1.10 Hayvancılık İzleme (Livestock Monitoring)

1. Problem Tanımı ve Sistemik Etki

Küresel hayvancılık sektörü, tarımsal GSYH'nin yaklaşık %40'ını oluşturmakta ve 1,3 milyardan fazla insanın geçim kaynağını sağlamaktadır. FAO verilerine göre hayvan hastalıkları küresel hayvancılık üretiminde yıllık %20'ye varan kayıplara neden olmakta, bu da tahminen 300 milyar USD ekonomik zarara karşılık gelmektedir. Sığır sürülerinde klinik mastitis prevalansı laktasyon başına %15-25 arasında değişmekte ve her vaka başına 250-450 USD doğrudan maliyet oluşturmaktadır.

Geleneksel hayvancılık izleme yöntemleri dört temel kısıtlamaya sahiptir:

• Gözlem sınırlılığı: Bir çoban veya veteriner, sürüdeki bireysel hayvanları günde sınırlı süre gözlemleyebilir. 500+ başlık sürülerde bireysel takip pratik olarak imkânsızdır.
• Subklinik hastalık tespiti: Hayvanlar evrimsel olarak hastalık belirtilerini gizleme eğilimindedir (prey instinct). Klinik belirtiler ortaya çıktığında hastalık genellikle ilerlemiş durumdadır ve tedavi maliyeti artmıştır.
• Üreme izleme güçlüğü: Sığırlarda kızgınlık (östrus) süresi ortalama 12-18 saat olup, doğal tohumlama veya suni tohumlamada zamanlama kritiktir. Gözlemle kızgınlık tespit oranı %50-60 civarındadır.
• Gece izleme: Doğum, yırtıcı saldırısı ve hastalık krizleri genellikle gece saatlerinde gerçekleşir; bu dönemde insan gözlemi pratik değildir.

Bu kısıtlamalar, sensör tabanlı otomatik hayvancılık izleme sistemlerini (Precision Livestock Farming, PLF) tarımsal IoT ve makine öğrenmesinin en hızlı büyüyen uygulama alanlarından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1990-2012)

Erken dönem hassas hayvancılık yaklaşımları, tekil sensör sinyallerinin eşik tabanlı analizi üzerine kuruluydu:

• Pedometre tabanlı kızgınlık tespiti: Hayvanın günlük adım sayısındaki artışa dayalı basit eşik kuralları. Roelofs et al. (2005), pedometre ile kızgınlık tespit oranının %80, ancak yanlış pozitif oranının %25-30 olduğunu raporlamıştır.
• Süt iletkenliği ölçümü: Mastitis kaynaklı iyon konsantrasyonu değişimlerinin elektriksel iletkenlik ile izlenmesi. Norberg et al. (2004), iletkenlik tabanlı mastitis tespit duyarlılığının %75, özgüllüğünün %85 olduğunu göstermiştir.
• Ruminasyon sayacı: Çene hareketlerinin mekanik sensörle sayılması. Ruminasyon süresindeki düşüş, metabolik stresin erken göstergesidir; ancak bireysel varyasyon %20-30 aralığında olduğundan sabit eşik değerleri güvenilir değildir.

Limitasyonlar: Eşik tabanlı sistemler, bireysel hayvanlar arasındaki fizyolojik varyasyonu hesaba katamaz. Bir hayvan için normal olan adım sayısı diğeri için anormal olabilir. Bu nedenle yanlış alarm oranı kabul edilemez düzeyde yüksektir.

2.2 Makine Öğrenmesi Yaklaşımları (2012-Günümüz)

İvmeölçer Tabanlı Davranış Sınıflandırma

• Girdi: Boyun tasması veya kulak etiketine yerleştirilmiş 3 eksenli ivmeölçer (accelerometer) verileri; tipik örnekleme hızı 10-50 Hz.
• Çalışma prensibi: Sabit uzunluklu zaman pencerelerinden (1-10 saniye) istatistiksel özellikler (ortalama, standart sapma, enerji, entropi) ve frekans alanı özellikleri (FFT katsayıları) çıkarılır. Bu özellik vektörleri, davranış sınıflarına (otlama, ruminasyon, yürüme, yatma, ayakta durma) eşlenir.
• Eğitim: Video referanslı etiketleme (ground truth) ile denetimli öğrenme. Rasgele orman (Random Forest) ve gradyan artırma (Gradient Boosting) en yaygın sınıflandırıcılardır.
• Performans: Duthie et al. (2021), sığırlarda RF ile 6 davranış sınıfında %92,3 doğruluk raporlamıştır; ancak geçiş davranışlarında (ör. otlamadan yürümeye) doğruluk %70'e düşmektedir.

LSTM Tabanlı Zaman Serisi Analizi

• Girdi: Ham ivmeölçer ve/veya jiroskop zaman serileri (pencere uzunluğu 5-60 saniye).
• Çalışma prensibi: LSTM'in uzun-kısa süreli bellek kapasitesi, davranış örüntülerindeki zamansal bağımlılıkları otomatik olarak öğrenir. El ile özellik çıkarmaya gerek kalmaz.
• Performans: Riaboff et al. (2022), LSTM ile sığır davranış sınıflandırmasında RF'ye kıyasla %2-4 doğruluk artışı ve özellikle geçiş davranışlarında belirgin iyileşme raporlamıştır. Ancak hesaplama maliyeti RF'nin 10-50 katıdır.

Anomali Tespiti (Anomaly Detection)

• Yaklaşım: Hayvanın "normal" davranış profilinin öğrenilmesi ve bu profilden sapmaların otomatik olarak işaretlenmesi. Isolation Forest, One-Class SVM ve autoencoder tabanlı yöntemler kullanılır.
• Uygulama: Hastalık erken uyarısı, topallık tespiti ve doğum tahmini. Rutten et al. (2013), sensör verisi tabanlı sağlık anomali tespitinin veteriner müdahalesini ortalama 1,5 gün öne çektiğini raporlamıştır.
• Sınırlılık: Anomali türünün (hastalık mı, stres mi, mevsimsel mi) ayrımı yapılamaz — sistem yalnızca "normal değil" sinyali verir.

Görüntü Tabanlı İzleme

• Vücut kondisyon skoru (BCS) tahmini: Dorsal (sırt) görüntülerinden CNN ile otomatik BCS tahmini. Alvarez et al. (2018), ResNet tabanlı model ile uzman puanlamasına karşı R²=0,83 ve MAE=0,31 puan (5 puanlık skalada) raporlamıştır.
• Yüz tanıma ve bireysel kimlik: CNN tabanlı sığır yüz tanıma ile %95+ bireysel tanıma doğruluğu. Bu, RFID alternatifi olarak temassız kimlik doğrulama sağlar.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Sensör Sürüklenmesi ve Kalibrasyon

İvmeölçer ve jiroskop sensörlerinin ölçüm hassasiyeti zamanla değişir (drift). Sıcaklık değişimleri, mekanik şoklar ve pil voltajı düşüşü kalibrasyonu bozar. Barwick et al. (2018), 6 aylık alan çalışmasında ivmeölçer sürüklenmesinin davranış sınıflandırma doğruluğunu %4-8 düşürdüğünü göstermiştir. Periyodik yeniden kalibrasyon gerektirmesi, bakım maliyetini artırır.

Sensör Dayanıklılığı ve Hayvan Konforu

Hayvanlara takılan sensörlerin çiftlik koşullarına (nem, gübre, mekanik darbe) dayanması gerekir. Bu nedenle IP67 ve üzeri koruma sınıfı çoğu tasarımda tercih edilir. Ayrıca sensör ağırlığı hayvanın doğal davranışını etkilememelidir — boyun tasması sensörleri genellikle 200-500 g arasındadır ve küçük ruminantlarda (koyun, keçi) bu ağırlığın davranışı değiştirip değiştirmediği tartışmalıdır.

Veri İletim Güvenilirliği

Meralarda LoRaWAN veya BLE (Bluetooth Low Energy) üzerinden veri iletimi, menzil kısıtları ve topografik engeller nedeniyle %5-15 paket kaybı yaşanabilir. Bu eksik veri, zaman serisi modellerinin performansını doğrudan etkiler. LSTM modelleri eksik veriye karşı RF'den daha hassastır — %10 eksik veride LSTM doğruluğu %6 düşerken RF yalnızca %2 düşer.

Bireysel Varyasyon ve Model Transferi

Aynı ırk ve yaştaki hayvanlar bile bireysel davranış profilleri gösterir. Bir çiftlikte eğitilen model, farklı çiftliğe aktarıldığında %5-15 performans kaybı yaşanabilir — bu, çiftlik yönetim pratikleri (barınak tasarımı, yem programı, sürü yoğunluğu) arasındaki farklılıklardan kaynaklanır. Transfer öğrenme ve domain adaptation yaklaşımları bu açığı kapatma potansiyeli taşır ancak henüz olgunlaşmamıştır.

Enerji Kısıtları

Giyilebilir sensörlerin pil ömrü (tipik olarak 3-12 ay) ile veri kalitesi (örnekleme frekansı) arasında doğrudan bir tradeoff vardır. 50 Hz örnekleme, 10 Hz'e kıyasla ince taneli davranış ayrımında %3-5 daha iyi performans verir; ancak pil ömrünü %60-70 kısaltır. Enerji hasadı (energy harvesting) teknolojileri henüz hayvancılık uygulamaları için yeterli güvenilirlikte değildir.

Bölgesel Senaryo: Siirt Küçükbaş Hayvancılığı

Siirt ili, Türkiye'nin en yoğun küçükbaş hayvancılık bölgelerinden biridir; 1,2 milyondan fazla koyun ve keçi varlığıyla öne çıkmaktadır. Mühendislik açısından üç spesifik zorluk mevcuttur:

1. Mera tabanlı yetiştiricilik: Hayvanlar günün büyük bölümünü geniş meralarda geçirmektedir. LoRaWAN erişim noktalarının (gateway) 2-5 km menzil kısıtı, dağlık arazide veri iletim kapsamını sınırlamaktadır. Siirt'in engebeli topografyası, hat-of-sight iletişimi engelleyerek paket kayıp oranını %20'ye çıkarabilmektedir.
2. Yırtıcı hayvan baskısı: Bölgede kurt saldırısı kaynaklı küçükbaş kayıpları yıllık %3-5 arasında raporlanmaktadır. GPS + ivmeölçer tabanlı sistemlerin ani kaçış davranışını (stampede) tespit ederek gerçek zamanlı uyarı vermesi potansiyel bir uygulama alanıdır; ancak GPS modüllerinin yüksek enerji tüketimi (pil ömrü 2-4 hafta) pratik kullanımı sınırlamaktadır.
3. Keçi davranış profili farklılığı: Siirt'te yaygın olan Kıl keçisi, sığır ve Merinos koyununa kıyasla çok daha aktif hareket profili gösterir. Sığır verisinde eğitilmiş davranış sınıflandırma modelleri, keçiye doğrudan uygulandığında %15-20 performans kaybı yaşanmaktadır — bu nedenle türe özgü model eğitimi çoğu durumda gerekir.

4. Literatür: Seminal Çalışmalar

Riaboff et al. (2022) — Sığır davranış sınıflandırması için makine öğrenmesi yaklaşımlarının kapsamlı karşılaştırması. Boyun ve bacak ivmeölçer verileri üzerinde RF, SVM, CNN ve LSTM karşılaştırması. LSTM en yüksek genel doğruluğu (%93,8) elde etmiş; RF ise %91,2 ile hesaplama verimliliği açısından üstün performans göstermiştir. Geçiş davranışlarında tüm modellerin zayıf kaldığı vurgulanmıştır. (280+ atıf)

Rutten et al. (2013) — Sensör tabanlı sığır sağlık izleme sistemlerinin ekonomik analizi. Otomatik hastalık tespitinin veteriner müdahalesini ortalama 1,5 gün öne çektiğini ve inek başına yıllık 15-30 EUR net ekonomik fayda sağladığını raporlamıştır. Yanlış alarm maliyetinin hesaba katılması gerektiğini vurgulamıştır. (450+ atıf)

Alvarez et al. (2018) — 3D kamera ve CNN ile otomatik vücut kondisyon skoru (BCS) tahmini. 886 sığırdan toplanan dorsal görüntülerde ResNet mimarisi ile uzman puanlamasına karşı R²=0,83, MAE=0,31 puan (5 puanlık skala). Temassız BCS tahminin pratik fizibilitesini göstermiştir. (320+ atıf)

Duthie et al. (2021) — Sığırlarda çok sensörlü davranış sınıflandırması. Boyun tasması ivmeölçer + jiroskop verileriyle RF ile 6 davranış sınıfında %92,3 genel doğruluk. Pencere uzunluğu optimizasyonunun (5 vs 10 vs 30 saniye) sınıf bazlı performans üzerindeki etkisini sistematik olarak analiz etmiştir. (190+ atıf)

Barwick et al. (2018) — Mera koşullarında sığır davranış sınıflandırması için ivmeölçer verisi. 27 Angus sığırından 72 saatlik veri; karar ağacı ile %87 genel doğruluk. Sensör sürüklenmesinin 6 aylık dönemde doğruluğu %4-8 düşürdüğünü gösteren uzun vadeli analiz. (210+ atıf)

5. Gelecek Vizyonu

Federe Öğrenme (Federated Learning)

Farklı çiftliklerdeki hayvan verileri, gizlilik ve rekabet endişeleri nedeniyle merkezi olarak toplanamaz. Federe öğrenme, modelin her çiftlikte yerel olarak eğitilip yalnızca model ağırlıklarının paylaşılmasını sağlar. Bu yaklaşım, bireysel çiftlik verilerini ifşa etmeden kolektif model performansını artırma potansiyeli taşımaktadır. Ancak çiftlikler arası veri heterojenliği (farklı ırklar, yönetim sistemleri) ve iletişim bant genişliği kısıtları temel engeller olarak devam etmektedir.

Multimodal Sensör Füzyonu

İvmeölçer verisi tek başına davranış tespiti için yeterli olsa da sağlık durumu değerlendirmesi için yetersizdir. İvmeölçer + GPS + rumen pH sensörü + süt analiz verisi kombinasyonunun füzyonu, hastalık teşhisinde %15-20 duyarlılık artışı sağlayabilir. Ancak çoklu sensör senkronizasyonu, farklı örnekleme frekansları ve eksik veri yönetimi ciddi mühendislik zorlukları oluşturmaktadır.

Edge AI ve Gerçek Zamanlı Çıkarım

Sensör verilerinin buluta gönderilmeden hayvanın üzerindeki cihazda işlenmesi (on-device inference), gecikmeyi ortadan kaldırır ve bant genişliği gereksinimini azaltır. TinyML çerçeveleri (TensorFlow Lite Micro, Edge Impulse) ile ARM Cortex-M4 işlemcilerde basit davranış sınıflandırma modelleri çalıştırılabilmektedir. Ancak bu işlemcilerin sınırlı belleği (256 KB RAM), model karmaşıklığını ciddi şekilde kısıtlamaktadır.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği