Akıllı Sulama (Smart Irrigation)

Akıllı sulama, sulamanın küresel tatlı su çekimlerinin yaklaşık %70'ini oluşturduğu gerçeğini ele alarak, tarımda su dağıtımını optimize etmek için makine öğrenmesi uygular. Amaç, doğru miktarda suyu doğru zamanda ve doğru yerde uygulayarak, israfı, enerji tüketimini ve çevresel etkiyi en aza indirirken bitki su verimliliğini en üst düzeye çıkarmaktır.

Temel Tahmin Görevleri

Toprak Nemi Tahmini

Gelecek toprak nem seviyelerinin tahmin edilmesi temel görevdir. Modeller, çeşitli derinliklerde (10, 20, 40, 60 cm) saatlerden günlere kadar uzanan zaman dilimlerinde toprak nemini tahmin ederek, tepkisel sulama yerine proaktif sulama planlaması yapılmasını sağlar.

Girdi özellikleri tipik olarak şunları içerir: - Kapasitans veya TDR (zaman alanı reflektometri) sensörlerinden mevcut toprak nemi okumaları - Hava durumu tahminleri (sıcaklık, yağış, rüzgar, nem, güneş radyasyonu) - Toprak analizinden elde edilen toprak özellikleri (tekstür, organik madde, hidrolik iletkenlik) - Bitki türü ve büyüme aşaması - Sulama olay geçmişi

LSTM ve GRU ağları, toprak su dengesinin zamansal dinamiklerini yakalayan en yaygın mimarilerdir. Daha basit modeller (Rastgele Orman, gradyan artırma) de mühendislik özellikleri zamansal örüntüleri açıkça yakaladığında iyi performans gösterir.

Evapotranspirasyon (ET) Modellemesi

Evapotranspirasyon -- toprak buharlaşması ve bitki terlemesindan kaynaklanan birleşik su kaybı -- bitki su talebini belirler. FAO Penman-Monteith denklemi standart fizik tabanlı yaklaşımdır, ancak makine öğrenmesi modelleri tahminleri şu yollarla iyileştirebilir: - Ürüne özgü ve alana özgü düzeltmeler öğrenme - Uzaktan algılamadan elde edilen uydu kaynaklı bitki örtüsü indekslerini (NDVI, LAI) dahil etme - Eksik veya gürültülü hava istasyonu verilerini işleme - Nokta tahminleri yerine uzamsal ET haritaları sağlama

Penman-Monteith'i temel alan ve artıklar üzerinde makine öğrenmesi modelleri eğiten hibrit fizik-ML yaklaşımları, saf veri güdümlü veya saf fizik tabanlı yöntemlerden tutarlı biçimde daha iyi performans gösterir.

IoT Sensör Ağları

Modern akıllı sulama sistemleri, tarla içi yoğun sensör ağlarını entegre eder: - Toprak nemi sensörleri: İzleme istasyonu başına birden fazla derinlik, tarla başına 3-10 istasyon - Hava istasyonları: Çiftlik içi mikroiklim ölçümü - Debi ölçerler: Bölge başına gerçek su teslimini izleme - Bitki tabanlı sensörler: Dendrometre (gövde çapı değişimi), yaprak sıcaklığı sensörleri, özsu akış ölçümleri - Basınç sensörleri: Sistem performansını izleme ve sızıntı tespiti

Bu sensörlerden gelen veriler, makine öğrenmesi modellerinin gerçek zamanlı girdileri hava tahminleriyle birlikte işleyerek sulama önerileri oluşturduğu bulut platformlarına akar. Ağ geçidi cihazlarında uç hesaplama (edge computing), aralıklı bağlantı durumunda bile düşük gecikmeli kararlar alınmasını sağlar.

Sulama Planlaması için Pekiştirmeli Öğrenme (Reinforcement Learning)

Pekiştirmeli öğrenme (RL), sulamayı sıralı bir karar verme problemi olarak formüle eder: - Durum: Mevcut toprak nemi, hava koşulları, bitki büyüme aşaması, su rezervuar seviyesi - Eylem: Her yönetim bölgesi için sulama miktarı ve zamanlaması - Ödül: Ürün verimi (pozitif) eksi su maliyeti ve enerji maliyeti (negatif), su stresi veya su baskını için cezalar

RL ajanları (Deep Q-Networks, PPO, SAC), genellikle DSSAT, AquaCrop veya APSIM gibi bitki büyüme modellerini ortam simülatörü olarak kullanarak simülasyon yoluyla sulama politikaları öğrenir. Eğitilmiş politika daha sonra gerçek sistemlere dağıtılabilir.

RL'nin kural tabanlı planlamaya göre avantajları: - Manuel eşik ayarlaması olmadan değişen koşullara uyum sağlar - Gelecek hava durumu tahminlerini dikkate alarak çok adımlı kararları optimize eder - Farklı toprak türlerine ve bitki aşamalarına sahip çok bölgeli tarlaları yönetir - Ekonomik hedefleri (su fiyatlandırması, enerji tarifeleri) dahil edebilir

Kısıntılı Sulama Stratejileri (Deficit Irrigation)

Makine öğrenmesi, kısıntılı sulamayı -- strese dayanıklı büyüme aşamalarında orantılı verim kaybı olmaksızın su kullanım verimliliğini artırmak amacıyla tam bitki talebinden kasıtlı olarak daha az su uygulanmasını -- destekler. Modeller şunları belirler: - Hangi büyüme aşamalarının hafif su stresini tolere ettiği - Farklı bitki çeşitleri için optimal stres eşikleri - Su uygulama düzeylerine göre verim tepki eğrileri

Şarap üzümü gibi ürünlerde düzenlenmiş kısıntılı sulama aslında meyve kalitesini artırır ve makine öğrenmesi modelleri, faydalı stres ile zarar verici kuraklık arasındaki dar pencerede gezinmeye yardımcı olur.

Su Tasarrufu ve Etki

Makine öğrenmesi güdümlü sulamayla belgelenmiş su tasarrufları, geleneksel zamanlayıcı tabanlı veya takvim tabanlı planlamaya kıyasla %20-40 arasında değişmekte olup, minimal verim etkisi (tipik olarak %5'ten az azalma) göstermektedir. Kurak bölgelerde, yüzey sulamayı değiştirdiğinde tasarruflar %50'ye ulaşabilir.

Damla ve Yağmurlama Optimizasyonu

Farklı sulama sistemleri farklı optimizasyon zorlukları sunar:

• Damla sulama: Makine öğrenmesi, kök bölgesi derinliği ve yanal su hareketini hesaba katarak her damlatıcı bölgesi için darbe frekansını ve süresini optimize eder. Hassas kontrol, kısıntılı sulama stratejilerini mümkün kılar.
• Yağmurlama/pivot sistemleri: Makine öğrenmesi hız, basınç ve sektör bazlı uygulama derinliklerini optimize eder. Değişken oranlı sulama (VRI) sistemleri, uzamsal toprak ve bitki haritalarına dayalı olarak pivot boyunca uygulamayı ayarlar.
• Yüzey/salma sulama: Makine öğrenmesi giriş debileri ve kesme sürelerini optimize eder; en büyük mutlak tasarruf potansiyeli ancak en az hassas kontrol.

Bağlantılar

Akıllı sulama, hidrolik modelleme için toprak özellik verilerine, uzamsal bitki su durumu haritalama için uzaktan algılamaya ve uzun vadeli su kaynakları planlaması için iklim projeksiyonlarına bağımlıdır. Sulama kararları doğrudan verim sonuçlarını ve toprak sağlığını etkiler.

Ingest Edilen Makalelerden Bulgular

[Ayaz et al., 2019] — IoT tabanli akilli tarımda sulama, kablosuz sensor ağları ve uzaktan izleme ile donusturulmektedir. FPGA tabanli sensorler gerçek zamanli bitki terleme, sulama ve nem ölçümu için kullanilmaya baslanmistir. Termal sensorlu dronlar (IHA'lar) bitkilerin su durumunu haritalayarak, daha fazla su alan bitkilerin termal görüntülerde daha serin gorunmesi ilkesinden yararlanir. NDVI tabanli görüntüleme ile su stresi alanlari belirlenir ve ciftcilere aninda geri bildirim saglanir. Ayrica, Bluetooth ve PLC (programlanabilir mantik denetleyici) ile ICS (entegre kontrol stratejisi) ve toprak nemi kontrol yaklasimi kullanilarak akilli sulama için su ve enerji tuketiminin optimum kullanımi arastirilmistir. LoRa tabanli aglar düşük guc tuketimiyle uzun menzilli bağlantı sunarak sulama sensorleri için idealdir ve paket iletim başarı orani %96'nin üzerindedir. Tarım drone pazarinin 32,4 milyar USD değerine ulasacagi tahmin edilmektedir (FAO, 2018). (1.179 atif)

[Farooq et al., 2019] — IoT tabanli akilli ciftcilikte sulama, dort ana bilesenden (fiziksel yapi, veri toplama, veri işleme, veri analitigi) olusan mimari ile gerçeklestirilir. Toprak nemi ve nem sensorleri sahaya dagitilarak nem içeriği izlenir ve otomatik sulama sistemleri toprak nemi esik değerine gore çalışır. MQTT protokolu ile düşük maliyetli sulama sistemi olusturularak sensor bilgileri alinir ve iletilir. Sis hesaplama (fog computing), bulut hesaplamanin yukunu azaltarak gerçek zamanli işleme saglar; bu sayede sulama kararlari gecikme olmadan alinir. GreenIQ akilli yağmurlama kontroloru ile dis mekan su faturalarinda %50'ye kadar tasarruf saglandigi rapor edilmistir. ZigBee, LoRaWAN, WiFi ve hucresel aglar (2G-4G) gibi iletisim protokolleri sulama sensorlerinin veri iletiminde kullanilmakta olup, uzak bölgeler için LPWAN ağları yillik 2-15 USD gibi uygun maliyetlerle bağlantı sunmaktadir. (845 atif)

IoT Guvenlik Perspektifinden Akilli Sulama Altyapisi

[Hassija et al., 2019] — IoT uygulamalarini guvenlik acisindan değerlendiren bu kapsamli derleme, akilli tarımi (toprak nemi izleme, secici sulama, mikro-iklim kontolu, nem ve sıcaklık duzenleme dahil) kritik IoT uygulama alanlari arasında sınıflandirmistir. Sulama sensorlerinin ve aktuatorlerinin IoT ekosistemindeki algılama katmaninda yer aldigi belirtilmis; bu dugum noktalarinin düşük güçlü yapilari nedeniyle dugum ele gecirme, sahte veri enjeksiyonu ve uyku yoksunlugu (sleep deprivation) saldirilarina acik oldugu vurgulanmistir. Özellikle sulama sistemlerinde sahte veri enjeksiyonu, yanlis sulama kararlarini tetikleyerek ürün kayiplarına yol acabilir. ZigBee, LoRaWAN, WiFi ve hucresel ag gibi heterojen iletisim protokolleri sulama IoT ağlarında kullanilmakta olup, her birinin kendine ozgu guvenlik zaafiyetleri bulunmaktadir. Blockchain, fog computing, edge computing ve ML tabanli çözümler ile sulama IoT altyapisinin guvenliginin saglanmasi onerilmistir. Gartner'a gore 2020'de 8,4 milyar bagli IoT cihazinin 2022'ye kadar 20,4 milyara ulasacagi; bu cihazlarin önemli bir bölümunun tarımsal izleme ve sulama sistemlerinde konuslandirilacagi ongoresini yapilmaktadir. (1.350 atif)

Hava Tahmini ve Toprak Parametreleri ile Akilli Sulama Destegi

[Rani et al., 2023] — Telangana eyaletinde LSTM RNN ile hava tahmini yapan ve Random Forest sınıflandirici ile uygun ürün ve kaynak ihtiyaclarini belirleyen model, sulama planlamasina dolayli ancak önemli bir katki sunmaktadir. Model, tahmin edilen yağış miktarina ve toprak su tutma kapasitesine gore ürünlerin sulama bagimliligini sınıflandırmakta; Rabi mevsimi için onerilen ürünlerden bazilari yağmura dayali, bazilari ise sulama gerektiren olarak etiketlenmektedir. LSTM RNN ile yağış tahmini için %8.24 RMSE elde edilmis; bu değer sulama planlama kararlarinda kabul edilebilir bir belirsizlik düzeyine işaret etmektedir. Modelin toprak tipi, pH, su tutma kapasitesi ve verimlilik parametrelerini birlikte değerlendirmesi, sulama ihtiyac analizini cok boyutlu hale getirmektedir.