Tarımda yapay zeka (AI)

Yapay zeka nedir?

Yapay zeka (YZ), bir makinenin muhakeme, öğrenme, planlama ve yaratıcılık gibi insani yetenekleri sergileme kabiliyetidir (Avrupa Komisyonu tanımı, 2018). Yapay zeka hem bilim hem de mühendisliktir. Bilimdir çünkü ‘yapay muhakemenin’ nasıl çalışabileceğini teorik olarak inceler. Mühendisliktir çünkü bu yetenekleri gerçekten gerçekleştiren makineler ya da programlar inşa eder.
Yapay zekanın temel amacı algoritmalar, modeller ve sistemler geliştirmek Makinelerin verilerden öğrenmesini, sonuçlar çıkarmasını, kararlar almasını ve sorunları bir insanmış gibi özerk bir şekilde çözmesini sağlar. Bir yapay zeka sistemi, performansı ölçülebilir ve doğrulanabilir olduğunda çalışır. Örneğin, makine bir sorunu çözerse, bir görevi yerine getirirse veya önceden belirlenmiş kriterlere göre başarılı bir şekilde karar verirse.

Şekil 1: Yapay zeka: bilim ve mühendislik.

Makine Öğrenimi ve Derin Öğrenme

Makine öğrenimi ve derin öğrenme, daha iyi kararlar almak için pratik araçlar olarak çiftçilerin ve saha teknisyenlerinin günlük işlerine giderek daha fazla giren iki yapay zeka teknolojisidir.
Makine öğrenimi bir sistemin ‘deneyimlerden öğrenme’ yeteneği olarak tanımlanabilir. Uygulamada, modele çok sayıda geçmiş veri sağlanmaktadır: hava durumu verileri, üretim verileri, toprak analizi, mahsul görüntüleri, tarımsal müdahaleler ve bunların sonuçları. Algoritma bu verileri analiz ederek, örüntü adı verilen yinelenen ilişkileri otomatik olarak tanımlar ve bunları tahminlerde bulunmak veya eylemler önermek için kullanır. Tarımda bu, örneğin beklenen verimin tahmin edilmesi, su stresi riskinin öngörülmesi veya gerçek çevresel ve agronomik verilere dayalı olarak bir hastalığın gelişmesine elverişli koşulların belirlenmesi anlamına gelir.
Derin öğrenme görüntüler, sinyaller veya çok ayrıntılı zaman serileri gibi karmaşık verilerle çalışırken özellikle güçlü olan bir makine öğrenimi alt kümesidir. Gücü , insan beyninin işleyişinden esinlenen ve ham verilerden en alakalı bilgileri otomatik olarak çıkarabilen ‘derin’ sinir ağlarının kullanılmasıdır. Tarımsal bağlamda derin öğrenme, örneğin tarlada çekilen bir fotoğraftan bir yaprak hastalığını tanımayı, zararlıları mahsulden ayırt etmeyi, bir bitki gölgesinin yapısını analiz etmeyi veya uydu veya drone görüntülerinden canlılık durumunu değerlendirmeyi mümkün kılan şeydir.

Şekil 2: Makine Öğrenimi ve Derin Öğrenme.

İki yaklaşım arasındaki pratik fark, fenolojik veriler, verim, hava koşulları gibi temel değişkenler zaten bilindiğinde ve ölçülebilir olduğunda makine öğreniminin çok iyi çalışmasıdır. Buna karşılık, hava görüntülerinde olduğu gibi, bilgi hemen sayısal olmadığında ancak yorumlanması gerektiğinde derin öğrenme gerekli hale gelir. Daha gelişmiş tarımsal uygulamalarda genellikle iki teknoloji birleştirilir: derin öğrenme görüntülerden veya sensörlerden bilgi çıkarır ve makine öğrenimi nihai kararı desteklemek için bunları hava durumu, toprak ve tarımsal yönetim verileriyle entegre eder.

Yapay zeka tarımda gerçekten faydalı mı?

Yapay zekanın değeri, özellikle somut sorunlara uygulandığında ve iş karar alma süreçlerine uygun şekilde entegre edildiğinde ortaya çıkmaktadır. Makine öğrenimi ve derin öğrenme tekniklerinin faydası, iklim değişkenliği, artan üretim maliyetleri, artan düzenleyici baskı ve çevresel etkiyi azaltma ihtiyacı ile karakterize edilen, giderek daha karmaşık ve rastgele bir ortamda çiftçiyi desteklemede yatmaktadır.
Günümüzde, çiftlik meteoroloji istasyonları, uydu ve drone görüntüleri, tarladaki veya traktörlere monte edilmiş sensörler sayesinde, tarımın elinde çok sayıda veri bulunmaktadır. Bu veriler, çiftçinin bilinçli ve doğru kararlar almasını desteklemek için bilgiye dönüştürülmelidir. Modern tarımın en önemli noktalarından biri, nihai ürünün kalite ve miktarını sağlamak için hızlı hareket etme ihtiyacıdır. Yapay zeka, farklı kaynaklardan gelen verilerin analiz edilmesine ve optimum müdahale pencereleri, risk seviyeleri veya eylem öncelikleri gibi operasyonel göstergelere dönüştürülmesine olanak tanır. Bu özellikle sulama yönetimi, haşere yönetimi, beslenme ve vejetatif durum izleme gibi faaliyetler için geçerlidir.

Mekansal-zamansal değişkenliğin yönetilmesi

Yapay zeka kullanmanın en büyük avantajlarından biri , tarımsal sistemlerin mekansal ve zamansal değişkenliği üzerinde çalışma yeteneğidir. Görünüşte homojen olan tarlalar toprak, canlılık veya fenolojik gelişim açısından önemli farklılıklar gösterebilir. Makine öğrenimi ve derin öğrenme sayesinde bu farklılıklar tespit edilip ölçülebilir, bu da hedefe yönelik müdahalelere ve dolayısıyla su, gübre ve pestisitlerin daha verimli kullanılmasına olanak tanır. Bu, bir yandan çiftçi için maliyetleri azaltırken diğer yandan sosyal, ekonomik ve çevresel sürdürülebilirliği artıran bir kazan-kazan yaklaşımıdır.
Bununla birlikte, bu araçların etkinliğinin büyük ölçüde verilerin kalitesine ve altta yatan agronomik modelin doğruluğuna bağlı olduğunu açıklığa kavuşturmak çok önemlidir. Bir algoritma, eksik veya temsili olmayan verileri veya sorunun yanlış bir agronomik yorumunu telafi edemez. Bu nedenle multidisipliner bir yaklaşım çok önemlidir: tarıma uygulanan yapay zekanın en iyi performansını sağlamak için çiftçiler, agronomistler, teknisyenler ve yapay zeka uzmanları arasında işbirliği gereklidir. Makine öğrenimi ve derin öğrenme algoritmaları, sağlam bir agronomik temel üzerine inşa edildiklerinde ve büyük miktarda veriyi daha zamanında, hedefli ve sürdürülebilir operasyonel rehberliğe dönüştürebilen destek araçları olarak kullanıldıklarında en iyi şekilde çalışır.

Şekil 3: Makine Öğrenimi ve Derin Öğrenmenin tarımda kullanımı multidisipliner bir yaklaşım gerektirmektedir.

Narenciye bahçelerinde yapay zeka: gerçek hayattan bir vaka çalışması

Yapay zeka ve dijital teknolojilerin tarımda uygulanmasının somut bir örneği, Sicilya’da bulunanbir narenciye bahçesinde gerçekleştirilen multispektral drone analizi ile temsil edilmektedir. Faaliyetin amacı, çok yüksek çözünürlüklü görüntülerden ve gelişmiş analiz algoritmalarından yararlanarak bitkilerin vejetatif durumunu ve farklı agronomik ürünlere (biyostimülanlar) tepkisini objektif ve nicel olarak değerlendirmekti.
Çalışma alanı, her biri 4 bitki içeren 80 m²’lik 25 deneysel parsele bölünmüştür. Bu yaklaşım, test edilen uygulamaların etkinliğini değerlendirmek ve narenciye bahçesinin mekansal değişkenliğini doğru bir şekilde yorumlamak için gerekli olan karşılaştırılabilir ve istatistiksel olarak sağlam verilerin elde edilmesini mümkün kılmıştır.
Araştırma, entegre multispektral sensörü yüksek çözünürlüklü RGB görüntüsüne ek olarak dört spektral bandın (Yeşil, Kırmızı, Kırmızı Kenar ve NIR) eşzamanlı ve hizalı olarak elde edilmesini sağlayan bir DJI Mavic 3 Multispektral drone kullanılarak çok hızlı bir şekilde gerçekleştirilmiştir.

Şekil 4: Sicilya’da bir narenciye bahçesindeki deneysel parseller.

Deney sonuçları

RGB ve multispektral görüntülerden narenciye bahçesinin 3D modeli (dijital ikizi) yeniden oluşturulmuştur. Bu modelin bilgisayar görüşü ve yapay zeka algoritmalarıyla birlikte kullanılması, potansiyel olarak bitki bazında mahsulün çeşitli biyometrik ve fizyolojik parametrelerinin otomatik olarak çıkarılmasını sağlar: kanopi örtüsünü ölçmek için bitki örtülü yüzey; bitkisel gelişimin doğrudan göstergeleri olan kanopi kalınlığı, yüksekliği ve hacmi; vejetasyon indeksleri, özellikle bitkisel canlılık için NDVI , klorofil konsantrasyonu ve beslenme durumunun dolaylı tahmini için GNDVI ve NDRE . Bu parametreler, ham verileri agronomik bilgilere dönüştüren gelişmiş analiz algoritmalarının uygulanmasıyla elde edilir. Tanımı gereği karmaşık olan multispektral görüntüler, geleneksel görsel gözlemlerle tespit edilmesi zor olan mekansal desenleri ve araziler arasındaki farklılıkları çıkarmak için işlenir.
Narenciye bahçesinde hesaplanan iki biyometrik parametre örneğine bakalım. İlk olarak, bitki örtülü alan her bir narenciye bitkisinin gölgelik yoğunluğunu temsil eder ve yoğunluğun mekansal dağılımını görselleştirmek, daha düşük veya daha yüksek yoğunluğa sahip alanları belirlemek için temeldir.

Şekil 5: Her bir bitki için gölgelik alanı.

Kanopi hacim haritası, genel kanopi gelişimini her bir parsel için ortalama bir değer olarak görselleştirmeyi mümkün kılar. Kanopinin hacmi doğrudan biyokütle ile ilgilidir ve önceki bitki örtülü alan haritasına benzer.

Şekil 6: Her bir bitki için gölgelik hacmi.

Drone tarafından yakalanan multispektral bilgilere dayanarak üç bitki örtüsü endeksi hesaplanmıştır: NDVI, GNDVI ve NDRE. NDVI endeksi, bitki örtüsünün canlılığından güçlü bir şekilde etkilenir, ancak aynı zamanda bununla sınırlıdır, çünkü maksimum bir noktaya ulaştıktan sonra doygunluğa ulaşma ve alandaki herhangi bir değişkenliği gizleme eğilimindedir. Narenciye bahçesinde, parseller arası değişkenliğin yanı sıra parsel içi değişkenlik de gözlemlenmiştir.

Şekil 7: Her bir bitki için kanopinin NDVI vejetasyon indeksi.

GNDVI haritası, mahsullerin klorofil içeriğini izlemeyi ve kanopiler iyi geliştiğinde daha sağlıklı alanları NDVI’den daha iyi ayırt etmeyi mümkün kılar. Buna ek olarak, GNDVI bitkilerin su alımını ve dolayısıyla su stresini değerlendirmek için kullanılabilir. Yine, araziler arası değişkenlik yüksekken, arazi içi değişkenlik düşüktür.

Şekil 8: Her bir bitki için kanopinin GNDVI vejetasyon indeksi.

GNDVI endeksinde olduğu gibi, NDRE haritası da kanopiler iyi gelişmiş olsa bile ekinlerin klorofil içeriğinin izlenmesine olanak tanır. NDRE, yüksek klorofil seviyesine sahip orta ve geç mahsuller için NDVI’den daha iyi bir bitki sağlığı göstergesidir. Ayrıca NDRE, bitkiler tarafından azot alımını ve dolayısıyla verimliliklerini değerlendirmek için kullanılabilir.

Şekil 9: Her bir bitki için kanopinin NDRE vejetasyon indeksi.

Sonuçlar

Narenciye bahçesinde yürütülen vaka çalışması, drone ile uzaktan algılamaya uygulanan yapay zekanın tarımsal karar desteği için somut bir operasyonel araç haline gelebileceğini göstermektedir. Bu iDrone Agrobit’in sunduğu hizmet , çok yüksek çözünürlüklü multispektral görüntülerin bitkilerin vejetatif durumu hakkında objektif ve ölçülebilir bilgilere dönüştürülmesini mümkün kılmaktadır. Ayrıca, biyometrik parametrelerin ve bitki örtüsü endekslerinin hesaplanması yoluyla , narenciye bahçesinin mekansal değişkenliğini belirlemek ve ölçmek, bitkilerin farklı uygulamalara tepkisini değerlendirmek ve stres durumlarını erken bir aşamada tespit etmek mümkün olmuştur. Yalnızca görsel izleme ile elde edilmesi zor olan bu bilgiler, daha hedefli, verimli ve sürdürülebilir müdahalelere olanak sağlamaktadır.
Giderek karmaşıklaşan tarımsal ortamda iDrone hizmeti , yönetim verimliliğini artırmak, maliyetleri düşürmek ve veriye dayalı kararları desteklemek için güvenilir bir AgTech çözümü sunuyor.