarı

• Yaklaşım: Uydu bazlı indeksler (NDVI, SPI, PDSI) + meteorolojik veriler + toprak nemi verilerinin ML ile füzyonu. XGBoost ve derin öğrenme modelleri, kuraklık şiddetini 1-3 ay önceden tahmin etme potansiyeline sahiptir.
• Performans: Agana ve Homaifar (2017), LSTM ile Standardized Precipitation Index (SPI) tahmininde 3 aylık ufukta r=0,87 korelasyon raporlamıştır.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Uzun Vadeli Projeksiyon Belirsizliği

2050 ve 2100 projeksiyonları, GCM yapısal belirsizliği, emisyon senaryosu belirsizliği ve iç doğal değişkenlik olmak üzere üç ana kaynaktan beslenir. Hawkins ve Sutton (2009), 2050 yılı bölgesel sıcaklık projeksiyonlarında toplam belirsizliğin %50'sinin model yapısal farklılıklarından, %30'unun senaryo belirsizliğinden ve %20'sinin doğal değişkenlikten kaynaklandığını göstermiştir. ML modelleri bu belirsizliği azaltamaz — yalnızca daha verimli yayabilir.

Ölçek Uyumsuzluğu (Scale Mismatch)

GCM çıktıları 100+ km çözünürlüğündedir; tarımsal kararlar 1-10 ha ölçeğinde alınır. İstatistiksel downscaling bu açığı kapatmayı hedefler; ancak yerel topografya, arazi kullanımı ve mikro-iklim etkileri, büyük ölçekli örüntülerden tam olarak türetilemez. Maraun (2016), istatistiksel downscaling'in ekstrem yağış olaylarını sistematik olarak hafife aldığını (%20-40 eksik tahmin) raporlamıştır.

Çoklu Stres Etkileşimi

Kuraklık + sıcak dalga + yeni zararlı türleri gibi eşzamanlı stres faktörlerinin tarımsal etkisi, bireysel stres modellerinin toplamından daha büyüktür. Suzuki et al. (2014), eşzamanlı sıcak ve kuraklık stresinin buğday verimini bireysel streslerin toplamına kıyasla %15-20 daha fazla düşürdüğünü göstermiştir. ML modelleri, yeterli eğitim verisi varsa etkileşim terimlerini öğrenebilir; ancak nadir kombinasyonlar (ör. aşırı kuraklık + don olayı) için veri yetersizdir.

Adaptasyon Endojenliği

Çiftçiler iklim değişikliğine pasif değildir — çeşit değiştirme, ekim tarihini kaydırma, sulama stratejisi değiştirme gibi adaptasyon davranışları gösterirler. Bu adaptasyon, tarihsel verideki iklim-verim ilişkisini "maskeleyerek" modelin gerçek iklim hassasiyetini hafife almasına neden olabilir. Lobell (2014), adaptasyonun hesaba katılmamasının iklim etkisi tahminlerini %30-50 arasında bozabileceğini göstermiştir.

Bölgesel Senaryo: Güneydoğu Anadolu'da Kuraklık Projeksiyonu

Siirt ve Güneydoğu Anadolu, Akdeniz iklim kuşağının en savunmasız bölgelerinden biridir. Mühendislik açısından üç kritik sorun mevcuttur:

1. Fıstık dormansı ve soğuklama gereksinimi: Siirt fıstığı, çiçeklenme için 700-1000 soğuklama saati (chilling hours, 0-7°C) gerektirir. RCP8.5 senaryosu altında 2050 yılına kadar Güneydoğu Anadolu'da soğuklama saatlerinin %20-35 azalması projekte edilmektedir — bu, fıstık yetiştiriciliğinin fiziksel sınırlarını değiştirecek düzeyde bir tehdit oluşturmaktadır. ML tabanlı modeller ile soğuklama saati projeksiyonlarının tarla düzeyinde çözünürlüğe indirgenmesi kritik bir araştırma ihtiyacıdır.
2. Yağış rejimi değişikliği: Bölgede yıllık yağışın %10-20 azalması ve mevsimsel dağılımının değişmesi (ilkbahar yağışlarının azalması, sonbahar yağışlarının artması) projekte edilmektedir. Bu, fıstıkta meyve dolum döneminde (Haziran-Ağustos) su stresini artıracaktır. Mevcut kuru tarım (dryland farming) koşullarında sulamaya geçiş ihtiyacı ekonomik fizibilite analizini gerektirir.
3. İstasyon veri kıtlığı: Güneydoğu Anadolu'da 50+ yıllık kesintisiz iklim verisi bulunan meteoroloji istasyonu sayısı sınırlıdır. Bu, ML tabanlı downscaling modellerinin eğitim verisi kalitesini doğrudan etkiler — gridded veri setleri (ERA5, CRU) kullanılabilir; ancak dağlık arazideki istasyon seyrekliğinden kaynaklanan enterpolasyon hataları %10-15 düzeyinde olabilir.

4. Literatür: Seminal Çalışmalar

Lobell ve Field (2007) — 1961-2002 döneminde küresel ölçekte iklim-verim ilişkisinin panel veri analizi. Mısırda 1°C sıcaklık artışı başına %3,8, buğdayda %3,2, arpada %3,1 verim kaybı tahmin edilmiştir. İklim değişikliğinin tarımsal verime etkisini nicel olarak gösteren seminal çalışma. (5.200+ atıf)

Lobell et al. (2011) — 1980-2008 döneminde iklim trendlerinin küresel gıda üretimi üzerindeki etkisi. Mısır ve buğdayda küresel verim büyüme hızının iklim değişikliği nedeniyle sırasıyla %3,8 ve %5,5 yavaşladığını raporlamıştır. İklim etkisinin bölgesel heterojenliğini vurgulayan analiz. (4.800+ atıf)

Sachindra et al. (2018) — İklim değişikliği etki çalışmalarında istatistiksel downscaling yöntemlerinin kapsamlı derlemesi. Random Forest tabanlı downscaling'in geleneksel yöntemlere kıyasla yağış tahmininde RMSE'yi %15-25 iyileştirdiğini ve ekstrem olayların temsilinde üstün olduğunu göstermiştir. (420+ atıf)

Jeong et al. (2016) — Random Forest ile ABD mısır verim tahmini. 30 yıllık iklim, toprak ve yönetim verileri kullanılarak ilçe düzeyinde verim tahmininde RMSE=0,78 t/ha. Değişken önem analizi ile kritik sıcaklık eşiklerinin belirlenmesi. DSSAT'a kıyasla %10-15 daha düşük hata. (380+ atıf)

Khaki ve Wang (2019) — Derin öğrenme ile ABD soybean ve mısır verim tahmini. CNN-LSTM hibrit mimarisi ile çevresel ve genetik verilerin birlikte modellenmesi. Soybean'de R²=0,85, mısırda R²=0,83. Genotip-çevre etkileşiminin modellenmesinde derin öğrenmenin potansiyelini göstermiştir. (350+ atıf)

5. Gelecek Vizyonu

Fizik Bilgili Makine Öğrenmesi (Physics-Informed ML)

Saf veri odaklı ML modelleri, eğitim verisi dışındaki iklim rejimleri için güvenilmezdir. Fizik bilgili sinir ağları (PINN — Physics-Informed Neural Networks), bitki fizyolojisi denklemlerini (ışık kullanım verimliliği, su dengesi) kayıp fonksiyonuna kısıt olarak dahil ederek modelin fiziksel olarak tutarsız tahminler üretmesini engeller. Bu yaklaşım, eğitim verisi dışındaki iklim senaryolarında extrapolasyon güvenilirliğini artırma potansiyeli taşır; ancak fiziksel kısıtların doğru formülasyonu ve hesaplama maliyeti önemli zorluklardır.

Dijital İkiz Tarımsal Sistemler (Digital Twin)

Tarla ölçeğinde iklim, toprak, bitki ve yönetim verilerinin gerçek zamanlı entegrasyonuyla oluşturulan dijital ikiz modelleri, farklı iklim senaryoları altında adaptasyon stratejilerini simüle etme kapasitesine sahiptir. ML, bu sistemlerdeki hızlı çıkarım motoru olarak konumlanmaktadır. Ancak sensör altyapısı, veri standartlaştırması ve model güncelleme sıklığı konusundaki mühendislik zorlukları hâlâ çözülmemiştir.

İklim Akıllı Tarım (Climate-Smart Agriculture)

ML tabanlı karar destek sistemleri, çiftçilere bölgesel iklim projeksiyonlarına dayalı adaptasyon önerileri (çeşit seçimi, ekim zamanlaması, sulama planlaması) sunma potansiyeli taşımaktadır. Ancak bu sistemlerin güvenilirliği, iklim projeksiyonlarının belirsizliğiyle sınırlıdır. Belirsizlik aralıklarının çiftçilere anlaşılır şekilde iletilmesi, teknik bir sorundan çok bir iletişim tasarımı problemidir.

Karbon İzleme ve Sera Gazı Emisyon Modelleme

Tarımsal topraklardaki karbon dinamiklerinin (sekestrasyon vs emisyon) ML ile modellenmesi, karbon kredisi piyasaları ve iklim politikaları açısından artan önem taşımaktadır. Uydu bazlı toprak nemi ve vejetasyon indeksleri ile RF/XGBoost modelleri, bölgesel N₂O ve CH₄ emisyon tahminlerinde süreç tabanlı modellere kıyasla %10-20 daha düşük hata raporlamaktadır. Ancak toprak karbon ölçümlerinin pahalı ve zaman alıcı olması, eğitim verisi kalitesini kısıtlamaktadır.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği