1.6 Akıllı Sulama

1. Problem Tanımı ve Sistemik Etki

Tarımsal sulama, küresel tatlı su tüketiminin %70'ini oluşturmaktadır (FAO, 2020). İklim değişikliği ve nüfus artışı bu oranı sürdürülemez hale getirmektedir; 2050 yılına kadar gıda üretiminin %60 artması gerekirken, su kaynaklarının %40 daha fazla stres altına gireceği öngörülmektedir. Geleneksel sulama yöntemlerinde su kullanım verimliliği (water use efficiency, WUE) %30-50 aralığında kalırken, hassas sulama sistemleriyle bu oran %85-95'e çıkarılabilir.

Mevcut sulama yönetiminin kısıtlamaları şunlardır:

• Zamanlama Belirsizliği: Geleneksel sulama, çiftçinin deneyimine veya sabit takvime dayalı uygulanır. Bitki su ihtiyacı toprak nemi, evapotranspirasyon, büyüme evresi ve hava durumuna bağlı olarak günlük değişir; sabit programlar %20-40 aşırı veya yetersiz sulamaya yol açar.
• Mekansal Homojenlik: Tekdüze sulama, tarla içindeki toprak tekstürü, eğim ve kök derinliği farklılıklarını dikkate almaz. Bir tarlanın %30-50'si optimal sulama alırken, geri kalanı fazla veya eksik su alır.
• Enerji Maliyeti: Pompaj enerjisi, sulama işletme maliyetinin %30-40'ını oluşturur. Gereksiz sulama doğrudan enerji israfıdır.
• Çevresel Etki: Aşırı sulama toprak tuzlanmasına, besin elementlerinin yıkanmasına ve yeraltı suyu kirlenmesine yol açar.

Akıllı sulama sistemleri, IoT sensörleri, meteorolojik veri ve makine öğrenmesi modellerini birleştirerek gerçek zamanlı ve bölgesel olarak optimize edilmiş sulama kararları üretir. Bu sistemlerin su tasarrufu potansiyeli %20-50, verim artışı potansiyeli ise %10-30 olarak raporlanmaktadır (Navarro-Hellin et al., 2016).

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1980-2010)

Erken dönem sulama otomasyonu, eşik tabanlı kontrol ve su bütçesi hesaplamalarına dayanıyordu:

• Toprak Nemi Eşik Kontrolü: Tansiyometre veya TDR (Time Domain Reflectometry) sensörleri ile toprak nem düzeyi ölçülür; nem belirlenen eşiğin altına düştüğünde sulama aktive edilir. Allen et al. (1998), FAO-56 Penman-Monteith modeliyle referans evapotranspirasyon (ET₀) hesaplamasını standartlaştırmış ve bitki su tüketimi tahminini sistematize etmiştir. Eşik tabanlı kontrol basit ve güvenilirdir; ancak toprak heterojenliği ve kök bölgesi derinliği değişkenliğini dikkate almaz.
• PID Kontrol: Oransal-integral-türev (PID) kontrolörü ile toprak nemi hedef değerine yakınsatılır. Kararlı durum hatasını minimize eder; ancak doğrusal olmayan toprak-su dinamiklerinde (histereziş, doygunluk eşikleri) performansı düşer ve parametrelerin her toprak tipi için yeniden ayarlanması gerekir.
• Su Bütçesi Yöntemi: ET₀ × K_c (bitki katsayısı) ile günlük su tüketimi hesaplanır; yağış ve sulama girdi olarak eklenir. Basit ve geniş ölçekte uygulanabilir; ancak gerçek zamanlı sensör verisi kullanmaz ve meteorolojik tahmin hatalarına duyarlıdır.

Limitasyonlar: Tüm bu yaklaşımlar reaktiftir — su stresi oluştuktan sonra müdahale eder. Proaktif (stres öncesi) sulama kararları için tahmine dayalı modeller gereklidir.

2.2 Makine Öğrenmesi Yaklaşımları (2010-Günümüz)

Bulanık Mantık (Fuzzy Logic)

Kesin olmayan sensör verilerini dilsel kurallarla işleyerek sulama kararı üretir.

• Girdi: Toprak nemi (düşük/orta/yüksek), hava sıcaklığı (serin/ılık/sıcak), rüzgar hızı, bitki evresi
• Çalışma prensibi: IF-THEN kural tabanı ile girdi değişkenlerinin bulanık küme üyelikleri birleştirilerek sulama süresi/miktarı çıktısı üretilir. Uzman bilgisi kural tabanına kodlanır.
• Performans: Giusti ve Marsili-Libelli (2015), bulanık mantık tabanlı sulama kontrolörü ile geleneksel zamanlayıcıya kıyasla %26 su tasarrufu ve %11 verim artışı raporlamıştır. Ancak kural tabanının her yeni ürün-iklim kombinasyonu için yeniden tasarlanması gerekir.

Pekiştirmeli Öğrenme (Reinforcement Learning, RL)

Deneme-yanılma ile optimal sulama politikasını keşfeder.

• Girdi: Durum vektörü (toprak nemi, hava koşulları, bitki evresi, su deposu seviyesi)
• Çalışma prensibi: Agent, sulama miktarını (aksiyon) belirler; çevre (toprak-bitki sistemi) yeni duruma geçer; ödül fonksiyonu (verim - su maliyeti - enerji maliyeti) agent'ı optimal stratejiye yönlendirir. Q-learning veya Deep Q-Network (DQN) ile politika öğrenilir.
• Performans: Chen et al. (2022), simülasyon ortamında (DSSAT crop model) DQN tabanlı sulama ile optimal su tahsisinde %18 su tasarrufu ve yalnızca %2 verim kaybı raporlamıştır. Ancak simülasyondan gerçek tarlaya transfer (sim-to-real gap) en büyük engeldir.

LSTM Tabanlı Toprak Nemi Tahmini

Zaman serisi verisinden gelecekteki toprak nemini tahmin ederek proaktif sulama kararı sağlar.

• Girdi: Geçmiş toprak nemi, sıcaklık, nem, yağış, rüzgar verisi zaman serileri
• Çalışma prensibi: LSTM'in uzun-kısa süreli bellek kapasitesi ile toprak-atmosfer etkileşiminin zamansal dinamiklerini modellemesi. 1-7 gün ileri tahmin üretir.
• Performans: Adeyemi et al. (2018), LSTM ile 24 saat ileri toprak nemi tahmininde R²=0,95 ve RMSE=1,2% (hacimsel) elde etmiştir. 72 saatlik tahminde R²=0,82'ye düşmüştür.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Sensör Güvenilirliği ve Sürüklenme

Toprak nemi sensörleri (kapasitif, TDR, tansiyometre) tarla koşullarında kalibrasyon kayması (drift) gösterir. Tuz birikimi, kök penetrasyonu ve sıcaklık değişimleri ölçüm doğruluğunu %5-15 bozabilir. Kablosuz sensör ağlarında pil ömrü (tipik 6-18 ay) ve iletişim güvenilirliği ek kısıtlardır. Sensör arızası veya kalibrasyon kayması tespit edilmezse, ML modeli sistematik olarak hatalı kararlar üretir.

Enerji Kısıtları

Kırsal alanlarda elektrik şebekesi olmayan tarla konumlarında sensör düğümleri güneş paneli + pil ile çalışır. Bu, veri iletim frekansını (tipik 15-60 dakika arayla) ve hesaplama kapasitesini (kenar işleme sınırlı) kısıtlar. Enerji optimizasyonu ile veri kalitesi arasındaki ödünleşim, sistem tasarımının kritik parametresidir.

İletişim Gecikmesi (Latency)

LoRaWAN veya NB-IoT gibi LPWAN protokolleri düşük enerji tüketimiyle geniş alan kapsama sağlar; ancak veri iletim gecikmesi 1-30 saniye aralığındadır ve bant genişliği sınırlıdır (LoRa: 0,3-50 kbps). Gerçek zamanlı kontrol döngüsü (örn. damla sulama vanası açma/kapama) için bu gecikme kabul edilebilir düzeydedir; ancak yüksek çözünürlüklü görüntü iletimi (örn. İHA tabanlı stres tespiti) için yetersizdir.

Toprak-Bitki-Atmosfer Sistemi Karmaşıklığı

Toprak-su-bitki etkileşimi yüksek derecede doğrusal olmayan bir sistemdir. Toprak su tutma kapasitesi (field capacity), solma noktası (wilting point), doygunluk hidrolik iletkenliği tekstüre bağımlıdır ve histereziş gösterir. Bitki su alımı kök dağılımına, stoma iletkenliğine ve buharlama talebine bağımlıdır. Bu karmaşıklık, basit sensör eşik değerlerinin yetersizliğini açıklar ancak veri tabanlı modellerin de yeterli fiziksel anlama sahip olmasını gerektirir.

Bölgesel Senaryo: Siirt Fıstık Bahçelerinde Damla Sulama

Siirt ilinde fıstık üretimi yaygınlaşan damla sulama altyapısıyla desteklenmektedir. Bu bağlamda üç spesifik mühendislik problemi öne çıkar:

1. Yarı-Kurak İklim Koşulları: Yıllık yağış 400-600 mm ve ağırlıklı olarak kış aylarında gerçekleşir. Yaz döneminde (Haziran-Eylül) referans evapotranspirasyon (ET₀) 6-8 mm/gün'e ulaşırken yağış neredeyse sıfırdır. Bu, sulama zamanlamasının kritik olduğu bir dönem oluşturur; 2-3 günlük gecikme bile kabuk çatlama ve meyve kalitesi kayıplarına yol açabilir.
2. Eğimli Arazi ve Heterojen Toprak: Fıstık bahçeleri genellikle %5-25 eğimli arazilerde kurulur. Eğim boyunca toprak derinliği, tekstür ve taşlılık hızla değişir; bu, tekdüze damla sulama programının tarla içinde ciddi nem farklılıkları oluşturmasına neden olur. Bölgesel sulama (zone-based irrigation) için en az 3-5 nem sensörü konumlandırılmalıdır.
3. Enerji ve Bağlantı Altyapısı: Siirt'in kırsal fıstık bahçelerinde elektrik şebekesi ve mobil sinyal kapsama alanı sınırlıdır. IoT tabanlı sulama sistemleri güneş enerjisi ile çalışmalı ve düşük bant genişlikli iletişim protokolleri (LoRaWAN) kullanmalıdır. Bu kısıtlar, kenar bilişim (edge computing) tabanlı karar mekanizmalarını daha uygun hale getirebilir.

4. Literatür: Seminal Çalışmalar

Allen et al. (1998) — FAO-56: Bitki evapotranspirasyonu hesaplama kılavuzu. Penman-Monteith denklemini referans ET₀ hesaplaması için standardize etmiştir. Tüm modern sulama planlama sistemlerinin temel referansıdır. Bitki katsayıları (K_c) tabloları ile 100+ ürün için su tüketim tahminini mümkün kılmıştır. (23.500+ atıf)

Navarro-Hellin et al. (2016) — Makine öğrenmesi tabanlı akıllı sulama karar destek sistemi. SVM ve RF ile toprak nemi tahmini ve sulama zamanlama optimizasyonu yapılmıştır. Geleneksel yönteme kıyasla %22 su tasarrufu ve %14 verim artışı raporlanmıştır. (312 atıf)

Giusti ve Marsili-Libelli (2015) — Bulanık mantık tabanlı sulama kontrol sistemi. Toprak nemi, hava sıcaklığı ve rüzgar hızı girdileriyle sulama süresi optimizasyonu yapılmıştır. %26 su tasarrufu ile verimde %11 artış sağlanmıştır. Kural tabanının uzman bilgisine bağımlılığını tartışmıştır. (287 atıf)

Adeyemi et al. (2018) — LSTM ile toprak nemi tahmini ve sulama zamanlama. 24 saat ileri tahmin için R²=0,95 ve RMSE=1,2% raporlanmıştır. Proaktif sulama kararlarının reaktif yaklaşıma göre %15 daha az su kullandığını göstermiştir. Sensör arıza toleransı ve model güncelleme stratejilerini tartışmıştır. (234 atıf)

Chen et al. (2022) — Derin pekiştirmeli öğrenme (DQN) ile sulama optimizasyonu. DSSAT bitki modeli ile simülasyon ortamında mısır sulamasında %18 su tasarrufu ve yalnızca %2 verim kaybı raporlanmıştır. Sim-to-real gap sorununu ve güvenlik kısıtlarının RL politikasına entegrasyonunu tartışmıştır. (156 atıf)

5. Gelecek Vizyonu

Dijital İkiz Tabanlı Sulama

Tarlanın fiziksel koşullarını simüle eden dijital ikiz (digital twin) modelleri, farklı sulama senaryolarının sanal ortamda test edilmesini mümkün kılar. DSSAT, AquaCrop veya HYDRUS gibi fizik tabanlı modeller ile ML tabanlı veri odaklı modellerin hibrit kullanımı, tahmin doğruluğunu artırırken fiziksel tutarlılığı korur. Ancak dijital ikizlerin kalibrasyonu kapsamlı tarla verisi gerektirir ve hesaplama maliyeti yüksektir.

Uydu ve Sensör Entegrasyonu

Sentinel-2 tabanlı NDVI ve termal uydu verileri (Landsat TIRS, ECOSTRESS) ile bitki su stresi indeksleri (Crop Water Stress Index, CWSI) hesaplanabilir. Bu veriler, tarla içi sensör ağlarıyla birleştirildiğinde hem mekansal kapsam hem de zamansal çözünürlük sağlanır. Veri füzyonu yaklaşımları (Bayesian güncelleme, Kalman filtresi) farklı kaynaklardan gelen bilgiyi tutarlı şekilde birleştirmeyi hedefler.

Kenar Yapay Zeka (Edge AI) ile Otonom Kontrol

Düşük güçlü mikrodenetleyiciler (ESP32, STM32) üzerinde çalışan hafif ML modelleri, bulut bağlantısı olmadan otonom sulama kararları üretebilir. TensorFlow Lite Micro ile kuantalanmış LSTM modelleri 256 KB RAM'de çalıştırılabilir. Bu yaklaşım, iletişim gecikmesi ve bağlantı kopukluğu sorunlarını ortadan kaldırır; ancak model güncelleme ve izleme mekanizmaları gerektirir.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği