ICT Media
Tarımda dijital dönüşüm önümüzdeki sürecin en önemli gündem maddeleri arasında yer alıyor. Büyük veriye dayalı doğru bilgi ve sağlıklı analiz ile akıllı uygulamalar bu dönüşümün merkezinde bulunuyor. Ankara Üniversitesi Ziraat Fakültesi Öğretim Üyesi Prof. Dr. Ahmet Çolak, bu yeni dönemini “tarımda dijital çağ” olarak adlandırıyor. Tarımda dijital dönüşü gerçekleştirmek, büyük veriyi etkin kullanmak için Cumhurbaşkanlığı tarafından özel yetkilerle donatılmış “Türkiye Akıllı Tarım Üssü” kurulması gerektiğini söyleyen Çolak “Aksi halde son derece dağınık çalışmalarla bir hedefe ulaşmak oldukça zor.” diyor. Prof. Dr. Çolak, tarımda veri madenciliği ve dijital dönüşümle ilgili sorularımızı cevaplandırdı.
ICT MEDIA: Bilgi teknolojilerindeki gelişmeyle birlikte dünyada büyük bir veri akışı ortaya çıkmış, bu verilerden anlamlı sonuçlar elde etmek önem kazanmıştır. Bu noktada yeni bir kavram olarak “büyük veri” ve “veri madenciliği” gündeme gelmiştir. Veri madenciliği nedir? Uygulama alanları nelerdir? Veri madenciliğinin klasik, veri analiz yöntemlerinden farkını kısaca anlatır mısınız?
Prof. Dr. Ahmet ÇOLAK: Veri madenciliği büyük verinin ortaya çıkmasıyla birlikte yıllardır önemi katlanarak artan ve günümüzde bünyesine makine öğrenimi ve yapay zekayı dahil ederek anlamlı bilgi üretmeyi sağlayan veri işleme ve analiz etme işidir. Bir başka deyişle veri yığınları arasında gizli kalmış, veri toplama, temizleme, model oluşturma, model testi ve uygulama aşamalarından oluşan geçerli ve işe yarar bilgi elde edilmesine veri madenciliği denilmektedir.
Veri madenciliği büyük miktardaki veri üzerinde işlem yapması nedeniyle veri tabanları ile doğrudan ilişkilidir. Belirli bir amaca yönelik oluşturulmasının yanı sıra verilere hızlı ve etkin bir şekilde erişim olanağı tanıyan veri depolarından yararlanılmaktadır. Veri madenciliği kendi başına çözüm değildir fakat karar verme süreçlerini destekler ve problemin çözümü için gerekli bilgileri sağlar. Günümüzde dijital bilginin elde edilmesi kolay ve depolanması pahalı değildir, ancak büyük miktarlardaki verinin analizi için insan yeteneği, veri toplama ve depolamada kullanılan araçların gerisinde kalmaktadır. Verilerdeki kodlanan değerli bilgiler geleneksel metotlarla yapılan analizlerle keşfedilemeyebilir. Geleneksel yaklaşımlarda veri analizi bazı uzmanlar tarafından oluşturulan hipotezler üzerinde merkezlendirilmektedir. Bir hipotez, verinin beklenen bazı özelliklerini tanımlar ve örneğin veri tabanı sistemine yapılan SQL (Structured Query Language-Yapısal sorgulama dili) sorgulamalarına dönüştürülür. Cevap olarak Veri Tabanı Sistemi, hipotezlenen özellikleri tatmin edecek bütün kayıtları üretir. Veri analiziyle ilgili böyle bir yaklaşım sadece yavaş ve etkisiz olmayıp aynı zamanda oldukça sübjektiftir. Eldeki veriler hakkındaki ön yargılar analizi taraflı hale getirir. Daha kötüsü, hipotezlerin herhangi biri tarafından kapsanılmayan perspektifler araştırılmaz ve doğru sorgulama yapılmadığı için önemli desenler belirlenmeden kalabilir.
VTBK (Veri Tabanından Bilgi Keşfi) verilerden türetilmiş bilginin çıkartılması için kullanılan otomatikleştirilmiş bir yaklaşımdır. VTBK makine öğrenmesi, veri tabanları, istatistik ve görselleştirme metotlarını birleştirir. VTBK’nın amacı eldeki verilerin sadece kapsamlı anlaşılmasına ait olmayıp daha çok veri içerisinde gizlenmiş değerli bilgi külçelerinin tespitidir ve geçmiş yıllarda jeofizik, tıp ve ticari alanlarda (örneğin dolandırıcılık tespiti, yatırım, risk yönetimi, telekomünikasyon gibi) başarıyla uygulanmıştır. VTBK işleminin veri tabanı madenciliği adımını başarmak için tasarlanmış sistemler ve temel teknikler türetilmiş bilginin keşfi amacına bağlı olarak farklılık gösterir. Keşif amaçları tahminleme, sınıflandırma ve tanımlama olarak kategorize edilebilir. Tahminleme veya sınıflandırma teknikleri; aynı alanın henüz bilinmeyen nesnelerin davranışlarını tahmin etmek için kullanılabilen ampirik (deneysel) verilerden sınıflandırma şemalarının yapılmasını hedeflemektedir. Eldeki verilerin özniteliklerine bağlı olarak önceden tanımlanmış birkaç sınıfın bir tanesine bir veri kalemini haritalayan fonksiyon formatındaki hipotezleri otomatik olarak üretir. Amaç; gelecekteki veri noktalarının mümkün olduğu kadar doğru bir şekilde tahmini ve aynı zamanda eldeki verileri kategorize etmektir. Tahminleme teknikleri; karar ağaçları, destek vektör makineleri, yapay ağlar, kural öğreniciler ve olasılıksal ağlar gibi metotları içermektedir. Bunların aksine tanımlayıcı sistemler, bölgesel ilgilinin veri bölgelerini tanımlar ve insanların anlayabileceği şekilde keşfedilen desenleri sunar. Popüler tanımlayıcı teknikler; alt grup keşfi, kümeleme, değişen ve sapma belirleme, bağımlılık modellemesi ve özetleme gibi teknikleri içerir. Veri madenciliği uygulamalarında; istatistik, matematik, analiz, makine öğrenmesi ve yapay zekâ gibi bilim dallarından destek alınmaktadır. Veri madenciliğinin kullanım alanlarına astronomi, e-ticaret, sağlık, tarım, eğitim, telekomünikasyon, analiz, finans ve bankacılık vb. birçok alan örnek olarak sayılabilir. Veri madenciliği süreçleri temel olarak 5 aşamadan oluşmaktadır:
1- Veri Seçimi: Bu aşamada veri tabanlarında oluşan veri iyi analiz edilerek problem ile ilişkilendirilir.
2- Ön İşleme: Bu aşamada var olan dağınık veriler, sonraki aşamalarda kolaylıkla kullanılabilmesi için dört aşamada düzenli hale getirilir.
• Veri temizliği: kalitesini iyileştirmek için veriden kaynaklanan hataları ve tutarsızlıkları tespit etme ve kaldırma.
• Veri entegrasyonu: birden daha fazla bilgi kaynağından verileri entegre etmek
• Veri dönüşümü: verileri veri madenciliği için uygun biçimlere dönüştürmek
• Veriyi azaltmak: en fazla özellik sayısının çok büyük olduğu medikal alanda kullanılmaktadır. Bunun temel amacı, değişkenlerin, istikrarlı ve doğru bir model oluşturmak için verilerin bütünlüğünü kaybetmeksizin sayısının azaltılmasıdır.
3- İndirgeme: Kullanılacak yöntem aşamaları için verinin uygun hale getirilmesi başarıyı arttırmaktadır. Bu nedenle ön işlenmiş verinin kullanılabilmesi için indirgenmesi veya dönüştürülmesi üzerinde dikkatle durulması gereken diğer bir aşamadır. Veri madenciliği yöntemlerinin kullanıldığı aşamadır.
4- Veri Madenciliği: Hazırlanan veri bu aşamada kullanılabilecek bir durumdadır. Bu aşamada yapılmak istenen çalışmaya uygun olan veri madenciliği yöntemlerinden biri veya birden fazla yöntem uygulanarak diğer aşamaya geçilir.
5- Yorumlama ve Değerlendirme: Veri kümesine, veri madenciliği tam anlamıyla uygulandıktan sonra elde edilen sonuçlar değerlendirilir, yorumlanır ve çalışmanın doğru bir şekilde sonuçlandırılıp sonuçlandırılmadığı araştırılır. Bu aşamada birden fazla yöntem kullanılmışsa, bu yöntemlerin karşılaştırması yapılır. Elde edilen sonuçlar, kıyaslanıp doğrulanır.
Veri madenciliğinde başarılı olmak için amaçların ve değerlendirme kriterlerinin açıkça ortaya konması gerekir. Veri biliminin önemli bir parçası da verilerin hazırlanmasıdır. Çünkü genellikle ham veriler eksiktir, işlenmemiştir, çok büyük miktardadır ve birbirinden farklı türdedir. İşlenmemiş verilerden herhangi bir sınıflandırma, regresyon veya kümelenme modeli ile anlamlı bilgi çıkarılması mümkün olamamaktadır. Ham verileri temizlemenin amacı iki yönlüdür:
• Ham veri kümelerinden bazı temel bilgileri ayıklamak
• Verilerin kalitesini değerlendirmek ve denetimsiz veya denetimli öğrenme için temiz veri kümeleri oluşturmak
Veri hazırlama veri biliminin önemli bir parçasını oluşturmaktadır. Hazırlama işlemi veri temizleme ve özellik mühendisliği gibi iki ana kavramı içerir. Verileri analiz etmek ve modellemek için kullanılan yöntemler iki önemli kategoriye ayrılabilir: Denetimli öğrenme ve denetimsiz öğrenme. Denetimli öğrenmede bağımsız değişkenler ve değeri tahmin edilecek bir bağımlı değişken gereklidir. Bu durumda, model bağımsız değişkenleri dikkate alarak hedef değişkenin değerini nasıl tahmin edeceğini öğrenir. Denetimsiz öğrenmede tüm değişkenleri eşit olarak ele alınır ve ana amaç, veriler arasında kalıp ve ilişkilerin bulunmasıdır. Veri madenciliği teknikleri her türlü eski veya gelişmekte olan verilere uygulanabilir. Veri madenciliğinde birçok teknik uygulanmaktadır. Hangi tekniğin kullanılacağı verinin türüne, veri kümesinin boyutuna, uygulanan görevlerin kapsamlarına bağlıdır. Her veri kümesinin kendine ait uygun veri madenciliği çözümü vardır. Örneğin sosyal ağlardan elde edilen devasa verilere uygulanan teknikler ile belirli bir kurumdaki sınırlı sayıda kişilerden elde edilen verilere uygulanan teknikler birbirinden farklıdır. Veri madenciliği için temel teknikler yedi farklı gruba ayrılabilir. Bunlar:
• Sınıflandırma ve tahmin,
• Kümeleme,
• İlişki kuralları,
• Aykırı değer saptama,
• Sıralı dizi analizleri,
• Zaman serisi analizi
• Metin madenciliği, web madenciliği ve sosyal ağların analizidir.
Veri madenciliğinin her bir tekniği için çok sayıda algoritma bulunmaktadır. Algoritma sayısının çok fazla olması hangi durumda hangi algoritmanın daha başarılı olduğunun her zaman kestirilememesi veri madenciliğinin zorluklarından biridir. Özellikle büyük veri üreten şirketler bu konuya eğilmekte, katma değer sağlayan bilgiyi ortaya çıkarmak için teknolojik altyapıya ve bu altyapıyı kullanacak personeli istihdam etmektedir. 2000’li yıllardan itibaren büyük verinin sebep olduğu teknolojik gelişmeler farklı tipteki verilerin de işlenebilmesine ön ayak olmuştur. Günümüzde ses, metin ve resim dosyalarının analiz edilebilmesi veri madenciliği tekniklerini daha da önemli hale getirmiştir.
Ticari dünyada biriken verinin önemi gün geçtikçe daha da artmaktadır. Biriken veri bir yandan firmaların maliyetlerini artırırken bir yandan da kazançlarını maksimize etmek için bir gelir kapısı haline gelmektedir. Sadece insani becerilerle ve operasyonel maliyetlerle bu veriyi işlemek ve içinden anlamlı bilgi elde etmek mümkün değildir. İş bilgisinin teknoloji ile iç içe geçmesi günümüzde artık bir zorunluluk haline gelmiştir. Birçok banka, perakende firma, elektronik ticaret vb. tüzel firmalar bu veriden anlamlı bilgi çıkaracak teknolojileri sistemlerine entegre etmekte ve bu sistemleri kullanabilecek personele ihtiyaç duymaktadır.
Önceleri istatistik, matematik ve bilgisayar bilimlerini bir arada kullanabilen kişiler veri analisti olarak tanımlanırken, günümüzde veri bilimcisi tanımı yaygınlaşmaktadır. Veri bilimi ile ilgilenen bu kişilerin birçok disiplini bir arada bulundurması gerekmektedir. Veri madenciliği tekniklerini kullanması yanı sıra, yapısal olan olmayan büyük veri setlerini kullanabilen, yeni nesil bilgisayar teknolojilerine hâkim ve tüm bunları bir bütünlük içinde uygulayabilen kişi veri bilimcisi, işin kendisi de veri bilimi olarak adlandırılabilir. Veri madenciliği teknikleri belirli bir yaşam döngüsü ve disiplin içerisinde uygulanmalıdır. Öncelikle iş probleminin doğru belirlenmesi ve problemin çözümüne yönelik uygun verinin toplanması gerekmektedir. Veri; temizlenerek ve analiz edilerek modele uygun hale getirildikten sonra denetimli ya da denetimsiz makine öğrenimi algoritmaları ile modellenir
Uzmanlara göre bir verinin büyük veri olarak tanımlanabilmesi için bu kavramın üç temel özelliği bulunmalıdır; hacim (volume), hız (velocity) ve çeşitlilik (variety). Hacim; çok miktarda veri, Hız; verinin ne kadar hızlı eskiyeceği, çeşitlilik ise çok miktarda farklı veri türlerinin olabileceği anlamına gelmektedir. Bu özellikleri tümü birlikte, büyük verinin üç V’si olarak adlandırılır. Bu tanımlara zamanla daha başka V’ler de eklenmiştir. Günümüzde büyük veri için bu tanımın dışında nitelik ve tipinde de büyük değişimler görülmeye başlanmıştır. Örneğin, bireylerin günlük hayatında sıkça kullandığı Facebook, Twitter, Instagram vb. sosyal medya platformlarında resim paylaşımları, yazışmalar, kurulan bağlantıların hepsi büyük veriyi oluşturan bileşenlerdir. Ayrıca, sensör kullanımı ile anlık yapılan barkod okumaları, akıllı telefonlar ile sürekli değişen konum bilgilerinin tutulması ya da bilgisayar biliminde log kayıtlarının saklanması ve işlenmesi de büyük veri için verilebilecek diğer önemli örneklerdir.
Büyük veriyi daha iyi anlayabilmek için için küçük boyutlu veri ile ne gibi farklılıkları olduğunu ifade etmekte fayda vardır.
• Örneğin küçük veriler spesifik bir amaca hizmet ederken, büyük veri işlevselliği bakımından çıkış noktasından farklı amaçlara da hizmet edebilir.
• Küçük veri çoğunlukla bir kurumda, bir bilgisayarda ve bir dosya içinde saklanırken, büyük veri elektronik ortamlarda internet aracılığı ile erişilebilen serverlarda muhafaza edilir.
• Küçük veri çoğunlukla yapısal veridir, ancak büyük veri hem yapısal hem de resim, ses kaydı, yazı vb. birçok yapısal olmayan veri tiplerinden oluşmaktadır.
• Küçük veri belirli bir iş için belirli bir kişi için oluşturulurken, büyük veri birçok kişinin farklı amaçları için oluşturulur.
• Küçük veri ile büyük veri arasındaki bir diğer fark ise verinin ömrüdür. Küçük veri en fazla 7 yıl kadar saklanırken, büyük verinin ömürlük olması uygundur.
• Küçük veri yeniden üretilebilir, maliyeti azdır ancak büyük veri yeniden üretilmeye çoğu zaman uygun değildir, korunması ve muhafaza edilmesi de oldukça maliyetlidir.
• Bir diğer ve en önemli farklardan biri de küçük verinin bir arada saklanması ve işlenmesi olmasıdır, buna karşılık büyük veri süper bilgisayarlar tarafında paralel olarak ve MapReduce gibi teknolojilerden faydalanmaktadır.
Büyük veri türleri ve bunların özellikleri incelenecek olursa; büyük veri, türlerine göre yapısal ve yapısal olmayan veri olarak iki ana kategoriye ayrılmaktadır:
• Yapısal veri öngörülebilir ve düzenli olarak oluşan veri formatındaki veridir. Genellikle veri tabanı yönetim sistemi tarafından yönetilir ve kayıt, özellik, anahtar ve indekslerden oluşur.
• Yapısal olmayan veri ise tam tersine düzenli bir yapısı olmayan, öngörülmesi güç veridir. Genellikle erişimi zordur ve düzenlenmesi için birçok işleme ihtiyaç duymaktadır. Çok farklı formlarda olmasına karşın belki de en çok karşılaştığımız metin verileridir. Yapısal olmayan veri kendi içinde verinin benzer özelliklerde tekrar edilebilir olup olmamasına göre farklı kategorilere ayrılabilir. Örneğin sensor verileri tekrar edilebilir veri iken, elektronik posta metni tekrar edilmeyen bir veridir, yani belirgin bir desen içermemektedir.
ICT MEDIA: Bilgi teknolojilerindeki büyük dönüşüm, tarım sektörünü de etkilemiş, veriye dayalı tarımsal üretimi öne çıkarmıştır. Türkiye’de tarımsal üretimde bilimsel yöntemler etkin kullanılıyor mu? Uzaktan algılama ve coğrafi bilgi sistemleri tarımsal alanda veri toplamada bir araç olarak değerlendirilebilir mi? Tarım sektöründen sağlıklı veriler elde etmek için yapılması gerekenler nelerdir?
Prof. Dr. Ahmet ÇOLAK: Yirminci yüzyılın sonlarına kadar tarımsal üretimde kullanılan alet ve makinalar ve bunların güç kaynaklarına göre mekanizasyon teknolojileri temelde dört farklı yapı ile açıklanmakta idi; birincisi çok düşük sermaye yatırımları ile insan gücü ve el aletlerinin kullanımı, ikincisi, insan gücünün, özellikle birincil ve ikincil toprak işleme ve su pompalamada hayvan gücü ile ikamesi hayvan gücü ve hayvanla çekilen bazı aletlerin kullanımı, üçüncüsü, bazı üretim işlemlerinde mekanik güçten yararlanma süreci, dördüncüsü ise Üretim işlemlerinin tümünün tamamen mekanik güç (elektronik hariç) ile gerçekleştirilmesi traktör / motor gücü ve uygun makinaların kullanımı.
Bu süreçlerin hiç birisinde ürün ve toprak koşullarında tarla içi değişkenliğin dikkate alınmadığını görüyoruz. Günümüzde ise teknolojik gelişmelerin geldiği nokta önceleri bilinen fakat bir şey yapılamayan bu değişkenliğin ölçülebilmesine, analiz edilmesine ve buna uygun davranılabilmesine olanak vermektedir. Özellikle sınırlı toprak kaynaklarına sahip çiftçilerin artan girdi fiyatları, tarımsal girdideki dışa bağımlılık, daha yüksek verim ve daha çok gelir kaygısı bu değişkenliği zorlamaktadır. Bilişim ve Haberleşme Teknolojilerinde meydana gelen gelişmeler sonucunda tarımsal mekanizasyonun gelişim sürecinde tanımladığımız dört aşamaya iki aşamayı daha eklemek yerinde olacaktır. Beşincisi bilişim sistemlerinin ve teknolojilerinin tarımsal üretimde başlangıç düzeyinde kullanılması. Bu düzeyde; biliyoruz ki tarım işletmelerimiz artık kişisel bilgisayar sahibidirler ve bu bilgisayarlara yüklenen bazı yazılımlar ile envanter kontrolü, kayıt tutma ve geçmiş kayıtlara erişme, sürü yönetimi ve neden-sonuç analizlerinin yapılması gibi uygulamaları başarabilmektedirler. Altıncısı ise yine ileri teknolojilerin örneğin traktörlere yerleştirilen elektronik donanımlar sayesinde ilerleme hızı, kuyruk mili devri, toplam mesafe, yakıt tüketimi ve iş başarısının tespiti ve izlenmesi, ilaçlama makinalarında kontrol ve veri depolama olanakları, ileri düzeyde bilişim teknolojilerinin tüm unsurlarıyla kullanıldığı uygulamaların tarımda yerini almasıyla beliren “hassas tarım” uygulamaları görmekteyiz. CIS (CBS), GPS-GPRS, IoT (internet of things) teknolojileri yardımıyla konumsal verilerle ilişkilendirilme ve dronlar ve kullanılan spektrometreler sayesinde:
• Toprak haritalaması
• Verim haritalaması
• Tarımsal veri yolları (agricultural bussystems) ile donatılmış traktörler,
• GPS esaslı ölçüm sistemleri,
• Değişken düzeyli uygulama teknolojileri
• Azaltılmış girdi kullanımı
• Düşük maliyetli çevreci duyarlılık
gibi uygulamalar kullanılmaya başlamıştır. Mikroişlemcilerde diğer elektronik donanımlarda ve sensör teknolojilerinde yaşanan gelişmeler üreticilerin bu hedeflerine erişebilmelerini olanaklı kılmaktadır. Bu yeni tarımsal üretim yaklaşımına günümüzde Hassas Tarım denilmekte ve bu yaklaşımla azaltılmış girdi kullanımı ve değişken oranlı girdi kullanımı ile çevreci ve ekonomik bir uygulama yaratılması hedeflenmiştir. Nihayet çevre faktörleri ve iklimin de dikkate alınarak çözüm ve sistemler üretildiği, akıllı veri kullanımının da dahil edildiği yeni sisteme akıllı tarım sistemleri (Smart Agriculture) (Climate Smart Agriculture) denilmektedir. Teknolojideki hızlı gelişim endüstri 4.0’ın da zorlamasıyla tarımı hızlı bir yeni açılıma sürüklemiştir. Tarımın yeni dönemini “tarımda dijital çağ” olarak adlandırmaktayım.
Türkiye tarımda dijital çağın neresinde konusuna daha sonra değineceğim. Şimdi öncelikle Türkiye’de klasik tarımın ve hassas tarımın genel karakteristik özellikleri bakımından bir karşılaştırmasını yapalım.
Geleneksel tarımda, kullanılan tohumluk, damızlık, su, gübre, kimyasal ilaç gibi girdiler, büyüklüğü ne olursa olsun arazinin tümü esas alınarak ortalamalardan (ortalama gübre isteği, ortalama ilaç normu, ortalama su isteği, ortalama ekim normu) hareket edilerek tekdüze uygulanmakta ve bunlar için klasik mekanizasyon araçları kullanılmaktadır. Bitkisel üretimde; kullanılan arazinin ve toprağın bitki besin elementleri, nem, mineraller, fiziksel özellikler ve topoğrafya bakımlarından homojen özellikler gösterdiği, iklimsel koşulların yıllar itibariyle pek değişmediği, ekimi veya dikimi yapılan bütün tohum ve bitkilerden aynı düzeyde verim elde edileceği, hastalık ve zararlıların tüm araziye homojen bir şekilde yayıldığı ve aynı düzeyde etki ettiği, bitkilerin arazinin her metrekaresinde aynı su ve gübre gereksinimlerine sahip olduğu, hatta ürünlerin aynı dönemde olgunlaştığı dikkate alınır. Benzer şekilde hayvansal üretimde de bütün hayvanların (büyükbaş, küçükbaş ve kanatlılarda) ortalama eşit verime sahip oldukları, su ve yem gereksinimlerinin aynı olduğu, barınma ihtiyaçları ve koşulları arasında farklılık olmadığı varsayılır. Ve bu varsayıma dayanarak yem, su, ısı, iklimlendirme, havalandırma vb. besleme ve yetiştiricilik kararları verilir. Oysa ki doğada gerek bitkiler gerekse hayvanlar olmak üzere hiçbir canlı bireyin gereksinimleri bir diğeri ile aynı değildir ve öyle olduğu düşünülmemelidir. 20. yüzyılın sonlarına kadar heterojen koşullara uygun teknolojilerin yokluğu, yetersizliği veya teknik ve ekonomik anlamda olanaksızlığı ve de ekonomik sistem tekdüze uygulamaları olan bu anlayışı (endüstriyel tarım) zorunlu kılmıştır.
Son yıllarda tartışmalara konu olan açlık ve aşırı nüfus artışının yanında, üzerinde çok durulan ekosistemdeki bozulmalar ve doğal kaynakların tüketilmesi konusundaki gerçekçi endişelerin yanında “sürdürülebilirlik” ve “sürdürülebilir büyüme” küresel bir farkındalığın ve çekincenin oluşmasını sağlamıştır. Bu genel düşünce endüstriyel üretim işlemleri kadar tarımı da kapsamaktadır. Sürdürülebilir tarımın gereklerini yerine getirebilmek amacıyla, son yıllarda özellikle tarım dışı alanlarda (sanayi, ulaştırma, haberleşme, tıp vb.) görülen bazı teknolojik gelişmelerden tarımsal üretimde de yararlanılması düşünülmüştür
CBS (GIS) coğrafik bilgilerin girildiği, analiz edildiği ve birleştirildiği veri tabanlı bir yazılımdır. Bu yazılımın işlevleri arasında; veri organizasyonu, görsellik, yersel değişim, manipülasyon ve veri analizi sayılabilir. Tarımsal üretimde teknik ve ekonomik kararlar ürün, toprak ve verime ait bilgileri kullanarak sayısal haritalar oluşturan bilgisayar destekli haritalama teknolojisini ifade eden CBS esaslı bilgilerle verilir. CBS, birbiri ile ilgili değişik bilgi seviyelerinden meydana gelir ve bilgi seviyeleri arasındaki ilişkilerin incelenmesini mümkün kılar. Hassas Tarım uygulamalarında CBS; verim, tarla topoğrafyası, tarla içi yol durumu, toprak tipi, toprak analiz sonuçları, yüzey drenajı, yüzey altı drenajı, meteorolojik veriler, sulama durumu, yabancı ot durumu, kimyasallara ait gerçek uygulama normu, bitki besin elementleri ve Mikro bitki besin elementleri ile ilgili bilgi seviyelerini içerebilmektedir. Bu bilgiler genellikle sensörler yardımıyla aktarılabilmektedir. Son yıllarda iklim tabanlı akıllı tarım yazılımları ile ve IoT teknolojisi sayesinde meteorolojik ve çevresel veri aktarımı daha da etkinleşmiştir. Bu bilgilerin bazıları bir defaya mahsus olmak üzere, bazıları ise her yıl veya daha sık sisteme girilir. CBS, sebep‑sonuç ilişkisinin belirlenmesi ve bu bilgileri esas alan kararların oluşturulması için bilgi seviyeleri arasındaki ilişkilerin incelenmesini mümkün kılar. Saydığımız bu bilgi seviyelerine ait haritalar birleştirilerek Hassas tarım uygulama haritalarının çıkarılmasında esas oluştururlar.
Hassas Tarım teknik ve teknolojilerinden, toprak analizi, toprak işleme, ekim, gübreleme, ilaçlama, ürün koşullarını izleme ve hasat işlemleri gibi toprak işlemeden hasada kadar bitkisel üretimin hemen her aşamasında etkin bir şekilde yararlanılabilmektedir. Topraktaki besin elementlerinin analizi esnasında Küresel Konum Belirleme Sisteminden (GPS) yararlanılarak örneklerin alındığı pozisyon belirlenebilmekte ve bu bilgi sayesinde tarlanın besin elementleri açısından haritası çıkarılabilmektedir. Yine; (GPS) ve sensörler yardımıyla, toprak işleme derinliğinin ve toprak yüzeyinde bırakılan anız miktarının değişkenliği sağlanabilmektedir. İşleme derinliği toprak sıkışmasının derinliğine bağlı olarak azaltmak veya artırmak yoluyla enerji tasarrufu sağlanabilmekte ve aşırı toprak işlemeye bağlı erozyon vb. olumsuzlukların da önüne geçilebilmektedir. Ayrıca, ekolojik toprak işleme amacıyla bitki gelişiminde ihtiyaç duyulan optimum toprak sıcaklığı ve neminin sağlanabilmesi için toprak yüzeyinde gerek duyulan anız miktarında değişkenlik de sağlanabilmektedir. Ekim normunun toprak karakteristiklerine göre değiştirilebilmesi sayesinde daha yüksek bitki popülasyonlarını barındırabilecek bölgelere daha fazla tohum atılabilmesi sağlanabilmektedir. Ayrıca, nem sensörleri yardımıyla, ekim makinasının çimlenme için en uygun toprak nemi ve derinlikte ekim yapabilmesi de sağlanabilmektedir. Gübreleme; Hassas Tarım tekniklerini uygulayan bir üretici, miktarını ve konumunu önceden belirlemiş olduğu topraktaki bitki besin elementlerini esas alarak gübre ve kireç uygulamalarında değişkenlik sağlayabilmektedir. İlaçlama; İlaçlama makinalarında, otomatik kontrol sayesinde tarla üzerinde hareket esnasında ilaçlama normunun değişkenliği sağlanabilmekte ve hatta tanımlanmış geometrik özelliklerdeki bitki veya yabancı otlar hedeflenebilmektedir. Ürün Gelişiminin İzlenmesi; her ne kadar traktör üzerinde veya yürüyerek tarladaki bitki gelişimi izlenebiliyorsa da uydu görüntüleri veya hava fotoğrafları yardımıyla yabancı otların veya drenaj sorunlarının olduğu ya da zararlı streslerinin yoğun olarak bulunduğu yerler koordinatlarıyla belirlenebilmektedir. Hassas Tarım teknolojileri içerisinde belki de en geliştirilmiş ve en yaygın kullanımı olan verim haritalamasıdır. Hasat sırasında biçerdöverler üzerine yerleştirilen sensörler yardımıyla, depoya akan ürün miktarı belirlenebilmekte ve hasat esnasında alan verimi hesaplanabilmektedir. Bu teknolojinin, Küresel Konum Belirleme Sistemi (GPS) ile birlikte kullanılması sayesinde tarla yüzeyindeki her bir birim alanın verim değerleri kaydedilebilmektedir. Böylece tarlanın verim haritası oluşturulabilmekte ve verime etkili faktörlerin belirlenebilmesi yolunda önemli bir adım atılmış olmaktadır. Hayvansal üretimde ise; Radyo Frekans kimlik belirleme (RFID) sistemi ile hayvanlara ait sağlık, yem tüketimi, süt verimi ve benzeri bilgilerin yanı sıra bireysel davranışların gözlenmesine olanak sağlanmaktadır. Bu kapsamda; Kulak, tasma, ayak bilekliği, enjekte edilebilen kimlik belirleme cihazları kullanılmaktadır. Sürüye ilişkin süt verimi, yem tüketimi, aktivite şablonu gibi birçok parametrenin kayıt altına alınması ve sürü ile her bir bireye ait ilgili parametrelerin izlenmesi ve kontrol edilmesi de sürü yönetim sistemi ile sağlanmaktadır.
Gelelim Türkiye’de bu teknolojiler etkin biçimde kullanılıyor mu sorusunun cevabına maalesef henüz beklenilen düzeyin çok uzağındayız üniversitelerdeki akademik çalışmalar dışında kamudaki ve özel çok az sayıdaki bazı büyük tarım işletmeleri dışında tarım 4.0 uygulamaları henüz yapılmıyor. Üniversitelerin Ziraat Fakültelerinin Tarım Makinaları ve Teknolojileri Mühendisliği veya Biyosistem Mühendisliği bölümlerinde bu konularda ciddi çalışmalar ve projeler yürütülmekte, yine üniversitelerin Teknoloji Geliştirme Bölgelerinde faaliyet gösteren firmalarda üniversite ve sanayi iş birliği kapsamında ve bağlı araştırma enstitülerinde Tarım ve Orman Bakanlığı bünyesinde örnek çalışmalar kesintili olarak yürütülmeye çalışılmaktadır. Kuşkusuz tarımın yapılacağı alan dijital bir ortam değildir ve fiziksel coğrafyada bir alandır. Gerek sahadaki işgücümüz gerekse sahadaki genç nüfusun azlığı gelecek için bazı soru işaretlerini de beraberinde getirmektedir.
Tarım artık tamamen teknoloji tabanına oturmuştur. Ancak sensör teknolojisinde tamamen dışa bağımlıyız. Tarımsal girdilerin üretiminde, yatay ve dikey tedarik organizasyonunda yetersiziz. Çiftçi örgütlenmesinde ve kooperatifleşmede yetersiz durumdayız. Sayı olarak değil ama etkin kooperatifçilik yeni yeni canlanmaya çalışıyor akademisyenler ve bazı öncü kuruluşların sayesinde. Türkiye’de giderek güçlenmeye çalışan bir tarım makinaları sektörü var ancak sayılan tüm teknolojilerin tarım makinalarına uygulanabilmesi konusunda ciddi eksiklikleri var. Başarılı bir sektör ve umut vadetmekte ancak yoğun destek görmesi lazım imalat sektöründeki yapının daha kurumsal ve organize bir yapıya dönüştürülmesi için ve de tarım 4.0 tabanlı makine imalat dönüşümü için ciddi reformlara ihtiyaç var.
Sağlıklı veri elde ederek büyük veri ve yapay zekâ sistemlerimizi kurmak için sensör teknolojilerinin dışa bağımlılıktan olabildiğince kurtarılması gerekir. Diğer önemli bir konu Türkiye küçük arazi yapısındaki tarım işletmelerine sahip olması nedeniyle uygulamada planlama ve girdi tedarik sisteminde akıllı ve düşük maliyetli organizasyonlara ülke ve işletme düzeyinde sahip olmalı.
Diğer yandan Türkiye mutlaka bir tarım uydusuna sahip olmalı ve güvenilir veri teminini sağlamalıdır. Bunu 3. Tarım Şurası toplantılarında dile getirmiştim ancak şura kararlarında yer almadı. Yakın gelecekte veri temininde ve güvenliğinde ciddi riskler ortaya çıkacaktır. Önlemler şimdiden alınmalıdır. Bu konularda Üniversitelerdeki doktora düzeyinde yürütülmekte olan çalışmalara yoğun destek verilmeli. Özellikle yazılım teknolojisi çok büyük önem arz ediyor. Kendi sistemlerimizi hızlı ve acil bir biçimde kurgulamalıyız. Elektronik mühendisliği, ziraat mühendisliği, bilgisayar mühendisliği, enformatik vb. mühendislik alanları iş birliği içinde çalışmak zorundalar. Klasik tarım dönemlerinden ciddi farklı koşullar söz konusu artık iklim değişikliği ve doğal kaynak kıtlığı ve yok edilmesi, küresel ekonomik sistemin hunharca yok ettiği tarım toprakları, su havzaları, biyoçeşitlilik vb. problemleri gibi evrensel sorunlarımız var.
ICT MEDIA: Karar alma süreçlerinin sağlıklı işlemesi için verilerin doğru yönetilmesi ve onlardan anlamlı çıktılar elde edilmesi önem taşıyor. Tarım sektöründe mikro ve makro düzeyde toplanan veriler anlamlı hale getirmek, veriye dayalı tarımsal üretim için yapılması gerekenler nelerdir?
Prof. Dr. Ahmet ÇOLAK: Bu teknolojilerin çoğu endüstri 4.0 kapsamında olup, pek çok veriye dayalı ancak kökende de algılama teknolojisi yardımıyla fiziksel özelliklere ait elde edilen verilerin dijitalleştirilerek değerlendirilmesi ve hatta bunların doğrudan makine öğrenmesi yoluyla uygulamaya aktarılması söz konusudur. Bu noktada görüntü işleme teknolojilerinden ve tarımdaki uygulamalardan söz etmekte yarar var. Görüntü işleme tekniği, objelerin görüntülerinin bilgisayar ortamına aktarılması ve belirlenen amaç doğrultusunda bilgisayar ile işlenmesini içermektedir. Görüntü işleme tekniklerinin kullanıldığı alanlar farklı olmasına rağmen pek çok uygulamada gerçekleştirilen bazı temel adımlar bulunmaktadır.
İlk olarak görüntü edinme ile veriler programa aktarılmaktadır. Ön işleme ile resmi daha kolay ve hızlı işleyebilecek şekilde hazırlanmaktadır. Segmentasyon ile nesneler ve arka plan ayrılmaktadır. Özellik çıkartma ile nesne özelliklere göre (önemli özellikler) temsil edilmekte ve bu nedenle temsilin karmaşıklığı azaltılmaktadır. Bağlı bileşenleri bulmak ve özellikleri ayıklamak ile analiz hesaplamaları daha kolay ve hızlı yapılmaktadır. Sınıflandırma ile de nesnenin türü belirlenmekte veya nesnenin iyi olup olmadığına karar verilmektedir
Görüntü işleme tekniklerinin tarımsal faaliyetlerde uygulanmaya başlanması ile hastalık, zararlı ve yabani ot tespiti, bitki streslerinin belirlenmesi, verim tahmini, ürün gelişiminin takibi, sulama yöntemlerinin modellenmesi, toprak özelliklerinin belirlenmesi, hayvan gelişiminin takibi, topallık tespiti, hayvanlarının ağrı yerlerinin belirlenmesi ve vücut sıcaklıklarının belirlenmesi gibi birçok konuda çalışmalar yapılmıştır. Ayrıca bu çalışmaların uygulanması sırasında elde edilen deneyim, makine öğrenmesi, derin öğrenme, yapay zekâ, modelleme ve simülasyon uygulamaları ile birlikte değerlendirilmesi sonucu gerçek zamanlı ve otomatik çalışan uzman sistemler, otonom traktör veya tarım makinaları ve tarımsal robotik uygulamaların geliştirilmesini sağlamıştır.
Diğer bir karar mekanizması olan yapay zekâ, insan zekasının sahip olduğu algılama, öğrenme, geçmiş tecrübe ve düşünme yeteneğinin bilgisayar, makine veya sistemlere kazandırılarak tahmin edilebilen veya edilemeyen yeni durumlar karşısında karar vermesini sağlama ve gerekli işlemi yapabilmesidir. Bu karar verme işlemi sırasında insan zekâsı tarafından ilgili konunun hangi parametrelerine bakılıp değerlendiriliyorsa yapay zekaya bu değişkenler öğretilmekte ve karar vermenin sağlanması için de insanın zihinsel fonksiyonlarına benzeyen yorumlar yapabilen bilgisayar modelleri yardımıyla formüller oluşturulmaktadır. Böylece insanın düşünce yapısına benzer, bilgisayar yazılımlarıyla bir düşünme ve karar verme modeli oluşturulmaktadır
Gerek yapay zekâ ile ilişkili teknikler ve gerekse sensörlerden, CBS, IoT, çevresel veri aktarımı teknolojileri sisteme sürekli olarak veri aktarmaktadırlar.
Bence yapılması gereken öncelikle tarım işletmelerinin havzalar bazında tüm envanter, tarımsal işlem, iklim vb. verileri her biri için oluşturulacak veri sistemine aktarılmalı ve buradan kullanılacak güvenilir simülasyonlarla ve tamamen hassas tarım teknolojileri kullanılarak elde edilen verim haritaları, girdi kullanımı ve bunların sonuçlarına ilişkin veriler işlenerek her tarım dönemi için yeni veriler elde edilmelidir. Başlangıçta her tarım havzası için örnek bir işletme beş yıl süreyle izlemeye alınarak başlanabilir. Ancak havzaların belirlenmesinde gerçekçi verilerin kullanımı önemli olduğundan veriler özenle seçilmeli ve insan faktörünü (uzman mühendisler dışındaki) elimine eden bir yaklaşım izlenmelidir. Bulut sistemlerini de kapsayan ülke genelinde bir büyük veriyi oluşturmamız önemlidir. İzlemeye alınan her tarımsal işletmenin bir uzman sistem tarafından denetimi diğer benzer işletmelerle karşılaştırmalı olarak yapılmalıdır. Bulut sistemlerinin işletmeler arası haberleşmeyi sağlaması önemlidir. Bireysel rekabetten ziyade kollektiflik ve iş birliği çalışma ilkesi olarak belirlenmeli ve tarım ve gıda etiğinin çerçevesi çizilmelidir. Bu ilkeler tavizsiz uygulanmalıdır. Yatay ve dikey organizasyonla girdi temini sağlanmalı ve girdi maliyetleri minimize edilmelidir. Gıda güvencesini sağlamanın yolu girdi güvencesini sağlamaktır. Eski tarım makine ve ekipmanları yenilenmeli hassas tarıma uygun hale getirilmeli. Kullanım ekonomisi işletme masraflarını minimize edecek ve karı maksimize edecek biçimde gerek simülasyonlarla ve gerekse doğrusal ve/veya dinamik programlama yöntemleriyle sağlanmaya çalışılmalı, tüm bu adımlar kayıt altına alınmalı ve yapay zekâ oluşumuna veri oluşturmalıdır. Oluşturulacak “Türkiye Akıllı Tarım Üssü” (TATÜ) ile önce pilot ve sonra TATÜ Bilim Yürütme Kurulunun önereceği yeni katılan havza istasyon işletmelerin verileri geçerlenecek ve benzer işletmeler aynı uzman sisteme bağlanacaktır. İstasyonlarda Üniversitelerin ve Bakanlık Araştırma Enstitülerinin katılımıyla çalışmalar yürütülecektir. Önceki araştırmaların sonuçları TATÜ alt kurullarının denetiminden sonra küçük veri sistemine ve buluta aktarılacaktır.
Bu anlattığım kurguda tamamlanacak ve/veya düzeltilecek pek çok teknik unsur olabilir ancak en önemli olay, alanda çalışan Ziraat Fakültesi Tarım Makinaları ve Teknolojileri Mühendisliği ve Biyosistem Mühendisliği akademisyenlerinin patronajında ve katılımıyla kurulacak olan başta Tarım ve Orman Bakanlığı Araştırma Enstitüleri, tüm ilgili bilim disiplinlerinden akademisyen, pratisyen ve uzmanların, başarı öyküsü olan çiftçi kooperatif ve birliklerinin, mesleki sivil toplum kuruluşlarının, ilgili kamu ve özel sektör kuruluşlarının ilgisi oranında yer aldığı ve Cumhurbaşkanlığı tarafından özel yetkilerle donatılmış “Türkiye Akıllı Tarım Üssü” TATÜ’nün kurulmasıdır. Bu geniş şura bir yürütme kurulu’na sahip olmalı ve yürütme kurulunun üzerinde bir bilim kurulu bulunmalıdır. TATÜ, kişisel, siyasi, ticari vb. kaygılardan ari olmalı, ulusal öneme haiz bir nitelik taşımalıdır. İstihdam ettiği akademisyen, eğitici, uzman, mühendis gibi icraatçı etkin kadrolarla kısa sürede sonuç elde etmelidir. Bu işleyiş için çok sağlam etik ve işleyiş kanununa sahip olmalıdır. TUBİTAK, Tarım Bakanlığı (TAGEM), Sanayi Bakanlığı, Ulusal Ajans vb. kuruluşların verdiği proje desteklerinin bütçelerinden bu kuruma aktarım yapılmalıdır.
Aksi halde son derece dağınık çalışmalarla bir hedefe ulaşmak oldukça zordur. Verinin dijital (sayısal) özellik kazanması ve yaygın-etkin kullanım özelliği kazanmasının üstünlüklerinden mutlaka yararlanmalıyız. Çarpıcı bir örnek vereyim; üniversitenin araştırma ve uygulama çiftliğinde kuru tarımda tohumluk buğdayda dönüme 500 kg verim alınırken yakınındaki bir köylünün tarlasında dönüme 175 kg verim alınması hayli üzücü ve düşündürücüdür. Yalnız burada olaya çok boyutlu yaklaşmak gerekmektedir. Basit ve düz mantık basit yargılardan uzak düşünmek gerekir. Hassas tarım uygulamalarını bir paket halinde netleştirip tekerrürlü denemelerinin değerlendirilmesinden sonra çiftçiyle tanıştırıp, çiftçinin inisiyatifine de çok az şey bırakmak gereklidir. Ancak öncesinde tıpkı bir tıp doktorunun hastadan anamnez aldığı gibi uygulamanın içindeki uzman akademisyenler tarafından çiftçiden tarımsal anamnez alınmalıdır. Veri tabanına ve küçük veriye bu anamnez verileri aktarılmalıdır.
Diğer bir önemli konu verilere dayalı olarak özellikle iklim verilerine dayalı olarak uzun ve orta vadeli tahminleme senaryo ve modelleri oluşturulmalı ve bu çıktılara göre A, B,C… planları oluşturulmalıdır. Bunlarla ilgili üniversitelerde çok güzel, anlamlı ve üstün özveriye dayalı çalışmalar yapılmaktadır. Ancak bu çalışma çıktılarının bir veri tabanında olmaması ve de birinci soruya verdiğim cevapta anlattığım çekincelerden dolayı verilerin yeterince işlenerek değerlendirilememiş olması üzerinde önemle durulması gerekli konulardır. Nasıl ki zeytinin yağını soğuk presle aldıktan sonra, posasından ve de çekirdeğinden dahi yağ elde edilebiliyorsa verinin çekirdeğinden de bilgi elde edilmelidir. Dijital çağ bunun önünü açmıştır. Veri mühendisliği- veri madenciliği her uygulamalı bilim disiplininin içerisinde yer almalıdır.
Prof. Dr. Ahmet ÇOLAK ile yaptığımız röportaj, önümüzdeki sayıda "Yapay
zekâ uygulamaları, tarımsal işlemlere alternatif çözümler sağlayacak" başlığıyla devam edecek...
