1.17 IoT ve Akıllı Tarımsal Sensörler

1. Problem Tanımı ve Sistemik Etki

Hassas tarım (precision agriculture) paradigması, tarla düzeyindeki homojen yönetimden piksel düzeyinde (sub-field) değişken oranlı yönetime geçişi hedefler. Bu geçişin temel altyapısı, tarımsal Nesnelerin İnterneti (Agricultural Internet of Things, Ag-IoT) sensör ağlarıdır. Küresel tarımsal IoT pazarı 2024'te ~18,1 milyar USD değerine ulaşmış olup 2030'a kadar yıllık %11,4 CAGR ile büyümesi öngörülmektedir (Markets and Markets, 2024). IoT tabanlı hassas tarım uygulamalarının su kullanımını %20-30, gübre kullanımını %15-25 ve pestisit kullanımını %10-20 azaltma potansiyeli taşıdığı raporlanmıştır (Wolfert et al., 2017).

Ancak tarımsal IoT dağıtımının mühendislik boyutu, endüstriyel IoT'den temelden farklıdır:

• Zorlu çevresel koşullar: Sensörler doğrudan açık alanda konumlandırılır — toz, nem, UV radyasyonu, aşırı sıcaklık (-20°C ila +55°C), böcek ve kemirgen tahribatı. IP67 koruma sınıfı bile 2-3 yıl sonra yetersiz kalabilir.
• Güç kısıtları: Kırsal tarlalarda şebeke elektriği bulunmaz. Güneş paneli + pil kombinasyonu standart çözümdür; ancak kış aylarında ve bulutlu dönemlerde enerji bütçesi kritik düzeye iner. Bir düğümün ortalama güç tüketiminin 50 mW altında tutulması, 5+ yıl pil ömrü hedeflenen tasarımlarda güçlü bir mühendislik tercihidir.
• Bağlantı zorlukları: Tarımsal alanlar genellikle hücresel kapsama dışındadır. LPWAN (Low-Power Wide-Area Network) teknolojileri (LoRaWAN, Sigfox, NB-IoT) bu boşluğu doldurmaya çalışır; ancak bant genişliği sınırlamaları (LoRaWAN: ~250 bps-11 kbps), yüksek çözünürlüklü veri iletimini kısıtlar.

Bu kısıtlamalar altında makine öğrenmesinin rolü iki eksende belirginleşir: (1) sensör verilerinden anlamlı kararları çıkaran akıllı analitik katmanı oluşturmak; (2) hesaplama ve iletişim kaynaklarını optimize ederek sistem ömrünü uzatmak.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (2000-2015)

İlk nesil tarımsal sensör ağları basit eşik tabanlı karar mantığı ile çalışmaktaydı:

• Eşik tabanlı alarmlar: Toprak nemi belirli bir eşiğin altına düştüğünde sulama valfini aç; sıcaklık don eşiğine yaklaştığında uyarı gönder. Uygulama basitliği ve güvenilirlik avantajdır; ancak eşik değerleri her toprak tipi, mahsul ve mevsim için ayrı ayrı kalibre edilmelidir. Adaptif kapasite yoktur.
• İstatistiksel süreç kontrolü: Hareketli ortalama ve kontrol limitleri (Shewhart kartları) ile sensör verisi izlenir. Ani sapmalar anomali olarak işaretlenir. Mevsimsel trendleri ve yavaş değişen sapmaları (sensor drift) yakalamakta yetersizdir.
• Kalman Filtresi: Doğrusal durum uzayı modeliyle sensör ölçümlerini filtreler ve eksik verileri enterpolasyon ile tamamlar. Toprak nem dinamiklerinin fiziksel modeli ile sensör okumaları birleştirilerek tahmin doğruluğu iyileştirilir. Doğrusal olmayan sistemlerde Extended Kalman Filter (EKF) veya Unscented Kalman Filter (UKF) gerekir.

Limitasyonlar: Geleneksel yöntemler tek boyutlu zaman serisi analizi üzerine kuruludur; çoklu sensör kaynakları arasındaki korelasyonları ve mekansal desenleri yakalamakta yetersizdir. Ayrıca sensör arızası ile gerçek çevresel anomaliyi ayırt etme kapasiteleri sınırlıdır.

2.2 Makine Öğrenmesi Yaklaşımları (2015-Günümüz)

Edge AI (Uç Cihaz Üzerinde Çıkarım)

• Girdi: Ham sensör verileri (sıcaklık, nem, toprak EC, PAR); yerel bellekte tamponlanmış zaman serisi penceresi (son 24-72 saat).
• Çalışma prensibi: Sıkıştırılmış ML modelleri (TinyML) doğrudan mikrodenetleyici üzerinde (ARM Cortex-M4, ESP32) çıkarım yapar. Yalnızca anormal durumlarda veri iletir (event-driven transmission), normal koşullarda yalnızca özet istatistikleri gönderir.
• Eğitim: Bulut sunucuda tam modelden bilgi damıtma (knowledge distillation) ile INT8 kuantalanmış model elde edilir; model boyutu 50-200 KB aralığına indirilir.
• Performans: Elijah et al. (2018), TinyML tabanlı anomali tespitinin veri iletim hacmini %60-80 azalttığını ve pil ömrünü 2,5-4 kat uzattığını raporlamıştır. Ancak mikrodenetleyici üzerindeki model kapasitesi sınırlıdır — karmaşık çok değişkenli modeller sığmaz; bu nedenle model karmaşıklığı ile donanım kısıtları arasında sürekli bir tradeoff mevcuttur.

Anomali Tespiti (Anomaly Detection)

• Girdi: Çok değişkenli sensör zaman serisi; mekansal komşuluk bilgisi.
• Çalışma prensibi: Isolation Forest, One-Class SVM veya Autoencoder tabanlı modeller, normal operasyon profilini öğrenir ve sapmaları anomali olarak işaretler. Tarımsal bağlamda anomaliler iki kategoriye ayrılır: (a) sensör arızası (sahte okuma), (b) gerçek çevresel olay (don, su baskını, hastalık başlangıcı). Bu iki tipi ayırt etmek kritik mühendislik problemidir.
• Performans: Mahdavinejad et al. (2018), LSTM-Autoencoder hibrit modelinin tarımsal sensör anomali tespitinde F1=0,92 performans gösterdiğini; Isolation Forest'ın F1=0,84'te kaldığını raporlamıştır. Ancak gerçek dünyada etiketli anomali verisinin azlığı (toplam verinin <%1'i), denetimli öğrenme yaklaşımlarını kısıtlar.

Sensör Füzyonu (Sensor Fusion)

• Girdi: Farklı modalitelerden sensör verileri — toprak (nem, EC, sıcaklık), atmosferik (hava sıcaklığı, nem, yağış), uzaktan algılama (NDVI, termal).
• Çalışma prensibi: Erken füzyon (özellik birleştirme) veya geç füzyon (karar birleştirme) stratejileri ile çoklu sensör kaynaklarından birleşik durum tahmini elde edilir. Bayesian fusion ve Dempster-Shafer teori tabanlı yaklaşımlar sensör güvenilirlik ağırlıklaması yapar.
• Performans: Kamilaris ve Prenafeta-Boldu (2018), çoklu sensör füzyonunun tek sensör kullanımına kıyasla bitki stres tespitinde doğruluğu %8-15 artırdığını belirlemiştir. Ancak sensör senkronizasyonu (farklı örnekleme hızları) ve eksik veri yönetimi ek karmaşıklık getirir.

Zaman Serisi Tahmini (Time-Series Forecasting)

• Girdi: Tarihsel sensör okumaları, hava tahmin verileri, takvim özellikleri (gün/gece, mevsim).
• Çalışma prensibi: LSTM, Temporal Convolutional Network (TCN) veya Transformer tabanlı modeller, toprak nemi, evapotranspirasyon veya bitki su stresi gibi hedef değişkenleri 1-72 saat ileri tahmin eder.
• Performans: Adeyemi et al. (2018), LSTM tabanlı toprak nem tahmini modelinde 24 saatlik ufukta RMSE=1,8% (hacimsel su içeriği) elde etmiş; ARIMA (RMSE=3,2%) ve RF (RMSE=2,4%) ile kıyaslanmıştır. Ancak tahmin ufku uzadıkça hata kümülatif olarak artar — 72 saatlik ufukta RMSE değeri 2-3 katına çıkabilir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Sensör Sürüklenmesi (Sensor Drift)

Tarımsal sensörler zaman içinde sistematik sapma gösterir. Toprak nem sensörleri (kapasitif tip) tuzluluk birikiminden etkilenerek ayda %1-3 sapma üretir; elektrokimyasal pH sensörleri referans elektrot yaşlanmasına bağlı olarak yılda 0,1-0,3 pH birimi kayar. Bu sürüklenme, model girdisini bozarak tahmin kalitesini düşürür. Otomatik kalibrasyon algoritmaları (bayesian online learning, adaptive filtering) bu sorunu kısmen çözer; ancak gerçek referans ölçüm olmadan sürüklenmeyi kesin olarak tespit etmek zordur.

Güç Kısıtları ve Hesaplama Bütçesi

LoRaWAN düğümünün tipik güç bütçesi: sensör okuma (5-20 mW, 1-5 sn), veri iletimi (25-100 mW, 0,5-2 sn), uyku modu (10-50 µW). Bir edge AI çıkarımı ek 10-50 mW güç tüketir ve çıkarım süresi modele bağlı olarak 50-500 ms arasında değişir. Bu enerji maliyetinin iletim tasarrufını aşıp aşmadığı, iletim frekansına ve model karmaşıklığına bağlı bir optimizasyon problemidir. Banbury et al. (2021), MLPerf Tiny benchmark'ında ARM Cortex-M4 üzerinde anomali tespiti çıkarımının ortalama 0,4 mJ enerji harcadığını ve LoRaWAN iletim başına 50-150 mJ maliyetle karşılaştırıldığında genellikle avantajlı olduğunu göstermiştir.

Ağ Gecikme ve Güvenilirlik

LoRaWAN ağlarında paket kayıp oranı (PLR) mesafe, engeller ve girişim yoğunluğuna bağlı olarak %1-30 arasında değişir. Kırsal tarımsal alanlarda ağ geçidi (gateway) kapsamı 2-15 km aralığındadır; ancak bu mesafe topoğrafya, bitki örtüsü yoğunluğu ve atmosferik koşullardan etkilenir. Veri kaybı, zaman serisi modellerinin girdi bütünlüğünü bozar. Adaptif örnekleme hızı ve öncelikli iletim protokolleri bu problemi kısmen hafifletir.

Heterojen Cihaz Ekosistemi

Gerçek tarımsal IoT dağıtımları, farklı üreticilerden, farklı kalibrasyonlara sahip sensörleri birleştirir. Veri formatı, ölçüm birimi, örnekleme sıklığı ve iletişim protokolü standardizasyonu eksiktir. Bu heterojenlik, veri entegrasyonunu ve sensörler arası karşılaştırmayı zorlaştırır. OGC SensorThings API ve FIWARE gibi standartlar bu boşluğu kapatmaya çalışmaktadır, ancak benimsenme oranları hâlâ düşüktür.

Bölgesel Senaryo: Siirt Fıstık Bahçeleri

Siirt ilinin dağlık topoğrafyası ve fıstık bahçelerinin engebeli arazilere dağılmış yapısı, IoT sensör ağı tasarımında üç spesifik mühendislik problemi oluşturmaktadır:

1. Kapsama zorluğu: Fıstık bahçeleri 600-1.200 m yükseklik aralığında, vadiler ve yamaçlar boyunca dağılmıştır. LoRaWAN sinyali bu topoğrafyada line-of-sight iletişim mesafesinden önemli ölçüde sapar; pratik kapsama 3-5 km'ye düşebilir. Ağ geçidi konumlandırmasının optimizasyonu, dijital yükseklik modeli (DEM) tabanlı RF propagasyon simülasyonu gerektirir.
2. Mevsimsel enerji bütçesi: Siirt'te kış aylarında (Kasım-Şubat) günlük güneşlenme süresi 4-6 saate düşer ve bulutlu gün oranı %40-50'ye ulaşır. 10W güneş paneli + 6Ah Li-ion pil kombinasyonuyla düğüm başına yıllık enerji bütçesinin karşılanabilmesi, kış aylarında örnekleme frekansının yarıya indirilmesini gerektirmektedir — bu da model tahmin çözünürlüğünü düşürür.
3. Toprak heterojenliği: Bölgenin kireçli toprak yapısı (pH 7,5-8,5), kapasitif nem sensörlerinde standart kalibrasyon eğrilerinden sapma üretir. Yerel toprak karakterizasyonu (dielektrik permitivite-nem ilişkisi) olmadan sensör okumaları %10-20 hata içerebilir.

4. Literatür: Seminal Çalışmalar

Wolfert et al. (2017) — Tarımda büyük veri ve IoT uygulamalarının kapsamlı derlemesi. 133 çalışmayı incelemiş; IoT sensör ağlarının su kullanım verimliliğini %20-30, gübre tüketimini %15-25 azaltma potansiyeli taşıdığını belirlemiş. Veri sahipliği, gizlilik ve birlikte çalışabilirlik sorunlarının benimseme engellerinin başında geldiğini vurgulamış. (3.500+ atıf)

Elijah et al. (2018) — Tarımsal IoT'nin kapsamlı mimarisi ve iletişim teknolojileri karşılaştırması. LoRaWAN, Sigfox, NB-IoT ve Wi-Fi HaLow teknolojilerini maliyet, kapsama, güç tüketimi ve bant genişliği açısından değerlendirmiş. LoRaWAN'ın tarımsal uygulamalar için en dengeli seçenek olduğunu; ancak yukarı bağlantı bant genişliğinin görüntü tabanlı uygulamalar için yetersiz kaldığını raporlamış. (950+ atıf)

Mahdavinejad et al. (2018) — IoT verisi üzerinde makine öğrenmesi tekniklerinin kapsamlı taraması. Anomali tespiti, sınıflandırma ve tahmin için kullanılan yöntemleri karşılaştırmış. LSTM-Autoencoder hibrit modelinin IoT anomali tespitinde F1=0,92 ile en yüksek performansı gösterdiğini; SVM ve Decision Tree'nin edge cihazlardaki hesaplama avantajını koruduğunu belirlemiş. (2.100+ atıf)

Shi et al. (2016) — Edge computing paradigmasının IoT'deki rolü üzerine vizyoner çalışma. Bulut merkezli mimarinin gecikme, bant genişliği ve gizlilik açısından yetersizliklerini tartışmış; edge computing'in tarımsal IoT dahil zaman kritik uygulamalardaki zorunluluğunu vurgulamış. Gecikme gereksiniminin 100 ms altına indirilmesinin bulut tabanlı mimaride pratik olarak imkansız olduğunu göstermiş. (7.800+ atıf)

Banbury et al. (2021) — MLPerf Tiny benchmark: Uç cihazlarda ML performans standardı. ARM Cortex-M4 ve M7 işlemcilerde anomali tespiti, görüntü sınıflandırma ve anahtar kelime tespiti görevlerinin gecikme, enerji ve doğruluk metriklerini ölçmüş. Anomali tespiti görevinde ortalama çıkarım süresinin 2,3 ms, enerji tüketiminin 0,4 mJ olduğunu raporlamış. (350+ atıf)

5. Gelecek Vizyonu

Federatif Öğrenme ile Gizlilik Koruyan Model Eğitimi

Federatif öğrenme (Federated Learning, FL), sensör verilerini merkezi bir sunucuya toplamadan, her düğümde yerel olarak model güncellemelerini hesaplayıp yalnızca model parametrelerini paylaşma yaklaşımıdır. Tarımsal bağlamda FL, çiftçilerin rekabete duyarlı verilerini paylaşmadan ortak bir modelden faydalanmasını sağlar. Ancak tarımsal IoT düğümlerinin hesaplama kapasitesi FL'nin gerektirdiği gradyan hesaplaması için genellikle yetersizdir; bu nedenle gateway düzeyinde agregasyon veya basitleştirilmiş model güncellemeleri araştırılmaktadır.

Enerji Hasatlama ve Sonsuz Ömürlü Düğümler

Güneş enerjisinin ötesinde, rüzgar, titreşim (piezoelektrik) ve termoelektrik (toprak-hava sıcaklık farkı) enerji hasatlama teknolojileri, sensör düğümlerinin pil bağımlılığını azaltma potansiyeli taşımaktadır. Termoelektrik jeneratörlerin (TEG) toprak yüzeyindeki 5-15°C günlük sıcaklık farkından 50-200 µW güç üretimi mümkündür — bu, ultra düşük güçlü düğümler için yeterli olabilir. Ancak hasatlanan enerjinin stokastik doğası, enerji-farkında (energy-aware) örnekleme ve iletim planlaması algoritmalarını daha önemli hale getirir.

Uydu IoT Entegrasyonu

LEO (Low Earth Orbit) uydu konstellasyonları (Starlink, Amazon Kuiper) ve doğrudan uydu-cihaz iletişim protokolleri (3GPP NTN, LoRaWAN-LR-FHSS), hücresel kapsama dışındaki tarımsal alanlarda bağlantı problemini çözme potansiyeli taşımaktadır. Ancak uydu bağlantısının gecikmesi (20-40 ms LEO, 250-600 ms GEO) ve maliyeti (düğüm başına aylık 1-5 USD abonelik) açık tarla uygulamaları için henüz ekonomik eşiğin üzerindedir. Uydu ve karasal ağların hibrit kullanımı orta vadede en uygulanabilir çözüm olarak değerlendirilmektedir.

Dijital İkiz Tabanlı Tarla Yönetimi

IoT sensör verileri, uydu görüntüleri ve hava tahminlerinin birleşiminden oluşturulan tarla dijital ikizleri (field digital twins), gerçek zamanlı durumsal farkındalık ve senaryo simülasyonu sağlar. Farklı sulama veya gübreleme stratejilerinin sanal tarla üzerinde test edilmesi, karar riskini azaltır. Ancak dijital ikizin sadakati (fidelity), IoT sensör yoğunluğuna ve model kalitesine doğrudan bağlıdır — düşük sensör yoğunluğunda mekansal enterpolasyon hataları dijital ikizin güvenilirliğini sorgulattırır.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği