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. Röportajın ikinci bölümünü yayınlıyoruz.
ICT MEDIA: Son yıllarda tarımsal üretimden elde edilen veri boyutlarında da ciddi artışlar gözleniyor. Ham durumdaki verilerinin, veri madenciliği ile daha anlamlı hale getirilmesi bilgi keşfi açısından önem taşıyor. Veri madenciliği tarımsal hasılayı arttırmak, tarımda verimlik, kazanç ve kaliteyi yükseltmek, üreticinin işlerini kolaylaştırmak için ne tür çözümler sunuyor? Büyük veri temelli tarımda dijital dönüşümün ülkemize sağlayacağı avantajlar nelerdir?
Prof. Dr. Ahmet ÇOLAK: Örneğin bitkisel üretimde; hastalık tespiti, zararlı ve yabani ot tespiti, verim tahmini, bitki tanılama ve tespiti, vejetasyon indekslerinin değerlendirilmesi, yeşil alan indeksi, bitki büyüme değişkenliğinin belirlenmesi, ürün gelişiminin takibi, kök gelişiminin takibi, toprak neminin belirlenmesi, sulama yönetimi uygulamalarının modellenmesi, hayvansal üretimde de; yürüyüş analizi ve vücut özelliklerinin ölçümü, vücut kondisyon skorunun belirlenmesi, vücut ağırlığının takibi, topallık tespiti, ağrı yerlerinin belirlenmesi, vücut sıcaklıklarının belirlenmesi, konumların belirlenmesi gibi konularda gerek yurtiçinde gerekse yurtdışında 2009 yılından bu yana yapılan akademik çalışmalar bulunmaktadır.
Örneğin şeker pancarında görülen yaprak lekesi hastalığı, bitki koruma uzmanları tarafından yapılan gözlemler ile tespit edilmektedir. Şeker pancarı yapraklarında hastalık olup olmadığı, hastalık olması durumunda hastalığın hangi evrede olduğu ve hastalığın şiddetine bağlı olarak görülen ölü alanlar yaprak alanına oranlanarak hastalığın yayılımı belirlenmeye çalışılmaktadır. Yapılan gözlemler uzmandan uzmana değişebilmektedir. Yapılan bir çalışmada, drone üzerine takılı kamera kullanılarak alınan görüntüler, geliştirilen görüntü işleme algoritmaları ile işlenerek hastalıklı alanlar tespit edilmiştir. Yersel tarla gözlemi değerlendirilmesi sonucu hastalık şiddeti %50-55 bulunmuştur. Görüntü işleme sonucunda ise m görüntüsündeki alanda hastalık şiddeti %51 hesaplanmıştır. Uzman gözlemi (%50-55) ile %51 değerini okumak neredeyse mümkün olmadığından bu değerleri içeren en yakın sayı aralığı uzman tarafından seçildiği anlaşılmaktadır.
Yapılması gerekenler hassas tarım teknolojileri ve dijital teknolojiler (tarım 4.0) yardımıyla verilerin toplanması işlenmesi ve depolanması ve bunların yanı sıra bitki ve hayvan fizyolojisi, gelişimi istek ve tavırları ile veriler arasında doğru ilişkiler kuran algoritmaları oluşturmaktır. Bu alanda yapılan pek çok hassas tarım uygulaması vardır bazılarını az önce saydım daha da zenginleştirelim.
Örneğin; Hassas tarla ve bahçe tarımı uygulamalarında coğrafik konum ve topraklarda veya bitkilerdeki mekansal değişkenlik hakkında detaylı bilgiler elde edilir. Bu bilgiler yetiştiriciler ve danışmanlar tarafından yetiştiricilik kararlarının iyileştirilmesi, ürün agronomisi ve tarımsal operasyonların etkinliğini geliştirmek için kullanılabilir. Bu uygulamalarda aşamalar şu şekilde olmaktadır. Önce ürünün verim haritası biçerdöver gibi hasat makinalarında veri kartlarına kayıt edilir ve haritaları çıkarılır, bununla beraber GPS ile beraber toprak örnekleri alınır ve haritaları hazırlanır. Bu haritalar birlikte incelenerek uygulama haritaları çıkarılır. Akıllı makinalarla değişken oranlı uygulamalar gerek toprak işlemede gerekse ekim, gübreleme, ilaçlama ve sulama da yapılır. Hassas Tarla Bahçe tarımında teknolojinin kullanım alanları ve pratikteki durumu için şunları söyleyebiliriz: Makinalarda paralel hareket sistemleri anlamında birçok pratik sistem mevcut; toprak işlemede hidrolik silindirler aracılığıyla derinlik ayarlı sistem mevcut; hububat ekiminde ekim normunu elektronik ayarlayabilen ekim makinaları mevcut; gübrelemede mineral gübre için gübre normunu ayarlayan makinalar mevcut; bitki koruma amaçlı makinalarda fungisitler için algılayıcılı direkt pülverizasyonlu ilaçlama makinaları mevcut, yabancı otu resimden tanıyan algılayıcılar deneme aşamasında; verim haritalama; standart donanımlı büyük kapasiteli biçerdöverler, pamuk hasat ile silaj makinalarında mevcut, bazı çapa bitkileri için (şekerpancarı, patates) ve meyve hasadında ilk pratik çözümler var. Günümüzde paralel hareket sistemleri ve gübreleme için yapılan uygulamalar yaygındır. Verim belirleme sistemleri, biçerdöverlerde yüksek kapasiteli sınıflar için artık standart donanım olarak kabul edilmektedir.
Tarla tarımında ise biçerdöver ya da hasat makinaları ile hasat sırasında ürünün verim haritası çıkarılır. Ayrıca ürünün nem haritası, protein haritası ve ürünün yağ içeriği haritası da çıkarılabilir Ülkemizde ilk defa Ankara Üniversitesi Ziraat Fakültesi, Tarım Makinaları ve Teknolojileri Mühendisliği Bölümü TAGEM iş birliğinde 1999 yılında bir biçerdövere takılan sistemlerle verim haritalaması başlamıştır. Bu çalışmalar 2012 yılında devam ettirilmiş ve günümüzde bu iş birliğine özel sektör, Adana Ticaret Borsası ve Çukurova Kalkınma Ajansının da dahil olması ile Adana bölgesinde 3 farklı lokasyonda ‘Tarımda İleri Teknolojilerin Kullanımına Yönelik Olarak Hassas Tarım Uygulama Alt Yapı Geliştirme ve Sistem Oluşturma Projesi’ kapsamında 3 adet biçerdöver daha verim haritalama sistemi ve nem sensörü ile donatılmıştır. Bu sistemlere ilave olarak 2013 yılında biçerdöverlerden 1 tanesine de protein ve yağ sensörü takılmıştır. Bu sayede biçerdöver özellikle buğdayda yüksek protein içeriğine sahip ürünü düşük proteinli ürünlerden ayırarak (ya da onlarla karıştırmayarak) çiftçinin daha fazla kazanç elde etmesine olanak sağlayabilmektedir. Yine aynı Ankara üniversitesinin aynı biriminde yapılan bir doktora çalışmasında 2015 yılında kışlık buğdayda değişken oranlı makinalı azot uygulamaları için mevsim içi azot durumuna dayalı verim ve protein tahminine yönelik sensör yansıma indeksleri elde edilerek değerlendirilmiş ve farklı gübreleme norm ve zamanları tarla uygulamalarıyla denenerek sonuçların geçerlemesi yapılmıştır. Bu çalışmada da yaprağın renk tayfında yola çıkılarak yansıma indekslerinin spektrometreler yardımıyla veri olarak eldesi sağlanmış ve yazılımsal değerlendirmelerle modeller kurularak önemli bulgulara ulaşılmıştır. Anlık hesaplama ve dozajlama (gerçek zamanlı) olarak artık yapılabilmektedir. Benzer haritaları insansız hava araçları ya da uçak üzerindeki multispektral ya da hiperspektral kameralarla da üretmek mümkün olmaktadır. Özellikle havanın bulutlu olması nedeniyle uzaktan algılama uyduları ile görüntü alınamadığı durumlarda bulut altı uçuş yapabilen insansız hava araçları çok yaygın olarak tarımda kullanılmaktadır. Özelliklerine göre 1500 metre yükseklikten görüntü alabilmekte istenilen rotalarda uçması GPS sistemi sayesinde mümkün olabilmektedir. 2.5 kg kadar değişik kameraları taşıyabilmekte ve yaklaşık 30 dakika havada kalarak görüntü alabilmektedirler. Harita tabanlı uygulama teknolojileri, topraktaki besin elementlerinin GPS’le georeferanslı olarak haritalanması ve verim haritaları ile birlikte değerlendirilmesi sonucu elde edilen uygulama haritalarının yine GPS ve akıllı makinalarla toprağa verilmesi şeklinde olmaktadır. Ülkemizde de bu teknoloji üniversite, sanayi ve özel sektör girişimi ile geliştirilmiştir.
Bahçe tarımında da yine ürünün verim ve kalite parametrelerine yönelik haritalar çıkartılabilir. Türkiye’de yapılan bir araştırmada; 84 ağaçlı bir zeytin bahçesinde gerek zeytinin verim hasadında verim haritası çıkarılmıştır. Zeytin bahçesinin toprağı fiziksel ve kimyasal analizlere göre zeytin yetiştirmek için uygun olarak değerlendirilmiştir. Ancak organik madde ve kısmen de P, Mn ve Zn düşük çıkmıştır. Analiz sonuçlarına göre; bir sonraki yıl zeytin üretimi için N, P, Mn ve Zn gerekli olacaktır. Gübreleme programına bu uygulamalar dahil edilmesi önerilmiştir.
Hassas Tarım teknolojilerinde ilaçlamada bitkinin ya da tabancı otun durumuna göre otomatik olarak ilaç miktarını anlık ayarlayabilen sistemler günümüzde yaygın olarak kullanılmaktadır. Bu sistemler bitkinin durumunu dikkate aldığından atılan ilaç miktarı bitkinin gelişim durumu ile de ilgili olmakta ve atılan ilaçtan büyük oranda tasarruf etmeye olanak sağlamaktadırlar.
Değişken oranlı uygulamada su gereksinimi arazinin tekstür ve toprak tipine dayandırılmaktadır. Buna dayalı olarak su uygulama haritaları hazırlandıktan sonra, akıllı sulama makinaları ile değişken oranlarda su uygulaması yapılır. Benzer şekilde ürünün gelişme durumuna göre sensör tabanlı ya da topraktan nemin izlendiği sistemlerle de değişken sulama uygulamaları yapılmaktadır. Bu teknolojiler sayesinde önemli oranda sulamadan tasarruf yapabilmek mümkündür.
Arazi içinde mevcut verim potansiyellerini en iyi karşılayacak tohum miktarlarını uygulayan sistem ve teknolojiler de uygulamada yerini almıştır. Bu teknoloji sayesinde araziye uygulanan tohum miktarı değiştirilebilmekte ve daha yüksek verimler elde edilebilmektedir. Makine üzerindeki mevcut mekatronik üniteler sayesinde tohumun miktarını ayarlayabilmektedir.
Hayvansal üretimde süt sığırcılığında hassas sürü yönetim uygulamalarının yapılmakta, amacı, otomatik hayvan tanıma, algılama, ölçüm ve bilgi işlem teknolojilerini etkin biçimde kullanarak üretim sürecini sürekli denetim altında tutmak ve böylece karlılık, sağlık, kalite ve ürün güvenliği, hayvan koruma ve çevre koruma alanlarında optimum sonuçlara ulaşmaktır. Üretim kontrol sürecinin etkin kılınması ile verim, kalite, yemleme, sağlık ve üremenin yönetiminde etkinliğin artırılması hedeflenmektedir. Hassas hayvancılık yönetimi kategorisine dahil edilebilecek belirli teknolojiler şunlardır:
Elektronik (radyo frekansı) tanıma sistemleri, ilgili sürü yönetim yazılımları ve internet bağlantıları (yetiştirici birliği, süt verim ve kalite kontrol organizasyonu, genetik değerlendirme merkezi): Birçok varyasyonda işletmecilere kamera ve mikrofonlar aracılığıyla anlık veriler taşıyan HHT sistemleri artık işletmecilerin gözü ve kulağı haline gelmiş bulunmaktadır.
Otomatik sınıflandırma sistemleri: hayvana daha az müdahale, daha az işçilik, özellikle büyük sürülerde her türlü gruplama yapılabilmektedir. Görüntü analiz sistemleri, Robot sağım sistemleri ki bu robotik sistemler günde ortalama 2.7 kez 65 hayvana kadar sağımı mümkün kılmakta, hayvanlar bu sisteme çok kısa sürede alışmakta ve belli bir süreden sonra sistemi sadece bir çalışan yönetebilmektedir, Robot buzağı besleme sistemleri, Adım sayıcılar/kızgınlık, topallama ve sağlık takibi için aktivite izleme, Geviş monitörleri, Kulak içi sıcaklık sensörleri, metabolizma takibi ve besleme yönetimi için; Adım / yürüyüş analizatörleri (topallık tespiti için) Ultrasonografik görüntüleme cihazları (ineklerde erken dönem gebelik teşhisi); Doğum kasılmalarını tespit için sensörler, Vücut ağırlığı değişikliklerini değerlendirmek için elektronik terazi, Otomatik yoğun yem üniteleri (yoğun yem tüketiminin denetimi ve ölçümü): işletmecilerin hayvanlarını çok daha verimli ve en az kayıpla yemlerine olanak veren sistemler zamandan da belirgin şekilde tasarruf sağlamaktadırlar. Bu tip bir sistem sağım ünitesi, sağım robotu ve yeni inovatif sistemlerle iletişim kurabilecek özellikte de olabilmektedir; Kaba yem tüketimini ölçen yemlik sistemleri; Su tüketimini ölçen suluk sistemleri ; Elektronik kantarlı kaba-yoğun yem karıştırıcı ve dağıtıcıları; Süt kalite ve bileşimi ile hayvan sağlığı ve üreme durumunu değerlendirmek için hat sensörleri; Sağım sistemlerine entegre otomatik süt ölçüm sistemleri ile ineklerin süt verimi, sağım zamanı, sağım süresi, süt akış hızı, sütün dielektrik özelliklerine dayalı veri aktarımı ve sıcaklığına ilişkin veriler ölçülerek doğrudan bilgisayar ortamına kaydedilmektedir.
Bu özetlemeden sonra tarımda dijitalleşmenin bize sunacağı veriye dayalı karar destek sistemleri, uzman sistemler ve yapay zekaya götürecektir. Ancak yapay zekâ oluşumundan önce sonuca götürecek veri aktarımı proseslerinin oturtulması büyük önem taşımaktadır. Hassas tarımın getirdiği gerek makine kullanımında hataların önlenmesi gerek girdi kullanımındaki gereksiz tüketimin önüne geçilmesi, gerek çiftçinin değil bitkinin istediği zamanda, formatta ve miktarda bitki besin elementlerinin verilmesi, gerek farklı bölgelere farklı gübre, ilaç, tohum, su gibi girdilerin dağıtımının anlık sağlanabilmesi doğal kaynak ve girdiden ve de iş gücünde son derece ciddi bir tutum (tasarruf) sağlanmasını beraberinde getirmektedir. Hassas tarım uygulamaları göstermiştir ki bazı bölgelerimizdeki geleneksel tarımsal uygulamalarda atılması gerekenden on kat fazla gübre atılabilmektedir. Keza ilaç, su, yakıt, enerji ve diğer girdilerde de durum benzerdir.
Denilebilir ki verilerden bilgi elde edilebilmesi veri ve yazılım teknolojileriyle, elde edilen bilgiler doğrultusunda uygulama yapılabilmesi ise hassas tarım teknolojileri ile mümkündür. Tarıma ışık tutacak verilerin de CBS, GPS, IoT ve çevre teknolojilerine ilişkin sensör ve sistemlerin yanısıra çiftçi, araştırmacı ve akademik deneyimleri aktarımı yoluyla elde edilebileceğini daha önce ifade etmiştim.
ICT MEDIA: Yanlış sulama ve bilinçsiz gübreleme nedeniyle Türkiye’nin önemli tarım havzalarında çoraklaşma görülmeye başlandı. Akarsular kirlenirken, yer altı suları azaldı. Tarıma elverişli topraklarını koruması, geliştirmesi, verimliliğinin arttırılması, iyi tarım uygulamalarının yaygınlaştırılmasında veri madenciliğinden faydalanılabilir miyiz? Veri madenciliğini tarımda daha etkin kullanmak için neler yapmalıyız?
Prof. Dr. Ahmet ÇOLAK: Artık günümüzde hassas tarım kavramının yerini hassas tarımı da içeren yeni bir kavram olan akıllı tarım (SMART Farming) almaktadır. Akıllı tarım tarımsal üretimde bilimi (Scientific), kolay pazarlanabilir (Marketable), kolay satın alınabilir (Affordable), güvenilir (Reliable) ve zaman ve enerjiden tasarruf sağlayan (Time-saving) tarım teknolojilerinin entegre bir şekilde içerilmesini ifade eder. Akıllı tarım teknolojileri, çevreye zararı en aza indiren sürdürülebilir bir tarımsal üretimi temin eden, hassas tarım, tarımsal otomasyon, robotik ve sulama teknolojilerinin tümünü içeren yeşil teknolojilerdir (Green Technologies). Hassas tarımı da içeren Akıllı teknolojiler, son zamanlarda otomatik dümenleme ve navigasyonla sıra arası bitkiler için doğru bir hat oluşturmadan daha fazla anlamlara gelmektedir. Yani akıllı tarımda tarımsal uygulama sırasında otomatik genişlik kontrolü sağlanırken, arazi sınırları, tarla başı dönüşleri ve uygulanan girdi miktarları kayıt altına alınmaktadır. Aslında bundan sonra ifadeyi Akıllı Hassas Tarım (AHT) (Smart Precision Farming) şeklinde kullanmak daha doğru olacaktır. AHT önümüzdeki yıllarda özellikle aşağıdaki alanlarda ilermeye ve yenilikçi teknolojik çözümler sunmaya devam edecektir. Bunlar; Bütün tarımsal işlerde insan iş yükünü azaltma, Otomatik sensör ve otonom uygulamalar, Taşımada optimum rota planlama, Tarımda verilen işlerin yüksek etkinliklerde gerçekleştirilmesi, Doğal kaynakların sürdürülebilirliğine katkı yapabilecek makine ve sistemler, Kalite odaklı sağlıklı güvenilir ürünlere yönelik yenilikçi (inovatif) ekipmanlar (organik tarıma), Kablosuz uzaktan izleme ve arıza giderme, Sadece traktör değil ekipmanların da akıllı hale gelmesi, Farklı ürün ve hasat koşullarına göre biçerdöverlerin ayarlarını kendi kendine optimum düzeyde yapabilmesi gibi uygulamalardır.
Su yönetiminin hidroloji, iklim koşulları ve tarımcılıkta büyük rolü bulunmaktadır. Makine öğrenmesi uygulamaları daha çok iklim parametrelerini gözeterek gereksiz su kullanımını azaltmak için kullanılır. Burada veri madenciliğine dayalı makina öğrenmesi kavramına vurgu yapmak gerekiyor.
Yapay zekanın bir alt dalı olan makine öğrenmesi öncelikle çeşitli algoritmalar ve yöntemler ile geçmiş verilere bakarak, veriler arasındaki karmaşık örüntüyü belirleyecek matematiksel model tespit edilmekte, daha sonra veriler üzerinden tahmin edilmesi istenilen şey hakkında tahmin yapılmaktadır Makine öğrenmesi yöntemleri; k-en yakın komşu algoritması, basit (naive) Bayes sınıflandırıcı, karar ağaçları, lojistik regresyon analizi, k-ortalamalar algoritması, destek vektör makinaları ve yapay sinir ağlarıdır. Bu yaklaşımların bir kısmı tahmin ve kestirim, bir kısmı kümeleme ve bir kısmı da sınıflandırma yapabilme yeteneğine sahiptir. Bu yöntemlerde öğrenme stratejileri
· Denetimli öğrenme: Oluşturulan model ile bir grup girdi değerine karşılık onlara ait hedef değerleri verilerek aralarındaki ilişkiyi öğrenmesi ve hedef değerlere en yakın çıktıların üretilmesi amaçlanır.
· Denetimsiz öğrenme: Hedef değerleri olmadan sadece girdi değerleri arasındaki ilişki ortaya çıkarılmaya çalışılır. Bu ilişki(ler) yardımı ile birbirine yakın değerler kümeleme yapılır. Yeni girdi bu kümelerden hangisiyle ilişkili ise o kümeye ait olacaktır.
· Pekiştirmeli (takviyeli) öğrenme: Hedef çıktıyı vermek için bir danışman yerine, elde edilen çıkışın verilen girişe karşılık iyi ya da kötü olarak değerlendiren bir kriter kullanılmaktadır.
Türkiye’de bir yandan yeni alanlar sulamaya açılırken diğer yandan çok büyük yatırımlarla sulama şebekeleri kurulmuş araziler, yanlış tarım ve sulama uygulamaları nedeniyle hızla bozulmakta ve kirlenmektedir. Sulamaya açılan alanların büyük bir bölümü tuzluluk ve sodyumluluk problemi ile karşı karşıyadır. Aşırı ve yanlış gübreleme toprak-bitki-su dengesi, nitrit ve nitrat kalıntılarıyla toprak yapısını bozmakta, yer altı sularını kirletmektedir. Bilinçsiz sulama uygulamaları da toprağı tuzlulaştırmakta ve taban suyu kalitesini düşürmektedir. Taban suyu ve tuzluluk ile ilgili problemler, tarımdaki çevre sorunlarının büyük bir bölümünü oluşturmaktadır. Verimli ve sürdürülebilir bir tarımsal üretim için sulama en önemli girdilerin başında gelmektedir. Son yıllarda tarımda yanlış uygulamalar sonucunda meydana gelen çevre sorunlarını önlemek ve daha etkin bir bitkisel üretim gerçekleştirebilmek için gelişen teknolojiden de yararlanılmaktadır. Literatür bilgileri incelendiğinde sulamanın farklı uygulama alanlarında da bu teknolojiden yararlanılmaktadır. Araştırıcılar sulama şebekesinin fiziksel yeterliliğinin belirlenmesinde Uzaktan Algılama (UA) ve coğrafi bilgi sistemlerinin (CBS) kullanım olanaklarını birleştirerek ve alana ait uydu verileri kullanılarak bu veri ile arazi kullanım türü ve vejetasyon indeksi belirleyerek alana ait sulama rejimi ile ilgili durumu analiz edebilmektedirler. Yine CBS, ve uydu verilerinden yararlanarak sulama şebekesindeki hataların, fiziksel yeterliliğinin belirlenmesinde daha hızlı, güvenilir ve objektif bilgilerin elde edilebileceğini ayrıca karar vericilerin daha sağlıklı kararlar alabileceğini bildirmişlerdir. Uydu verileriyle evapotranspirasyonun (ET) belirlenmesinde; uydudan alınan verilerden, bitkilerin albedo haritası, yaprak alan indeksi haritası ve bitki yüksekliği haritası çıkarılmaktadır. Burada uydulardan alınan farklı bantlardaki yansımalar spektroradyometre ile yapılan yer ölçümleri ile ilişkilendirilmekte ve geliştirilen amprik (deneysel) denklemlerle ET belirlenmektedir. Sulama programlamasının toprak nem içeriğine göre yapılması durumunda topraktaki nem değişiminin çeşitli sensörlerle izlenmesi gerekir. Bu amaçla kablosuz olarak data loggera veri aktarabilen elektronik tansiyometre, TDR (Time Domain Reflectometer), EC (Elektriksel iletkenlik) ve GMS (Granular Matrix Sensor) gibi sensörler geliştirilmiştir. Bu sensörler hassas tarıma uygun olarak hızlı ve hassas biçimde toprak nemini ölçebilmektedirler. Elde edilen verilere göre ET ve infiltrasyon hızına ilişkin verim haritaları oluşturulabilmektedir. Böylesi bir durumda karşılaştırma amaçlı olarak bir verim monitörüyle hasat esnasında verim değerleri kaydedilip verim haritaları oluşturulabilecektir. Sulama programlamasının toprak nem içeriğine göre yapılması durumunda topraktaki nem değişiminin çeşitli sensörlerle izlenmesi gerekir. Bu amaçla kablosuz olarak data loggera veri aktarabilen elektronik tansiyometre, TDR (Time Domain Reflectometer), EC (Elektriksel iletkenlik) ve GMS (Granular Matrix Sensor) gibi sensörler geliştirilmiştir. Bu sensörler hassas tarıma uygun olarak hızlı ve hassas biçimde toprak nemini ölçebilmektedirler. Yine toprak tuzluluğunun toprağın hacimsel elektriksel iletkenliğinin (ECa) arazide ölçülmesiyle belirlenebilmektedir ve bu amaç için ECa değerinin arazide ya toprağa yerleştirilen elektrotlar (dört prob (Wenner dizilimi), TDR probu) yardımıyla veya elektromanyetik dalgalar yayan cihazlarla (Geonics EM-31 veya EM-38 ölçüm cihazı) uzaktan algılama yoluyla ölçülebileceği bilinmektedir. Böylece arazi ölçüm yöntemleri GIS tabanlı yapıldığında tuzluluğun ölçüm yapılan alandaki yayılımı haritalanabilecek ve yersel olarak değişimin değerlendirilebileceği bilinmektedir. Sulama ve drenaj birbirlerini tanımlayan iki önemli mühendislik dalıdır. Sulama ile kuru koşullara göre, 3-7 kat verim artışının sağlandığı açıklanmakla birlikte, drenajın sulama ile ilişkisinin yeterli ölçüde önemsenmemesi, sulu tarım alanlarında tuzluluk, alkalilik ve taban suyu gibi, geri dönüşü çok güç olan sorunların ortaya çıkmasına neden olmaktadır. Tarımsal drenajın önemi bilinmekle birlikte, çoğu kez sulama sistemlerinden sonra düşünüldüğünden anılan problemler hemen tüm sulanan alanlarda karşılaşılmaktadır. Sulama yatırımları yapılırken drenaj planlamasının da yapılması ve proje bütçesine dahil edilmesi gerekmektedir.
Gerek sensör teknolojisindeki hızlı gelişmeler ve gerekse makine öğrenmesi alanındaki yapay zekanın makinaları yönetmesi uygulamaları ve otonom makinalara geçiş sulama ve gübreleme alanındaki hataların hızla düzelmesine katkıda bulunacaktır. Ancak sulamanın yönetsel ve politik olmak üzere yatırıma ve alt yapıya dayalı bir ayağı da vardır. Tarım makinaları alanında mevcut makinaların hassas uygulamalara uyumlandırılması konusunda da çalışmalar sürmektedir.
Veri madenciliğinin tarımda daha fazla etkin olabilmesi için ziraat mühendisliği bilim alanlarında çalışan uzmanların , bilgisayar mühendisliği ve mekatronik bilim alanlarının işbirliği içinde çalışmaları ve ziraat fakültelerindeki lisans ve lisansüstü programlarda çok daha etkin veri bilimine bilgisayar ve mekatronik bilim alanlarına yönelik ders ve uygulamaların yer alması, simülasyon ve modelleme ve analiz yazılımlarının kullanımına yönelik çalışmaların ve uzmanlık alanlarının yaygınlaştırılması gereklidir.
ICT MEDIA: Toprak ekiminden başlayarak hasat sonuna kadar tarımsal üretimden birçok veri elde ediliyor. Bu veriler tarımsal üretimde kalite ve verimlilik artışının sağlanması için kullanılıyor mu? Veri madenciliği analizlerinin, tarımsal üretim alanında kullanılmasının sağlayacağı faydalar nelerdir?
Prof. Dr. Ahmet ÇOLAK: Aslında daha önce söz ettiğim bütün hassas tarım uygulamaları veriye ve veri madenciliğine dayalı olarak işlemektedir gerek verim haritalama gerek toprak haritası gerek zararlı haritası gerekse yabancı ot haritası vb. uygulamaların tamamı veriye dayalı makine kullanımıyla tarımda düzgün işlemler yapılan azaltılmış ve değişken oranlı girdi kullanımıyla girdi kullanımında ve maliyette minimizasyon sağlayan uygulamalardır. Ayrıca bir iki çalışmadan daha söz etmek istiyorum. Yunus Sandıkçı ve İbrahim Berkan Aydilek isimli araştırıcılar Şanlı Urfa ili tarımsal alanları için yaptıkları çalışmada verinin madenciliği için kullanılan yöntem ve algoritmalardan; Yapay Sinir Ağları, Destek Vektör Makineleri, En Yakın Komşu, ID3 Karar Ağacı, Apriori Birliktelik Kuralı, K-ortamalar, Saf Bayes algoritmalarını örnek vermiş ve Waikato üniversitesinde, java temelli olarak açık kaynak kodlu olarak geliştirilmiş olan uygulama yapmış oldukları, WEKA ile Veri Madenciliği konusunu tanıtmışlardır. WEKA bilgisayar ve yazılım bilimlerinin önemli konularından olan makine öğrenmesi ve veri madenciliği konularında kullanılan programlardan biridir. WEKA ön işlenmiş verileri basit .arff uzantılı bir dosyadan okumakta ve veriler üzerindeki değişkenlerin nominal veya sayısal değerler olduğunu kabul ederek işlemleri gerçekleştirmektedir. Bunun yanı sıra veri tabanı üzerinden de veri okuyabilir fakat böyle bir durumda verilerin bir dosya verisi halinde olması gereklidir. WEKA üzerinde veri madenciliği, makine öğrenmesi ve istatistik ile ilgili pek çok kütüphane ve algoritmalar hazır olarak gelmektedir. Örneğin; veri ön işlemesi, sınıflandırma, gruplandırma, özellik seçimi veya özellik çıkarımı gibi kütüphaneleri bünyesinde barındırmakta. WEKA’da bunlara ek olarak işlemlerin sonuçlarının görsel bir şekilde gösterilmesini sağlayan görüntüleme araçları bulunmaktadır Araştırıcılar çalışmalarında Tarımsal deney sonuçlarından elde edilen veriler ile WEKA veri madenciliği yazılım uygulamasını kullanarak veri madenciliği analizleri gerçekleştirmişlerdir. Hasat zamanı analizi hasat zamanı verileri ile en uygun zamanda hasat yapılabilmesi için yapılan analizdir. Son yıllarda yapılan yıllık üretim verilerinin analizi yapılarak tarladaki üretim üzerinde işlem yürütülmüştür. Çalışmada Veri madenciliği süreçlerinde analizi yapılan verilerin bilgiye dönüşmesi amaçlanmıştır. Tarımsal üretimde veri madenciliği ile tarlada üretilecek ürünün ekim zamanından hasat zamanına kadar geçen sürede, geçmiş veriler kullanılarak geleceğe yönelik tahminler ve analizler yapılması hedeflenmiştir. Bu sayede kalitede, üretimde ve karda artışlar söz konusu olabilecektir. Tarımsal üretimde veri madenciliği ile; Verimlilik Analizi, Ekim Zamanı, Hasat Zamanı, Gelir Tahmini, Gider Tahmini, Yıllık Planlama, Hesap Muhasebe İşlemleri gibi birçok işlemin en uygun düzeyde ve şekilde planlaması yapılabilmektedir. Anılan programın bu küçük uygulaması ile tarımsal üretimde veri madenciliği uygulaması yardımıyla potansiyel bölgelerde; bilinçli tarımın yaygınlaştırılması, tarımda verimin arttırılması, tarımda çiftçinin kontrolünde gerçekleşen verilerin kayıt altında tutulması çiftçinin yıllık planını yapabilmesi ve elde edilen verilerin sonraki dönemlerde kullanılacak bilgiye dönüştürülerek kalitenin artacağı vurgulanmıştır. Tarımsal üretimde bu yöntemlerin kullanılması, bilinç ve verimliliği arttıracaktır.
Veri madenciliğinin tarımsal uygulamalardaki en önemli işlevi simülasyon yazılımları yardımıyla ya da ileri istatistiksel yöntemlerle yapılacak sayısal ve sayısala dönüştürülmüş niteliksel analizlerin makine öğrenmesi ve derin öğrenme gibi yapay zekâ alt alanlarıyla sisteme kumanda ederek klasik istatistik uygulamalardaki hipotez ön yargısının kırılması ve çok fazla ve yeni anlamlı, bilimsel bilgiye ulaşılabilmesinin yolunun açılmasıdır. Veri madenciliği tarımsal üretim için çok önemlidir. Ancak işleyen yazılımların ve algoritmaların doğru ve amaca uygun seçimi ve de güvenilirliğinin geçerlemesi yapılmak kaydıyla.
ICT MEDIA: Tarımsal üretimde kalite ve verimliliği arttırmaya yönelik olarak her geçen gün yeni teknolojiler geliştiriliyor. Veri odaklı tarım teknolojileri maliyetleri düşürdüğü gibi hasılanın da artmasını sağlıyor. Bu nokta ise yapay zekâ temelli robotik teknolojiler, arazi/ürün takibi uygulamaları, akıllı tarım uygulamaları öne çıkıyor. Büyük veri ve veri madenciliğinin söz konusu teknoloji ve uygulamalar için öneminden kısaca bahseder misiniz?
Prof. Dr. Ahmet ÇOLAK: Tarımda yapay zekâ uygulamalarını ve önemini şu şekilde özetleyebiliriz; 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 desteğini sağlama ve gerekli işlemi yapabilmesidir. Bu karar verme işlemi sırasında insan zekası 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 üretilen formüller ile insanın düşünce yapısına benzer, bilgisayar yazılımlarıyla bir düşünme ve karar verme modeli oluşturulmaktadır. Yapay zekâ alanında çok sayıda farklı türde araştırmanın yapılabildiği alt dallar bulunmaktadır. Bunları şöyle sıralayabiliriz; Birincisi Uzman Sistem, bunlar temelde insan düşüncelerini gerçekleştirmek amacıyla bilgisayar tarafından işlenen bir yazılımlardır. Uzman sistem geliştirilirken, uzmanların belli bir konudaki bilgi ve deneyimlerinin bilgisayara aktarılması amaçlanmaktadır İkincisi Bulanık Mantık; İnsan düşünce sistemine çok yakın bir şekilde matematiksel bir modele ihtiyaç duymadan sözel değişkenler ile çalışan ve dil ile ifade edilen karmaşık problemlere rahatça uygulanabilen bir tekniktir. Üçüncüsü Genetik Algoritma; genetik algoritmalarda uygunluk işlevi, yeni çözümler üretmek için çaprazlama ve değiştirme gibi operatörler kullanılarak kendi kendine öğrenme ve karar verme sistemlerinin düzenlenmesini sağlamayı hedef alan bir tekniktir; Dördüncüsü Yapay Sinir Ağları, insan beyninin sinir ağlarını taklit eden bilgisayar programlarıdır. Yapay sinir ağlarına verilen bilgiler, ilgili olaya ait örnekler üzerinde eğitilerek verilmekte ve açığa çıkarılmış özellikler üzerinde çeşitli genelleştirmeler yapılarak daha sonra ortaya çıkacak veya daha önce rastlanılmamış olaylara çözümler üretilmektedir. Beşincisi ise Karınca Koloni Algoritmasıdır; Karıncaların yiyecek arayışı, sürü iş birliğinin model alındığı bir algoritmadır.
Yapay zekâ uygulamalarının tarımsal işlemlere alternatif çözümler geliştirme potansiyelinden dolayı günümüz ve yakın gelecekteki en önemli tarımsal araştırma konularında yer alması beklenmektedir. Tarımda birçok alanda yapay zeka teknikleri kullanılarak; bitkisel üretim planlamaları, bitkilerin sınıflandırılması, verim tahmini, bitki hastalık, zararlı ve yabani otlarının tespiti, tarım robotlarında rota belirlenmesi ve uygulama kararlarının alınması, serada uygun çevre şartlarının belirlenmesi, işletme kararlarının alınması, sulama yönetimi, ürün rotasyonunun belirlenmesi, en uygun gübre ve alet-makine seçimi, hayvan hastalıklarının tespiti, uygun yem rasyonlarının hazırlanması, hayvan davranışlarının belirlenmesi gibi konularda araştırıcılar tarafından çok sayıda çalışma yapılmıştır.
Yapılan çalışmalardan örneklere değinmek isterim; örneğin yapay zekâ tekniklerinden bulanık mantık, sulama yönetimi, su kaynaklarının belirlenmesi, tarımsal potansiyelin belirlenmesi, üretimde karar-destek sistemi ve sera sistemlerinde çeşitli yurtdışı araştırmalarda kullanılmıştır. Yine Yapay sinir ağları; üretimde enerji tüketimi, hastalık sınıflandırması, üretim yönetimi, tarımsal atık yönetiminde kullanılmıştır. Genetik algoritmalar; ürün kurutma işlemi, arazi kullanım optimizasyonu, toprak mekanik direnç tahmini, otomatik arazi sınıflandırılması, hastalık tespiti konularında kullanılmıştır. Uzman sistemler; yabani ot tespiti, yeşillik tanımlamada, tarım makinalarında durum tespitinde, hayvansal üretimde sistem analizinde, arazi tahsisi yapılmasında kullanılmıştır. Karınca algoritmaları ise tarımda taahhüt işlerini planlamada, sulama yönetiminde, hastalık tanıma ve sınıflandırmada ve toprağın azot içeriği tahmininde kullanılmıştır. Türkiye’de de birçok araştırıcı benzer konuları çalışmaktalar.
Bu konuların tamamı aslında simülasyon teknikleri olup, veriler üzerinde doğru algoritma ve veri madenciliği yöntemlerinin kullanılmasıyla uygulamaya yönelik bilgiler elde edilmesini sağlamaktadır. Devam edelim hangi alanlarda fiziksel uygulamaya katkı koyuyorlar:
Otonom Araçlar
Otonom kavramı, örneğin otonom bir traktör için tarımsal ortamda bulunan çok sayıda belirsizliğin üstesinden gelecek şekilde ve traktör tarafından gerçekleştirilen tüm fonksiyonların operatörsüz olarak yapılmasını tanımlamaktadır. Otonom traktörlerde konumlarının belirlenmesi, istenen rotanın doğru olarak oluşturulması, çevredeki nesneler hakkındaki bilgi edinme, engellerden kaçınma, lokalizasyon ve harita oluşturma işlemlerinin doğru olarak yapılması için farklı sensörlerden gelen verinin birlikte işlenmesi tercih edilmekte ve kullanılan farklı tipte sensörlerin kendine özgü üstünlükleri daha kapsamlı bir algılamaya dönüştürülerek birlikte kullanılmaktadır. Donanım olarak Radar Sensörler, Lazer Tarayıcılar, Lidar, GPS (Global Position System), INS (Ataletsel Navigasyon Sistemi), Ultrasonik Sensör ve Kameralar kullanılmakta ve hareketin kontrolü için elde edilen bu bilgileri işleyerek kullanılabilir yararlı bilgiye çevirmek için ise görüntü, ses ve video işleme algoritmaları, yapay sinir ağları, makine öğrenmesi, istatistiksel veri analizi gibi işlemleri gerçekleştiren gelişmiş karar mekanizmalarını içeren yazılımlar kullanılmaktadır.
Moorehead ve arkadaşlarının 2012 yılında yaptıkları bir çalışma ile örnekleyelim. Çalışma 1300 hektarlık bir portakal bahçesinde çim biçme ve ilaçlama işlemlerini otonom olarak yapan çoklu otonom traktör geliştirilmiştir. Portakal bahçesinde 22 fit (1 fit=30,48 cm) genişliğinde yataklar ile 28 fit genişliğinde drenaj için kazılan hendek çukurlarının bulunduğu değişen sıra aralıkları bulunmaktadır. Bu sıraların farklı genişlikleri nedeniyle biçme sırasında farklı büyüklükte ot biçme makinaları kullanılmaktadır. Portakal bahçesinde önemli bir iş yükü getiren çim biçme ve ilaçlama işlemleri yıl boyunca düzenli olarak yapılmakta, işlemlerin otonom olarak yapılması işleri kolaylaştırmakta ve ilaçlama sırasında operatörlerin ilaçların zararlarından korunmak için giydikleri koruyucu kıyafetlerin verdiği rahatsızlığı ortadan kaldırmaktadır.
Portakal ağaçlarının pompaj bölgeleri adı verilen bölgelere bloklar halinde dikildiği bahçede, birçok gölet ve yabani alanlar ile yollar ve kanallar vardır. Telefon direkleri ve sulama pompa istasyonları gibi sabit engellerin yanında araçlar, portakal toplama kutuları ve merdivenler gibi hareketli ekipmanlar bulunmaktadır. Otonom traktörün görevlerini yerine getirebilmesi için kendisine bahçe planı ile sabit engeller yollar tanımlanarak öğretilmekte ve çalışma sırasında hareketli engellerin yolda olup olmadığı algılayıcılar tarafından algılanmakta veya otonom araçlar çalışırken bahçede böyle nesnelerin bulunup bulunmadığına dair operasyonel uygulamalar yapılmaktadır.
Çalışmada geliştirilen otonom traktör, meyve bahçesindeki beklenmedik engelleri tespit etmek ve çevrenin algılanması için bir lazer tarayıcı ve GPS ile renkli kameralar kullanılan bir algılama sistemi, planlanan yolu doğru bir şekilde takip etmek için konum belirlemede RTK (Real-Time Kinematic) GPS ve üzerindeki bilgisayar ile CAN (Controller Area Network) veri yolu üzerinden hız, direksiyon ve kuyruk mili gibi traktör fonksiyonlarını kontrol etme becerisine sahiptir. Otonom traktör çalışma sırasında bir sorunla karşılaşıldığında merkezle iletişim kurabilmektedir. İletişim için iki ayrı iletişim bağlantısı kullanılmaktadır. Birincisi, kritik veriler ve sinyal mesajları için düşük bant genişliği iletişimini sağlayan 900 MHz bağlantıdır. Bu iletişim bağlantısı herhangi bir sebepten dolayı düşerse, otonom traktör durmaktadır. İkincisi görüntülerin ve videonun iletimi için gerekli bant genişliğini sağlayan ancak bitki örtüsü penetrasyonu zayıf olan 2.4 GHz'lik bir ağdır. Geliştirilen yazılım, bilgilerin algılayıcılardan alınması ile traktörün sürüşe devam edeceğine veya yavaşlamasına veya durdurulmasına karar verir. Traktör algılama sisteminde ağaç ve uzun boylu yabani otları ayırt etmek için 3 boyutlu lidar ve kamera verilerini birleştiren bir ağaç sınıflandırıcısının da kullanıldığı sıra yönlendirme algoritması kullanılmıştır. Bu algoritma, traktörün her iki taraftaki ağaçlara doğru gitmesini önleyecek orijinal planlanan yola göre sıra içindeki yanal sapmayı bulmak için hesaplanan ağaç haritasını kullanır. Bu sapma sürekli olarak hesaplanır ve traktörün izlemesi için planlanan yola uygulanır.
Tarım Robotları
Tarım robotları, genel olarak açık alan ve kapalı alan robotları olarak sınıflandırılmaktadır. Açık alan robotları; GPS destekli dümenleme sistemi, mera robotu, ilaçlama robotları, ekim/dikim robotları, silaj robotu, budama robotlarıdır. Kapalı alan robotları ise hasat robotları, süt sağım robotları, ahır robotlarıdır. Otonom tarım robotları, günümüzde tarlalarda traktörlere bulunan alternatiftir. Yetiştiricilik işlemleri, tohum ekimi, ilaçlama, gübreleme ve hasat gibi gelecekte otonom tarım robotlarının filoları tarafından gerçekleştirilebilecektir. Tarımsal robotlar bazı temel yeteneklere ve birden çok uygulamayı destekleme imkânına sahip olmalıdır. Temel yetenekleri arasında güvenli ve otonom navigasyon için bir navigasyon sistemi gereklidir. Tarımda otonom araçların farklı uygulamaları geleneksel sistemlerle karşılaştırıldığında, ilk potansiyel pratik uygulamaların üç ana grupta; bitki yetiştirme, bitki bakımı ve seçici hasat olduğu tespit edilmiştir
Yine Astrand ve Baerveldt isimli araştırıcılar tarafından 2002 yılında yapılan bir çalışmada mekanik yabani ot kontrolü için otonom bir robot geliştirilmiştir. Robotun bitkilerin oluşturduğu sıra yapısını tanıyabilen ve robotu sıralar boyunca yönlendirebilen bir tane gri seviyeli görü sistemi ile yabani ot bitkileri arasında tek bir bitkiyi tanımlayabilen renk tabanlı görü sistemi olmak üzere iki görü sistemi bulunmaktadır. Bu görü sistemi, bitki sırasındaki yabani otları temizleyen bir yabani ot aracını kontrol eder. Sıra tanıma sistemi yeni bir algoritmaya dayanmakta ve açık alan testlerinde kapsamlı bir şekilde test edilmiş ve ± 2 cm hassasiyetle robotu yönlendirebileceği belirlenmiştir.
Yine bir başka çalışmada geliştirilen ve otonom olarak çalışan salatalık robotu; otonom araç, manipülatör, robot kol ucu, meyve ve çevrenin algılanması ve 3D görüntülenmesi için iki bilgisayar görü sistemi ile hasat sırasında manipülatör için çarpışmadan hareket üreten bir kontrol şemasından oluşmaktadır. Manipülatörün yedi serbestlik derecesi vardır. Bu hasat görevi için yeterlidir. Robot kol ucu, meyveyi kalite kaybı olmadan tutacak şekilde tasarlanmış ve içerisindeki termal kesme cihazı virüslerin sera boyunca yayılmasını engellemektedir. Bilgisayar görü sistemi, sera içindeki salatalıkların %95'inden fazlasını tespit edebilmektedir. Bilgisayar görüsü kullanılarak salatalık meyvesinin saptanması sağlanmakta ve geometrik modeller kullanılarak salatalıkların olgunlukları belirlenmektedir. Arama algoritmasına dayanan bir hareket plancısı çarpışmadan göz-el koordinasyonunu sağlamaktadır.
Tarımda Drone Kullanımı
Tarımsal üretimde verimliliğin ve ürün kalitesinin arttırılması, bitkilerin gelişim sürecinin iyi takibine ve gerekli işlemlerin en uygun zamanda yapılmasına bağlıdır. Basit teknik yapısı ve kolay kullanımı olan drone sistemler; üzerine yerleştirilen sensörler ve kamera ile yüksek çözünürlükte yakaladığı resimler ve 3 boyutlu görüntüler oluşturarak tarımsal faaliyetlerde çiftçilere planlama imkânı sunmaktadır. Drone sistemler ile ürün gelişimi izleme, bitki türleri ayırma, ürün rekolte tayini, otomatik hasat, kuraklık, hastalık, tarımsal zararlılar vb. hasar tespiti, meyve-sebze ve toprak nemi sınıflandırma, alan yönetimi, tarım faaliyetlerin organizasyonu, tarımsal sigortalama gibi uygulamalara yönelik çalışmalar yapılmaktadır. Drone sistemlerin tarımda 5 etkili kullanımı mevcuttur. Bunlar; Ürün durumunu izleme: Çiftçiler gelişmekte olan ürünlerini Normalize Fark Vejetasyon İndeksi (NDVI) veya yakın kızılötesi (NIR) sensörlerine sahip drone’lar ile daha hızlı ve etkili inceleyebilmektedir. Sulama sistemlerini izleme: Büyük işletmeler geniş alanlara yayılmış olan mısır gibi bazı ürünleri belirli boyutlara ulaştıktan sonra ihtiyaç duyulan suyun tedariki için sulama sistemlerini izleyebilmektedir. Yabani ot tanımlama: NDVI sensör verileri ve uçuş sonrası elde edilen görüntülerin işlenmesiyle yabani ot haritaları oluşturulmaktadır. Bu şekilde yetiştiriciler kolaylıkla sağlıklı bitkilerle birlikte büyüyen yüksek yoğunluklu yabani ot alanlarını ayırt edebilmektedir. Değişken oranlı uygulamalar: Yer tabanlı veya uydu görüntüleri ile yapılmakta olan değişken oranlı uygulama haritaları yerine drone sistemlerde NDVI sensörlerinin kullanılmasıyla hızlı ve pratik olarak değişken oranlı haritalar hazırlanmaktadır. Bu sayede ilaç, gübre maliyetlerinin düşürülmesi ile verimin arttırılmasına imkân sağlanmaktadır. Sürü idaresi ve izlenmesi: Serbest yetiştirilen küçükbaş veya büyükbaş hayvanların miktarlarını ve aktivite düzeyleri drone ile yukarıdan izlenme olanağı sağlanmaktadır.
Tarımda Görüntü İşleme Uygulamaları
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
Tarımda Derin Öğrenme Uygulamaları
Makine öğrenmesinin bir alt dalıdır. Derin öğrenme, büyük miktarda etiketlenmiş eğitim verilerinden özellik çıkarma ve dönüştürme için birçok doğrusal olmayan işlem birimi katmanını kullanır. Her ardışık katman, önceki katmandaki çıktıyı girdi olarak kullanan sistem, temel olarak verinin temsilinden öğrenmeye dayalıdır. Bir görüntü için temsil denildiğinde; piksel başına yoğunluk değerlerinin bir vektörü veya kenar kümeleri, özel şekiller gibi özellikler düşünülebilmektedir. Bu özelliklerin içinden bazıları veriyi daha iyi temsil etmektedir Makine öğrenmesi ile derin öğrenme arasında farklar bulunmaktadır. Makine öğrenmesinde tek katmanda işlem yapılırken, derin öğrenme de birçok katmanda aynı anda işlem yapılmaktadır. Derin öğrenme algoritmalarının makine öğrenmesi algoritmalarından farkı, çok büyük miktarda etiketlenmiş verinin olması ve verilerin karmaşık yapısından dolayı da bu verileri işleyebilecek çok yüksek hesaplama gücü olan GPU (Graphics Processing Unit) grafik işlemci birimi tabanlı bilgisayarlara ve donanımlara ihtiyaç duymasıdır. Makine öğrenmesinde ilgili özellikler görüntülerden manuel olarak çıkartılmakta ve bu özellikler, görüntüdeki nesneleri kategorize eden bir model oluşturmak için kullanılmaktadır Derin öğrenmede ise ilgili özellikler otomatik olarak görüntülerden çıkartılmakta ve sınıflandırma gibi bir görevin nasıl otomatik olarak yapılacağı öğrenilmektedir. Çok sayıda katmanı olan yapay sinir ağları üzerinde çalışan algoritmalar ve modeller kümesinden oluşan ve yaygın kullanılan derin öğrenme modelleri ise şöyle sıralanabilmektedir; Konvolüsyonel Sinir Ağları, Oto-Kodlayıcılar (Auto-encoder), Tekrarlayan Sinir Ağları (Recurrent Network-SRN), Derin İnanç Ağları (Deep Belief Network).( Derin İnanç Ağları, hem yönlendirilmiş hem de doğrulanmamış kenarlara sahip olan çok katmanlı grafiksel modelden oluşan bir derin sinir ağıdır Her katmanın birbiriyle bağlantılı olduğu ancak birimlerin bulunmadığı birden çok gizli birim katmanından oluşmaktadır).
Derin öğrenme tekniğinin kullanılmasıyla çeşitli tarım ve gıda üretim sorunlarına çözüm geliştirme amacıyla arazi kullanımı, bitki türü ve toprak sınıflandırılması, yabani ot tanımlama, meyve sayımı, hayvan büyümesi, hava durumu, ürün verimi indeksi ve nem içeriği tahmini konularında çok sayıda farklı araştırmanın yapıldığını biliyoruz ve bu çalışmalarda derin öğrenmenin yaygın olarak kullanılan görüntü işleme tekniklerinden daha iyi performans göstererek yüksek doğruluk sağlayabileceği uzmanlar tarafından vurgulanmaktadır.
Sonuç olarak diyebiliriz ki Tarımsal üretimde teknoloji ve veri madenciliği tekniklerinin birlikte kullanılmasıyla ekonomik ve sürdürülebilir tarım için gerekli olan verim ve ürün kalitesinin arttırılması, minimum girdi kullanımı sağlanabilmekte ve böylece üretici gelirlerinin artırılması, azaltılmış maliyet, doğal kaynaklar ve çevrenin korunması mümkün olmaktadır. Bu teknolojilerden hali hazırda yerli olarak üretilmiş bazı akademik çalışmalar bulunmakta ve bazı proje bazlı çalışmalar ise devam etmektedir. Ancak genel anlamda bu teknolojileri yerli olarak üretme düzeyimiz henüz istenen seviyede değildir. Tarıma dayalı sanayimiz tarafından dışa bağımlılığı ortadan kaldıracak ve rakip ürünlerle rekabet edecek seviyede yerli üretim için, mevcut teknik bilgi ve beceri üzerine elektronik bileşenlerden oluşan donanım ve yazılım geliştirme çalışmalarına yoğunlaşılmalıdır.
KAYNAKLAR
1- Sandıkçı, Y. ve İ.B. Aydilek ,2018. Tarımsal Veri Analizlerinin Veri Madenciliği ile Yapılması. Harran Üniversitesi Mühendislik Dergisi,vol: 02 (2018), s. 1-7, Şanlıurfa.
2- Gökpınar, F. ve Y.E. Gökpınar, 2020. Tarımsal Verilerin Değerlendirilmesinde Kullanılan Veri Madenciliği Teknikleri. TMMOB ZMO Türkiye Ziraat Mühendisliği IX. Teknik Kongresi Bildiriler Kitabı 1., S. 215-231, Ankara.
3- Türker, U., Akdemir,B., Topakçı,M., Tekin, B., Ünal,İ., Aydın, A., Özoğul,G., Evrenosoğlu,M., 2015. Hassas Tarım Teknolojilerindeki Gelişmeler. TMMOB ZMO Türkiye Ziraat Mühendisliği VIII. Teknik Kongresi. Kongre Kitabı 1., s.295-320., Ankara.
4- Okut, H., 2015. Tarımsal Verilerin Değerlendirilmesinde Kullanılan Veri Madenciliği Teknikleri. TMMOB ZMO Türkiye Ziraat Mühendisliği VIII. Teknik Kongresi. Kongre Kitabı 1., s.238-254., Ankara.Emekli,
5- N.Y., Topakçı, M., 2009. Hassas Uygulamalı Tarım Teknolojilerinin Sulama Alanında Kullanımı. GOÜ Ziraat Fakültesi Dergisi, 26 (2), s.9-17, Tokat.
6- Özgüven, M.M., Türker, U., Akdemir, B., Çolak, A., Acar,A.İ., Öztürk, R., Eminoğlu, M.B.,2020. Tarımda Dijital Çağ. TMMOB ZMO Türkiye Ziraat Mühendisliği IX. Teknik Kongresi Bildiriler Kitabı 1., S. 55-74, Ankara.
7- Hoche, S., Geist, I., Castillo, L.P. ve N. Schulz. (Çeviri: Safa Tarhan, Mehmet Metin Özgüven, Abdullah Beyaz) 2006.Veri Tabanları, Bilgi Keşfi, Bilgi Çıkarma ve Web Madenciliği. CIGR Handbook of Agricultural Engineering Volume VI Information Technology. Chapter 3, p.168-184., ASABE, Michigan, USA.
Röportajın ilk bölümünü aşağıdaki linkten okuyabilirsiniz:
http://ictmedia.com.tr/News/Index/8450/-ozel-yetkilerle-donatilmis-turkiye-akilli-tarim-ussu-kurmaliyiz-
