Tarımda yapay zeka (YZ)

Yapay zeka nedir?

Yapay zeka (YZ), bir makinenin akıl yürütme, öğrenme, planlama ve yaratıcılık gibi insani becerileri sergileme yeteneğidir (Avrupa Komisyonu tanımı, 2018). YZ hem bir bilim hem de bir mühendislik dalıdır. Bilimdir, çünkü “yapay akıl yürütmenin” teorik olarak nasıl işleyebileceğini araştırır. Mühendisliktir, çünkü bu yetenekleri somut şekilde hayata geçiren makineler veya programlar inşa edilir. YZ’nin temel amacı, makinelerin verilerden öğrenmesini, sonuç çıkarmasını, karar vermesini ve sorunları bir insan gibi bağımsız şekilde çözmesini sağlayan algoritmalar, modeller ve sistemler geliştirmektir. Bir YZ sistemi, performansı ölçülebilir ve doğrulanabilir olduğunda çalışır — örneğin, makine bir sorunu çözdüğünde, bir görevi yerine getirdiğinde veya önceden belirlenmiş kriterlere göre başarıyla karar aldığında.

Şekil 1: YZ: bilim ve mühendislik.

Machine learning ve deep learning

Machine learning ve deep learning, çiftçilerin ve saha teknisyenlerinin günlük çalışmalarına giderek daha fazla giren, daha iyi kararlar almak için pratik araçlar sunan iki yapay zeka teknolojisidir. Machine learning, bir sistemin “deneyimden öğrenme” yeteneği olarak tanımlanabilir. Uygulamada, modele çok sayıda geçmiş veri sağlanır: hava durumu verileri, üretim verileri, toprak analizleri, ürün görüntüleri, agronomik uygulamalar ve bunların sonuçları. Bu verileri analiz ederek algoritma, “patern” adı verilen tekrarlayan ilişkileri otomatik olarak tespit eder ve bunları tahmin yapmak veya eylem önermek için kullanır. Tarımda bu, örneğin beklenen verimi tahmin etmek, su stresi riskini öngörmek veya gerçek çevresel ve agronomik verilere dayanarak bir hastalığın gelişimine elverişli koşulları belirlemek anlamına gelir. Deep learning, görüntüler, sinyaller veya çok ayrıntılı zaman serileri gibi karmaşık verilerle çalışırken özellikle güçlü olan, machine learning’in bir alt kümesidir. Gücü, insan beyninin işleyişinden esinlenen ve ham verilerden en ilgili bilgileri otomatik olarak çıkarabilen “derin” sinir ağlarının kullanılmasında yatar. Tarımsal bağlamda deep learning, örneğin sahada çekilen bir fotoğraftan yaprak hastalığını tanımayı, yabani otları üründen ayırt etmeyi, bir bitkinin taç yapısını analiz etmeyi veya uydu ya da drone görüntülerinden canlılık durumunu değerlendirmeyi mümkün kılar.

Şekil 2: Machine learning ve deep learning.

İki yaklaşım arasındaki pratik fark, machine learning’in temel değişkenlerin zaten bilindiği ve ölçülebildiği durumlarda —fenolojik veriler, verim, hava koşulları gibi— çok iyi çalışmasıdır. Buna karşılık, hava görüntülerinde olduğu gibi, bilginin doğrudan sayısal olmadığı, yorumlanması gerektiği durumlarda deep learning vazgeçilmez hale gelir. En gelişmiş tarımsal uygulamalarda genellikle iki teknoloji birleştirilir: deep learning görüntülerden veya sensörlerden bilgi çıkarır, machine learning ise bunu hava durumu, toprak ve agronomik yönetim verileriyle birleştirerek nihai kararı destekler.

YZ tarımda gerçekten faydalı mı?

Yapay zekanın değeri, özellikle somut sorunlara uygulandığında ve işletmenin karar alma süreçlerine doğru şekilde entegre edildiğinde ortaya çıkar. Machine learning ve deep learning tekniklerinin faydası, iklim değişkenliği, artan üretim maliyetleri, daha fazla düzenleyici baskı ve çevresel etkiyi azaltma ihtiyacıyla karakterize edilen giderek daha karmaşık ve öngörülemez bir bağlamda çiftçiyi desteklemekte yatmaktadır. Günümüzde, çiftlik hava istasyonları, uydu ve drone görüntüleri, saha veya traktöre monte sensörler sayesinde tarım büyük miktarda veriye sahip. Bu verinin, çiftçinin bilinçli ve geçerli kararlar almasına destek olmak için bilgiye dönüştürülmesi gerekir. Modern tarımın kritik noktalarından biri, nihai ürünün kalitesini ve miktarını garanti altına almak için zamanında hareket etme ihtiyacıdır. Yapay zeka, farklı kaynaklardan gelen verileri analiz etmeyi ve bunları optimal müdahale pencereleri, risk seviyeleri veya eylem öncelikleri gibi operasyonel bilgilere dönüştürmeyi mümkün kılar. Bu, özellikle sulama yönetimi, bitki koruma, beslenme ve vejetatif durum izleme gibi faaliyetler için önemlidir.

Mekânsal-zamansal değişkenliği yönetmek

YZ kullanımının en büyük avantajlarından biri, tarımsal sistemlerin mekânsal ve zamansal değişkenliğiyle çalışabilme yeteneğidir. Görünüşte homojen tarlalar, toprak, canlılık veya fenolojik gelişim açısından önemli farklılıklar gösterebilir. Machine learning ve deep learning sayesinde bu farklılıklar tespit edilip ölçülebilir, bu da hedefe yönelik müdahalelere ve dolayısıyla su, gübre ve tarım ilaçlarının daha verimli kullanılmasına olanak tanır. Bu, kazan-kazan bir yaklaşımdır: bir yandan çiftçinin maliyetleri azalırken, diğer yandan sosyal, ekonomik ve çevresel sürdürülebilirlik artar. Ancak bu araçların etkinliğinin büyük ölçüde veri kalitesine ve altta yatan agronomik modelin doğruluğuna bağlı olduğunu netleştirmek gerekir. Bir algoritma, eksik veya temsil gücü olmayan verileri ya da sorunun hatalı agronomik yorumunu telafi edemez. Bu nedenle, tarıma uygulanan YZ’nin en iyi performansını garanti etmek için çiftçiler, agronomlar, teknisyenler ve yapay zeka uzmanları arasında iş birliği gerektiren çok disiplinli bir yaklaşım esastır. Machine learning ve deep learning algoritmaları, sağlam agronomik temeller üzerine inşa edildiklerinde ve büyük miktarda veriyi daha zamanında, hedefe yönelik ve sürdürülebilir operasyonel bilgilere dönüştürebilen destek araçları olarak kullanıldıklarında en iyi şekilde çalışır.

Şekil 3: Tarımda machine learning ve deep learning kullanımı çok disiplinli bir yaklaşım gerektirir.

Bir narenciye bahçesinde YZ: gerçek bir vaka çalışması

Tarımda yapay zeka ve dijital teknolojilerin uygulanmasına somut bir örnek, Sicilya’da bulunan bir narenciye bahçesinde gerçekleştirilen multispektral drone analizidir. Çalışmanın amacı, çok yüksek çözünürlüklü görüntüler ve gelişmiş analiz algoritmalarından yararlanarak bitkilerin vejetatif durumunu ve farklı agronomik ürünlere (biyostimülanlara) verdikleri tepkiyi nesnel ve nicel olarak değerlendirmekti. Çalışma alanı, her biri 4 bitki içeren 80 m²’lik 25 deneysel parsele bölündü. Bu düzen, test edilen uygulamaların etkinliğini değerlendirmek ve narenciye bahçesinin mekânsal değişkenliğini doğru şekilde yorumlamak için gerekli olan karşılaştırılabilir ve istatistiksel olarak güvenilir veriler elde edilmesini sağladı. Ölçüm, entegre multispektral sensörü sayesinde dört spektral bandın (yeşil, kırmızı, red edge ve NIR) ve yüksek çözünürlüklü RGB görüntünün eş zamanlı ve hizalı şekilde elde edilmesine olanak tanıyan bir DJI Mavic 3 Multispectral drone kullanılarak çok hızlı bir şekilde gerçekleştirildi.

Şekil 4: Sicilyalı bir narenciye bahçesindeki deneysel parseller.

Deneme sonuçları

RGB ve multispektral görüntülerden yola çıkılarak narenciye bahçesinin bir 3D modeli (digital twin) yeniden oluşturuldu. Bu modelin bilgisayarlı görü ve YZ algoritmalarıyla birlikte kullanılması, potansiyel olarak bitki bazında çeşitli biyometrik ve fizyolojik ürün parametrelerinin otomatik olarak çıkarılmasını sağlar: taç örtüsünü ölçmek için yeşil alan; vejetatif gelişimin doğrudan göstergeleri olan taç kalınlığı, yüksekliği ve hacmi; özellikle vejetatif canlılık için NDVI, klorofil konsantrasyonu ve besin durumunun dolaylı tahmini için GNDVI ve NDRE olmak üzere vejetasyon indeksleri. Bu parametreler, ham veriyi agronomik bilgiye dönüştüren gelişmiş analiz algoritmalarının uygulanmasından elde edilir. Tanımı gereği karmaşık olan multispektral görüntüler, geleneksel görsel gözlemle tespit edilmesi zor olacak mekânsal desenleri ve parseller arasındaki farkları ortaya çıkarmak için işlenir. Narenciye bahçesinde hesaplanan biyometrik parametrelerin iki örneğine bakalım. Öncelikle, yeşil alan, her bir narenciye bitkisinin taç yoğunluğunu temsil eder ve yoğunluğun mekânsal dağılımını görselleştirmek, daha düşük veya daha yüksek yoğunluğa sahip alanları belirlemek için gereklidir.

Şekil 5: Her bitki için taç alanı.

Taç hacmi haritası, her parsel için ortalama bir değer olarak taçların genel gelişimini görselleştirmeyi sağlar. Taç hacmi doğrudan biyokütleyle ilişkilidir ve önceki yeşil alan haritasında ortaya çıkanları yansıtır.

Şekil 6: Her bitki için taç hacmi.

Drone tarafından yakalanan multispektral bilgilere dayanarak üç vejetasyon indeksi hesaplandı: NDVI, GNDVI ve NDRE. NDVI indeksi, yeşil alanın canlılığından güçlü şekilde etkilenir, ancak bir maksimum noktaya ulaştıktan sonra doyma eğilimi gösterip tarladaki olası değişkenliği gizlediği için aynı şekilde bu alandan sınırlanır. Narenciye bahçesinde, parseller arası değişkenliğin yanı sıra parsel içi değişkenlik de gözlemlenmektedir.

Şekil 7: Her bitki için taçın NDVI vejetasyon indeksi.

GNDVI haritası, ürünlerdeki klorofil içeriğinin izlenmesini sağlar ve taçlar iyi gelişmiş olduğunda daha sağlıklı alanları NDVI’ye kıyasla daha iyi ayırt etmeye olanak tanır. Ayrıca GNDVI, bitkilerin su emilimini ve dolayısıyla su stresini değerlendirmek için kullanılabilir. Bu durumda da parseller arasında güçlü bir değişkenlik gözlemlenirken, parsel içi değişkenlik sınırlıdır.

Şekil 8: Her bitki için taçın GNDVI vejetasyon indeksi.

GNDVI indeksinde olduğu gibi, NDRE haritası da taçlar iyi gelişmiş olsa bile ürünlerdeki klorofil içeriğinin izlenmesini sağlar. NDRE, yüksek klorofil seviyesine sahip orta ve geç dönem ürünler için bitki sağlığının NDVI’den daha iyi bir göstergesidir. Ayrıca NDRE, bitkiler tarafından azot alımını ve dolayısıyla verimliliklerini değerlendirmek için kullanılabilir.

Şekil 9: Her bitki için taçın NDRE vejetasyon indeksi.

Sonuçlar

Narenciye bahçesinde gerçekleştirilen vaka çalışması, drone ile uzaktan algılamaya uygulanan yapay zekanın agronomik kararları destekleyen somut bir operasyonel araç haline gelebileceğini göstermektedir. Agrobit’in iDrone hizmeti, çok yüksek çözünürlüklü multispektral görüntüleri ürünlerin vejetatif durumu hakkında nesnel, ölçülebilir bilgilere dönüştürmeyi mümkün kılar. Ayrıca biyometrik parametrelerin ve vejetasyon indekslerinin hesaplanması sayesinde, narenciye bahçesinin mekânsal değişkenliğini belirlemek ve ölçmek, bitkilerin farklı uygulamalara verdiği tepkiyi değerlendirmek ve stres durumlarını erken tespit etmek mümkün olmuştur. Yalnızca görsel izlemeyle elde edilmesi zor olan bu bilgiler, daha hedefe yönelik, verimli ve sürdürülebilir müdahalelere olanak tanır. Giderek daha karmaşık hale gelen bir tarımsal bağlamda, iDrone hizmeti, yönetim verimliliğini artırmak, maliyetleri azaltmak ve gerçek verilere dayalı kararları desteklemek için güvenilir bir AgTech çözümü sunmaktadır.