1.16 Sera ve Kontrollü Ortam Tarımı

1. Problem Tanımı ve Sistemik Etki

Kontrollü ortam tarımı (Controlled Environment Agriculture, CEA), küresel gıda üretiminin hızla büyüyen bir segmentidir. Dünya sera alanı 2024 itibarıyla ~700.000 hektarı aşmış olup bu alanın %65'i Çin, İspanya, Türkiye ve Hollanda'da yoğunlaşmaktadır. Türkiye, ~83.000 hektar örtü altı üretim alanı ile dünya sıralamasında 4. konumdadır (TÜİK, 2023). Sera üretimi açık tarıma kıyasla birim alandan 5-10 kat daha yüksek verim sağlar; ancak enerji tüketimi toplam üretim maliyetinin %25-40'ını oluşturur — bu oran kuzey ülkelerinde %60'a ulaşabilmektedir (Hemming et al., 2019).

Sera iklim kontrolünün mühendislik zorluğu, çoklu ve birbirine bağımlı parametrelerin eşzamanlı optimizasyonunu gerektirmesinden kaynaklanmaktadır:

• Çoklu parametre bağımlılığı: Sıcaklık, nem, CO2 konsantrasyonu, ışık yoğunluğu ve hava akışı birbirini doğrudan etkiler. Havalandırma ile sıcaklık düşürülürken CO2 kaybedilir; nemlendirme ile nem artırılırken mantar hastalığı riski yükselir.
• Dış çevre değişkenliği: Sera iç ortamı, dış sıcaklık, güneş radyasyonu, rüzgar hızı ve bulutluluk gibi kontrol edilemeyen değişkenlere sürekli maruz kalır. Bu stokastik bozucular, deterministik kontrol stratejilerini yetersiz kılar.
• Enerji-verim dengesi: Optimal büyüme koşullarının sürdürülmesi ile enerji maliyetinin minimize edilmesi birbiriyle çelişen hedeflerdir. Kış aylarında ısıtma maliyeti Hollanda'da m2 başına 40-60 EUR/yıl düzeyindedir.

Bu çok boyutlu optimizasyon problemi, kural tabanlı (rule-based) kontrol sistemlerinin performans sınırlarını aşmakta ve makine öğrenmesi tabanlı tahminsel kontrol yaklaşımlarını daha cazip hale getirmektedir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1980-2010)

Sera iklim kontrolünün ilk otomasyonu, analog termostatlara ve zamanlayıcılara dayanmaktaydı. Dijital kontrol dönemi şu yöntemleri getirmiştir:

• PID Kontrol (Proportional-Integral-Derivative): Her çevresel parametre (sıcaklık, nem) için ayrı PID döngüsü. Uygulama kolaylığı ve düşük hesaplama maliyeti avantajdır; ancak parametreler arası etkileşimi görmezden gelir. Sigrimis et al. (2000), PID kontrolün sıcaklık set noktasından sapma değerini ortalama ±1,5°C olarak raporlamıştır — bu sapma, domates gibi hassas türlerde %5-8 verim kaybına karşılık gelir.
• Bulanık mantık (Fuzzy Logic): Uzman bilgisini dilsel kurallar ("sıcaklık yüksek VE nem düşük ISE havalandırmayı aç") olarak kodlar. Doğrusal olmayan ilişkileri yakalayabilir; ancak kural tabanının genişletilmesi kombinatorik patlamaya yol açar — 5 girdili bir sistemde 243 kural gerekir. Castilla et al. (2006), bulanık mantık kontrolörünün PID'ye kıyasla enerji tüketimini %15-20 azalttığını göstermiştir.
• Kural tabanlı uzman sistemler: Agronomik bilgiyi if-then kuralları olarak kodlayan deterministik sistemler. Adaptasyon kapasiteleri yoktur ve mevsimsel kalibrasyona ihtiyaç duyar.

Limitasyonlar: Tüm geleneksel yöntemler reaktiftir — sapma oluştuktan sonra düzeltme yapar. Prediktif kapasite bulunmadığından, ani hava değişimlerinde (bulutun açılması → 10 dakikada sera sıcaklığının 8°C artması gibi) enerji israfı ve bitki stresi kaçınılmazdır.

2.2 Makine Öğrenmesi Yaklaşımları (2010-Günümüz)

Model Öngörülü Kontrol (Model Predictive Control, MPC)

• Girdi: Sera iç ortam sensör verileri (sıcaklık, nem, CO2, PAR), dış hava tahminleri (24-72 saat), enerji fiyat tarifesi.
• Çalışma prensibi: Sera dinamiklerinin matematiksel modelini (ısı transferi, kütle dengesi denklemleri) kullanarak gelecekteki ortam koşullarını tahmin eder; sonlu ufuklu (finite-horizon) optimizasyon ile kontrol eylemlerini belirler.
• Eğitim: Fiziksel model parametreleri sera ölçümlerinden sistem tanımlama ile elde edilir; alternatif olarak veri güdümlü (data-driven) modeller (LSTM, NARX) entegre edilebilir.
• Performans: Van Beveren et al. (2015), Hollanda'daki ticari domates serasında MPC ile geleneksel kontrol karşılaştırmasında enerji tüketiminde %10-15 azalma ve bitki büyümesinde %3-5 iyileşme raporlamıştır. Ancak fiziksel modelin parametrelenmesi sera yapısına özgüdür ve her yeni sera için yeniden kalibrasyon gerektirir.

Pekiştirmeli Öğrenme (Reinforcement Learning, RL)

• Girdi: Sera ortamının durum vektörü (sensör okumaları + dış çevre) → eylem uzayı (havalandırma açısı, ısıtıcı gücü, perde pozisyonu, CO2 enjeksiyonu).
• Çalışma prensibi: Ajan, deneme-yanılma yoluyla ödül fonksiyonunu (verim - enerji maliyeti) maksimize eden politikayı öğrenir. Deep Q-Network (DQN) veya Proximal Policy Optimization (PPO) algoritmaları kullanılır.
• Eğitim: Simülasyon ortamında (sera iklim simülatörü) milyonlarca episode ile eğitim; ardından gerçek seraya sim-to-real transfer.
• Performans: Hemming et al. (2019), Wageningen'deki Autonomous Greenhouse Challenge'da RL tabanlı kontrol sisteminin uzman yetiştiricilere kıyasla net kârı %16 artırdığını ve enerji tüketimini %13 azalttığını göstermiştir. Ancak sim-to-real transfer sırasında simülatör sadakat düzeyinin (fidelity) yetersiz olması, gerçek serada politika performansının %15-30 düşmesine neden olabilir.

Yapay Sinir Ağı Tabanlı Tahmin Modelleri

• Girdi: Zaman serisi sensör verileri (son 24-72 saat), hava durumu tahminleri.
• Çalışma prensibi: LSTM veya GRU ağları, sera iç sıcaklık ve nem değerlerini 1-24 saat ileri tahmin eder; bu tahminler MPC veya kural tabanlı kontrolöre girdi olarak beslenir.
• Eğitim: Geçmiş sera veri logları (tipik olarak 1-3 yıl, 5-15 dakika örnekleme aralığı) ile denetimli öğrenme.
• Performans: Jung et al. (2020), LSTM tabanlı sıcaklık tahmin modelinde 1 saatlik ufukta RMSE=0,42°C, 6 saatlik ufukta RMSE=1,13°C elde etmiştir. Fiziksel model tabanlı tahmine kıyasla %20-35 daha düşük hata; ancak sera yapısı veya mahsul değiştiğinde yeniden eğitim gerekebilir.

Bilgisayarlı Görü ile Bitki İzleme

• Girdi: RGB veya multispektral kamera görüntüleri, sera içi konumlandırma verisi.
• Çalışma prensibi: CNN tabanlı nesne tespiti ve segmentasyon modelleri ile meyve olgunluk tespiti, hastalık erken uyarı, yaprak alan indeksi (LAI) tahmini ve büyüme hızı izleme.
• Performans: Sa et al. (2016), Faster R-CNN ile sera domatesi tespitinde %95,6 mAP raporlamıştır. Bu sistemler, hasat zamanlamasını optimize ederek ürün kaybını %5-12 azaltma potansiyeli taşır; ancak sera içi yoğun yaprak örtüsünde oklüzyon oranı %20-40'a ulaşabilmektedir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Çoklu Parametre Eşleşme Problemi

Sera ortamı, en az 6 eşzamanlı kontrol değişkenine (sıcaklık, nem, CO2, ışık, hava akışı, sulama) sahip bir MIMO (Multiple-Input Multiple-Output) sistemidir. Bu değişkenler arasındaki çapraz etkileşimler fiziksel olarak karmaşıktır: havalandırma hem sıcaklığı hem nemi hem CO2'yi etkiler. Geleneksel SISO (Single-Input Single-Output) PID döngüleri bu etkileşimleri yakalayamaz; çoklu PID döngülerinin koordinasyonsuz çalışması salınımlara (hunting) neden olabilir — sıcaklık ve nem kontrolörlerinin birbirine karşı çalışması tipik bir senaryodur.

Enerji-Verim Tradeoff

Optimal bitki büyümesi için gereken koşullar (gece sıcaklığı 16-18°C, gündüz 22-26°C, CO2 800-1200 ppm) enerji yoğundur. Akdeniz ikliminde yaz aylarında soğutma, kuzey iklimlerde kış aylarında ısıtma baskın enerji kalemini oluşturur. Enerji maliyetini minimize eden kontrol politikası genellikle bitki büyümesini yavaşlatır; bu iki hedefin ağırlıklandırılması agronomik-ekonomik bir karar problemidir ve mevsimsel olarak değişir.

Sensör Güvenilirliği ve Kalibrasyon

Sera ortamı, sensörler için aşırı koşullar oluşturur: yüksek nem (%85-95 RH), kimyasal maruziyetler (pestisit, gübre çözeltileri) ve biyolojik birikimler (alg, tuz kristalleri). CO2 sensörleri ayda %2-5 sapma gösterir; toprak nem sensörleri tuzluluktan etkilenir. Kalibrasyon dışı sensör verisiyle eğitilen modeller sistematik hatalı kararlar üretir; düzenli kalibrasyon protokolü ise ek işgücü ve maliyet gerektirir.

Simülasyon-Gerçeklik Açığı (Sim-to-Real Gap)

Pekiştirmeli öğrenme ajanları, hesaplama verimliliği nedeniyle simülasyon ortamlarında eğitilir. Ancak sera simülatörleri, gerçek dünyanın tüm karmaşıklığını yakalayamaz: yerel hava akım desenleri, sera örtü malzemesinin yaşlanma etkisi, bitkinin büyüme evresine göre değişen transpirasyon oranı gibi faktörler simülasyonda basitleştirilir. Sim-to-real transferde tipik performans düşüşü %15-30 aralığındadır. Domain randomization ve progressive transfer bu açığı azaltmaya çalışır, ancak tamamen kapatamaz.

Bölgesel Senaryo: Siirt Sera İşletmeleri

Güneydoğu Anadolu bölgesinde sera tarımı hızla büyümektedir; ancak bölgeye özgü mühendislik zorlukları mevcuttur:

1. Aşırı termal genlik: Siirt'te yaz gündüz sıcaklıkları 42-45°C'ye ulaşırken kış geceleri -10°C'ye düşebilir. Bu 55°C'lik termal genlik, hem ısıtma hem soğutma kapasitesinin yüksek boyutlandırılmasını ve kontrol algoritmasının her iki rejimi de yönetmesini gerektirir — Akdeniz sera modellerinden doğrudan aktarım uygulanamaz.
2. Enerji altyapısı: Kırsal bölgelerde elektrik şebekesi kararsızlığı ve doğalgaz altyapısının sınırlı erişilebilirliği, sera ısıtmasını sıvılaştırılmış petrol gazı (LPG) veya kömüre bağımlı kılmakta; bu yakıtların fiyat volatilitesi, enerji optimizasyon modelinin girdi belirsizliğini artırmaktadır.
3. Düşük nem ortamı: Bölgenin yarı-kurak iklimi (yıllık ortalama bağıl nem %35-45), sera içi nemlendirme gereksinimini artırırken su kaynaklarının sınırlılığı ek bir kısıt oluşturmaktadır. Evaporatif soğutma sistemleri düşük nem ortamında etkin çalışır, ancak su tüketimi m2 başına yılda 1,5-3 ton'a ulaşabilir.

4. Literatür: Seminal Çalışmalar

Hemming et al. (2019) — Wageningen Autonomous Greenhouse Challenge. 5 uluslararası takımın RL ve MPC tabanlı otonom sera kontrol sistemlerini ticari domates yetiştiriciliğinde test etmiş. En iyi AI takımı, uzman yetiştiriciye kıyasla net kârı %16 artırmış ve enerji tüketimini %13 azaltmış; ancak meyve kalitesi (Brix değeri) açısından uzman hâlâ üstün kalmıştır. (280+ atıf)

Van Beveren et al. (2015) — Hollanda ticari domates serasında model öngörülü kontrol uygulaması. Fiziksel sera modeli (ısı transferi + nem dengesi + CO2 dinamiği) ile 24 saatlik optimizasyon ufku. Enerji tüketiminde %10-15 azalma, bitki büyüme hızında %3-5 iyileşme. MPC'nin geleneksel kontrole kıyasla özellikle geçiş mevsimlerinde (ilkbahar/sonbahar) üstün olduğu gösterilmiş. (190+ atıf)

Jung et al. (2020) — Derin öğrenme tabanlı sera iç sıcaklık tahmini. LSTM, GRU ve CNN-LSTM hibrit modelleri karşılaştırılmış. LSTM modeli 1 saatlik ufukta RMSE=0,42°C, 6 saatlik ufukta RMSE=1,13°C. Fiziksel model tabanlı tahmine kıyasla %20-35 daha düşük hata. Veri miktarının tahmin doğruluğuna etkisi: 6 aylık veri ile eğitilen model, 2 yıllık veri ile eğitilene kıyasla RMSE'de %18 daha yüksek hata göstermiş. (350+ atıf)

Castilla et al. (2006) — Akdeniz ikliminde bulanık mantık tabanlı sera kontrol sistemi. 5 girdili (iç sıcaklık, dış sıcaklık, güneş radyasyonu, nem, rüzgar hızı), 3 çıktılı (havalandırma, ısıtma, gölgeleme) bulanık kontrolör. PID'ye kıyasla enerji tüketiminde %15-20 azalma ve daha kararlı iç sıcaklık profili (standart sapma 0,8°C vs 1,5°C). (320+ atıf)

Kamilaris et al. (2017) — Tarımda derin öğrenme uygulamalarının kapsamlı derlemesi. Sera kontrolü dahil 40+ çalışma incelemiş. Derin öğrenme modellerinin geleneksel yöntemlere kıyasla sıcaklık tahmininde %15-40 daha düşük hata sağladığını; ancak yorumlanabilirlik ve veri gereksinimi endişelerinin devam ettiğini belirlemiş. (4.200+ atıf)

5. Gelecek Vizyonu

Dijital İkiz Tabanlı Sera Yönetimi

Fiziksel sera yapısının yüksek sadakatli dijital ikizi (digital twin), gerçek zamanlı sensör verisi ile sürekli güncellenerek hem kontrol optimizasyonu hem senaryo simülasyonu için kullanılabilir. Bu yaklaşım, yeni kontrol politikalarının fiziksel seraya uygulanmadan önce dijital ikizde test edilmesini mümkün kılar — sim-to-real gap'i daraltmanın en umut vadeden stratejisidir. Ancak dijital ikiz geliştirme maliyeti (sera başına 50.000-200.000 EUR) ve bakım gereksinimleri, yalnızca büyük ölçekli ticari operasyonlar için ekonomik fizibiliteye sahiptir.

Çok Ajanlı Pekiştirmeli Öğrenme

Büyük sera komplekslerinde her bölümün (sera bloğu) bağımsız ama koordineli kontrol edilmesi, çok ajanlı RL (Multi-Agent RL, MARL) yaklaşımını gerektirir. Her ajan kendi bölümünü optimize ederken komşu bölümlerle enerji paylaşımını ve kaynak çatışmasını yönetir. MARL'ın tarımsal kontrol problemlerine uygulanması henüz erken aşamadadır; ölçeklenebilirlik, iletişim yükü ve kararlılık garantileri açık araştırma sorularıdır.

Dikey Tarım Entegrasyonu

Dikey tarım (vertical farming) sistemleri, seralara kıyasla çok daha yüksek kontrol hassasiyeti sunar: yapay aydınlatma (LED) ile fotosentez akı yoğunluğu, spektral bileşim ve fotoperiyot tamamen kontrol altındadır. Bu sistemlerde makine öğrenmesi, ışık reçetesi optimizasyonu (spektral güç dağılımı × bitki gelişim evresi) için kullanılmakta ve bazı çalışmalarda yeşil yapraklılarda lezzet profilini (antosiyanin, glukosinolat içeriği) %20-40 artırma potansiyeli gösterilmiştir. Ancak dikey tarımın birim alan enerji maliyeti geleneksel seradan 5-10 kat fazladır.

Otonom Sera Vizyonu

Tamamen otonom sera yönetimi — iklim kontrolü, sulama, beslenme, hasat zamanlaması ve hastalık müdahalesi dahil tüm kararların AI tarafından verilmesi — araştırma topluluğunun uzun vadeli hedefidir. Wageningen Autonomous Greenhouse Challenge bu vizyonun ilk somut testi olmuştur. Ancak bitki büyüme fizyolojisinin tüm boyutlarının (kök gelişimi, hormon sinyalizasyonu, stres yanıtları) modellenebilir düzeyde anlaşılması hâlâ eksiktir; bu nedenle insan-AI hibrit karar modellerinin orta vadede daha uygulanabilir olduğu değerlendirilmektedir.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği