Tarım dünyasında yapay zekâ

Tarımın uçsuz bucaksız tarlalarında traktör tozu yerine algoritma tozu havalanmaya başladı. Çapalama, ekim, gübreleme gibi “klasik” tarım faaliyetleri, artık yapay zekânın (YZ) verdiği sinyallerle şekilleniyor.

Bir zamanlar tarlada başlayan gün, bugün drone’ların termal kameraları ve makine öğrenmesi modellerinin uyarılarıyla başlıyor. Peki, ülkemizdeki tarım sektörümüzün acılar içinde kıvrandığı bugünlerde bu dijital devrim dünyada çiftçinin cebine nasıl yansıyor, toprağa ne katıyor, riskleri neler?

•YZ ile hassas tarım: Verinin altın çağı Hassas tarım (precision agriculture), sensörler ve uydu görüntüleriyle toprak ve bitki sağlığını gerçek zamanlı izler. IoT (Nesnelerin İnterneti) cihazları topraktaki nem, pH ve sıcaklık verilerini toplar; bu veriler, makine öğrenmesi modelleriyle işlenerek sulama ve gübreleme zamanını/oranlarını optimize eder (Liakos ve ark., 2018). Böylece çiftçi, “ne verirsem o çıkar” kuralını “vermediği zamanda verme”ye çevirir. Su kullanımında %20–30 arası tasarruf mümkün [1].

• Verim tahminiyle keskin öngörüler Ürün verimini önceden tahmin etmek, stok ve fiyat planlamasında altın değerinde. Derin öğrenme yöntemleri (CNN, RNN) ile hava durumu, toprak niteliği ve geçmiş rekolte verileri bir araya getirilerek %90’a varan doğrulukla tahminler yapılabiliyor (Kamilaris & Prenafeta-Boldú, 2018) [2]. Bu, çiftçinin sürprizlerle değil, bilimsel verilerle dans etmesini sağlıyor.

• Zararlı mücadelesinde görüntü işleme Bitki hastalıkları ve zararlılar, erken aşamada tespit edilmezse rekolteyi yüzde 15–30 arası azaltabiliyor. Drone’lar, multispektral kameralar ve YZ destekli görüntü işleme algoritmaları sayesinde hastalık lezyonları ekim sahasında henüz minik noktalarken tespit edilebiliyor (Wolfert ve ark., 2017) [3]. Böylece kimyasal ilaç miktarı azalıyor, çevre dostu bir yaklaşım gelişiyor.

Toprak sağlığını çözen modellemeler Toprağın karbon içeriğinden mikroorganizma çeşitliliğine kadar pek çok parametre, sensör verileriyle izleniyor. YZ, bu verilerden anlamlı desenler çıkararak hangi arazilere ne zaman dinlenme süresi vermek gerektiğini öneriyor.

Sonuç: sürdürülebilir ekim, erozyonun azalması ve toprak organik madde zenginliğinde artış [4].

EKONOMİK-SOSYAL FAYDALAR

• Verim artışı: %10–25 aralığında rekolte artışı raporları [1][2].

• Maliyet düşüşü: Özellikle gübre ve su kullanımında yıllık 5–15% tasarruf [3].

• Çevre dostu: Kimyasal ilaç kullanımı ortalamada %30 gerileyebiliyor.

OLASI ZARAR VE RİSKLER

• Yüksek Başlangıç Maliyeti: Donanım ve yazılım altyapısı; küçük ölçekli çiftçiler için caydırıcı olabilir.

• Dijital Eşitsizlik: İnternet erişimi ve dijital okuryazarlık farkları, verinin merkezde olduğu bu modelleri sınırlıyor.

• Veri Güvenliği: Tarımsal verinin merkezi sunucularda toplanması, siber saldırı riskini artırıyor.

• İş Gücü Dönüşümü: Geleneksel tarım işçileri, YZ destekli sistemleri yönetebilecek yeni beceriler öğrenmek zorunda kalabilir.

GELECEĞE BAKIŞ

YZ, “çiftçiliği ele geçiriyor” korkusunu bir melez gerçeklikle yer değiştiriyor: İnsan uzmanlığı ve makine hızının birleşimi. Çiftçi, sezgilerine dayanarak analitik çıktıların doğruluğunu teyit ederken; YZ, büyük veri setlerinden karmaşık desenleri hızlıca çözüp öneri sunuyor. Bu iş birliği, tarımın hem doğayla uyumlu hem de sürdürülebilir bir geleceğe yelken açmasını mümkün kılıyor.

Son söz: Tarlada şimdilik meyve, gelecekte teknoloji:

Tarım tohumdan önce veri ekmeyi gerektiriyor. Tarlada traktör siluetini drone frikiklerine bırakmak, çiftçinin yaşam tarzında devrim yaratabilir. Tabii, teknoloji bir otomatik biçerdöver değil; doğru kullanıldığı sürece hasadı bereketlendiren bir ortak. Dikkat: Kodları hatalı yazılan bir algoritma, bazen en verimli tarlayı bile ıssız bir çöle çevirebilir!

KAYNAKLAR 

[1] Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine Learning in Agriculture: A Review. Sensors, 18(8), 2674. https://doi.org/10.3390/ s18082674

[2] Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70–90. https://doi.org/10.1016/j. compag.2018.02.016 

[3] Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M.-J. (2017). Big Data in Smart Farming – A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j. agsy.2017.01.023

[4] Zhang, Y., & Zhang, C. (2019). Crop yield prediction using deep learning: A review. WIREs Data Mining and Knowledge Discovery, 9(5), e1330. https://doi. org/10.1002/widm.1330