Prof. Dr. Ramazan Çakmakçı / Çanakkale 18 Mart Üni. Ziraat Fakültesi Tarla Bitkileri Böl.
Tarım sektörünün dijitalleşmesini gerektiren çiftlik içi ve dışı itici faktörler arasında; tarımsal verimlilik ve sürdürülebilirliğin geliştirilmesi, iklim değişikliğine uyum ve etkilerinin azaltılması, pazarlara erişimin ve iyi yönetimin temini, değer zinciri yönetimi, ticaret gereksinimleri ve tüketici talebi bulunmaktadır. Dijital tarımın gıda sistemlerinde sürdürülebilirliğe yönelik iyileştirmeler sağlayabildiği; değişken oran teknolojileri (VRT), Nİ, bulut bilişim, verim haritalama, dijital toprak haritalama, sensörler ve İHA gibi teknolojilerin tarımsal hedeflerin çoğuna ve çeşitli sürdürülebilirlik ilkelerine ulaşmak için uygun olduğu; uydu görüntüleri, YZ gibi teknolojilerin biyokütle üretimi, biyolojik çeşitliliğin korunması ve iklim değişikliğini azaltma için önemli olduğu belirtilmektedir (MacPherson vd., 2022). Tarımda uyduya, drona ve insanlı araca monteli veri toplama teknolojileri, izleme ve uzaktan algılama sistemleri giderek artmaktadır. Başta su ve hava kalite sensörleri, nem içeriği, elektrik iletkenlik sensörleri, ot arayıcı sensörler, sıcaklık, rüzgâr hızı ve pH ölçüm sensörleri, su akış sensörleri, yerinde toprak, bitki, hayvan, biyoçeşitlilik, haşere ve istilacı tür monitörleri gibi dijital algılama teknolojileri tarım ve gıda alanında yaygınlaşmaktadır. Birçok Nİ teknolojisi, özellikle sulama ve su kalitesinin belirlenmesinde kullanılmaktadır. Araştırmalar sonucunda bitki kök bölgesi toprağı görüntülerinden su içeriğini optik olarak tahmin eden otomatik sulama sistemi (Javaid vd., 2022) ve bir işlemci tarafından çalıştırılan ve tamamen insansız kontrol edilen damla sulama sistemi geliştirilebilmiştir (Kavianand vd., 2016). Nİ teknolojileri kullanılarak buğdayda hastalık, zararlı ve yabancı otların izlenmesi, tahmini ve kontrolü için öneri sistemi oluşturulmuştur. (Zhang vd., 2014). Veriye dayalı teknolojilerden yararlanan dijital tarım, sadece verimliliği, üretkenliği ve gıda güvenliğini iyileştirmeyip biyolojik çeşitliliğin ve toprağın korunması ve insan sağlığı açısından da önemlidir.
Veri analiz teknolojileri arasında, veri temizleme ve büyük veri analiz algoritmaları, MÖ ve tahmine dayalı analitik gibi DÖ uygulamaları ile bulut depolama, gizli bilgi işlem ve sanal veri merkezleri gibi veri toplama teknolojileri giderek önem kazanmaktadır. Veriler, üretim süreçlerinde bilgi ve tavsiye oluşturma ve faaliyetleri otomatikleştirme amacıyla kullanılmaktadır. Veri yönetimi, aktarımı ve paylaşımı teknolojileri, makine destekli dijital iletişim, görüntü tabanlı kontrol, ticaret, ödeme, hizmet ve veri görselleştirme teknolojileri gelecekte gıda ve tarım için faydalı olacaktır. Tarımsal alandaki bu yenilikler makinelerin ve sistemlerin bilgi edinme, uygulama ve akıllı davranış yeteneği olarak tanımlanabilen YZ sayesinde gelişmektedir. Geleceği uygun şekilde tahmin etmek, değiştirmek, iyileştirmek, onarmak için geçmiş deneyim ve verileri kullanan MÖ sürdürülebilir toprak ve tarım yönetiminde oldukça fazla uygulama alanı bulmuştur.
Tarımda dijital veri ve teknolojiler, çiftliklerin iyi yönetiminden üretkenlik ve kaynak kullanımına, düşük teknolojik çözümlerden saha içi sensör ve Nİ, büyük veri analitiği, süreçlerin otomasyonu, robotik ve YZ’ye kadar birçok alanda kullanılmaktadır (OECD, 2022). Tarım sistemlerinde YZ tabanlı robotik ekim, ilaçlama, biçme, toplama, kontrol, hasat, ürün ayırma ve paketleme gibi uygulamalarda kullanılmaktadır. Ancak, robotik teknolojilerin tarımda kullanımı yavaş ilerlemektedir. Kullanımın yaygınlaşması, hız ve doğruluklarının artırılmasına bağlıdır. Birçok faydalı yönüne rağmen dijital teknolojilerin yaygınlaşmasının önündeki engeller olarak yüksek yatırım maliyetleri (Rose ve Chilvers 2018) ve eğitim hizmetlerinin yetersizliği (Paustian ve Theuvsen, 2017) söylenebilir. Geleceğin tarımında daha önemli olacak verilerin kontrolü büyük tarım şirketlerinin eline geçtiğinde, bunun sürdürülebilirlik ilkelerine uygun kullanılıp kullanılmayacağı konusu belirsizdir.
Tarımsal uzaktan algılama
Uzaktan algılama (UA), bitkileri tahrip etmeden uzaktan büyük ölçekte izlenmesine olanak sağlar. UA, insansız kara araçlarına, uyduya veya saha robotlarına monte edilmiş bitkilerden yansıyan elektromanyetik radyasyondan bilgi üretip işleyebilen sensörleri içerir. Günümüz tarımında en önemli teknolojilerden biri olan UA’nın temelini, çevrenin ve bitkinin tüm bilgilerini sağlayan yer tabanlı, uzay ve hava kaynaklı sensörler oluşturur. Sistem biyokimyasal, morfolojik, fenolojik ve fizyolojik fonksiyonel özellikler olarak tanımlanan (Weiss vd., 2020) ve bitkinin performans ve uygunluğunu belirleyen özelliklerden veri ve çözüm üretmeye yöneliktir. UA tarafından sunulan bitki yoğunluğu, yaprak alanı, yaprak içeriği ve işlevleri, bitki örtüsü, toprak sıcaklığı ve nemi gibi bilgiler işlenip, bitki sağlığı, besin eksikliği, sulama süresi ve miktarı ve verim tahmininde kullanılmaktadır (Weiss vd., 2020; Martos vd., 2021). Tarımda UA uygulamaları; HT, iyi çeşitlerin tanılanması, bitki yönetiminin optimizasyonu, tarım fenolojisi, biyoçeşitlilik taraması, üretim tahmini, toprak ve su kaynakları hizmetleri, bitki ve arazi izleme gibi avantajlara sahiptir (Sishodia vd., 2020; Weiss vd., 2020; Zheng vd., 2021). Tarımsal UA’nın önemli alanlarından biri stres tespitidir.
Tarımda bitki sınıflama, gelişmeyi izleme, toprak nemi, geometrik özelliklerin tahmini, fizyolojik ve biyokimyasal özelliklerin belirlenmesi, klorofil ve azot içeriği, yaprak alanı, bitki sağlığı, su ve bitki sayımı ve erozyon analizi benzeri amaçlarla yakın kızılötesi, sentetik açıklıklı radar, floresan spektroskopisi ve görüntüleme, ışık algılama, multispektral, hiperspektral ve görünür kırmızı, yeşil ve mavi (KYM) bitki örtüsü endeksleri sensörleri yaygın olarak kullanılmaktadır (Mishra vd., 2017; Steele-Dunne vd., 2017; Ahmad vd., 2021; Martos vd., 2021; Zheng vd., 2021; Javiaid vd., 2022). Yer tabanlı sensörler uzun zamandan beri kullanılmakta olup kablosuz sensörler, KSA ve frekans tanımlamaları ve küçük algılama cihazları ise yakın zamanda gelişmeye başlamıştır. Kablosuz sensör teknolojileri ve KSA özellikle hayvancılıkta, seralarda ve toprak nemi, sıcaklığı ve iletkenliği gibi parametrelerin ölçümünde kullanılmaktadır (Martos vd., 2021). Sensör verilerini korumak ve güvenlik konularında giderek artan bazı sorunlar olsa da tarım, dronların interneti dönemine giriyor gibi gözükmektedir.
Verim, hastalık ve otomasyon konularında YZ esaslı araştırmalar, KSA ve kontrol otomasyonu kullanımı giderek artmaktadır. Ayrıca bitki gelişmesi ve izlenmesi, hastalık teşhisi, toprak ve arazi analizi, sulama ve gübreleme, ürün hasadı, yabancı ot yönetimi, mekanik tozlaşma, hayvancılık ve ürün sigortası gibi tarımsal uygulamalarda uzaktan kumandalı uçaklar kullanılabilmektedir (Natu ve Kulkarni, 2016; Rani vd., 2019; Devi vd., 2020; Ren vd., 2020; Song vd., 2020; Sun vd., 2020; Ahmad vd., 2021; Saranya vd., 2023).
Sürdürülebilir tarımda yapay zekâ (YZ) ve nesnelerin interneti (Nİ)
YZ, akıllı davranışı otomatikleştiren ve hesaplamalı programlama kullanarak belli bir zekâ düzeyine ulaşan ve akılcı çıktılar üreten bir sistemdir. Yeni ve gelişmekte olmasına rağmen YZ teknolojilerinin verim, ürün izleme, sulama, toprak içeriğinin algılanması, ürün ayıklama, ürün oluşturma gibi tarımın birçok alanında önemli potansiyele sahip olduğu anlaşılmaktadır. YZ ilerledikçe tarımda giderek daha fazla uygulama alanı bulmaktadır (Shaikh vd., 2022). Avrupa komisyonu tarafından; endüstri 5.0 döneminin başladığı ve günümüz tarımının, beşinci devrim olarak uzaktan algılamaya, yapay zekâya ve bulut bilişimine dayandığı bildirilmiştir (Martos vd., 2021). YZ’nın tarım sektörüne en önemli katkıları, görüntü tanıma ve algılama, çıktıyı en üst düzeye çıkarma, becerileri artırma ve işgücüdür (Subeesh ve Mehta, 2021). YZ; görme, öğrenme, anlama, planlama, hareket etme ve iletişim gibi görevleri insanlara benzer şekilde gerçekleştirebilen bir zekâ biçimi olarak; hastalık, toprak yönetimi, haşere ve yabancı ot yönetimi, bitki yönetimi, su kullanımı yönetimi, besin eksikliğinin belirlenmesi, ürün analizi ve çevresel etkilerin takip ve tahmin edilmesinde kullanılabilen tahmine dayalı analitik kategorileri kapsar ve sürdürülebilir üretime hizmet eder (Ryan vd., 2023). Tarımda Nİ ve YZ, sensör verilerini daha iyi kullanma, ürün kalitesini ve miktarını iyileştirme, dahili süreçleri daha iyi yönetme, iş verimliliğini artırma, israfı ve maliyetleri azaltma potansiyeline sahip olup (Alreshidi, 2019), akıllı tarım; YZ ve Nİ kullanımına dayanan bir teknolojidir (Shaikh vd., 2022).
Nİ, gerçekleştireceği görev için makineden makineye ve insandan makineye etkileşim gerektirmeden ağ üzerinden veri aktarabilen bir sitemdir. Nİ veri bloklarını uzaktan algılama, izleme ve geçici olarak depolamak için benzersiz kimliklere ve yeteneklere sahip cihazlardır (Ray, 2018). Nİ ve sensörlerinin kapsam, verimlilik, maliyet, dayanıklılık, bellek, taşınabilirlik, güç verimliliği, güvenirlik, yaşam kolaylığı, üretkenlik, izleme, kaynak optimizasyonu, akıllı sulama, ürün ve haşere izleme, kontrol, hasat ve ürün kalitesini koruma özelliklerinden dolayı akıllı tarımda kullanımları giderek artırmaktadır (Qureshi vd., 2022). Nİ sensör bileşenleri teknolojisi, ortam faktör ve değişkenlerini toplamak ve ölçmek için kullanılmaktadır (Gómez vd., 2017). Nİ uygulamalarının çoğunluğu kablosuz veri iletimine dayandığından, Nİ teknolojisinde KSA’nın rolü büyüktür. Tarım süreçleri giderek Nİ cihazlarından elde edilecek verilere bağlanmaktadır. Nİ uygulamalarında, jeo-uzamsal ve zamansal haritalama ve örnekleme, su stresi değerlendirmeleri, zararlı ve yabancı ot yönetimi, bitki örtüsü indeksleri, verim değerlendirmesi ve hassas gübreleme öne çıkmaktadır. Ayrıca Nİ teknolojileri; hava durumuna ayarlı bitki ve toprak stres düzeyine bağlı akıllı sulama sistemlerinde (Keswani vd., 2019), görüntü işleme ve erken teşhisle hastalık ve zaralıların kontrolünde (Dhanaraju vd., 2022), hasadın planlanmasında (Goedde vd., 2020) ve optimum besin ihtiyacının tahmininde (Suganya vd., 2019) başarıyla kullanılabilmektedir. Nİ uygulamalarının genel olarak tarımsal kaynak kullanım etkinliğini artırma (Abioye vd., 2020; Tao vd., 2021; Pincheira vd., 2021), hastalık ve zararlıları azaltma (Bischoff vd., 2021), enerji kullanımını ve CO2 emisyonunu azaltma (Maraveas vd., 2022) potansiyeline sahip olduğu belirtilmiştir. Uygulayan firmaların birinci hedefi olmasa da Nİ teknolojisi tarımın sürdürülebilir üretim sistemine dönüşmesine katkı sağlamaktadır (Wolfert ve Isakhanyan, 2022).
Araştırmalarda elma, buğday, mısır, çeltik, çilek, domates, biber, asma ve kahvede DÖ ilkeleri kullanılarak biyotik ve abiyotik stres sınıflandırılması (DeChant vd., 2017; Fuentes vd., 2017; Liu vd., 2018; An vd., 2019; Cruz vd., 2019; Liang vd., 2019; Nie vd., 2019; Esgario vd., 2020; Lin vd., 2020), bitki fenotipleme (Jung vd., 2021), verim tahmini (Fu vd., 2020), meyve ve yabancı ot tespiti (Apolo- Apolo vd., 2020; Huang vd., 2018) yapılabilmiştir. YZ ve MÖ, toprakların çoraklaşmasına yol açan aşırı kimyasal kullanımının önlenmesi (Elahi vd., 2019) amacıyla kullanılabilmiştir. YZ ve zekâ gerektiren olayları nasıl gerçekleştireceğini öğrenen makineler, çiftçilerin düşük girdilerle yüksek çıktı elde etmelerine yardımcı olma, ilaç kullanmadan yabancı ot kontrolü, verim ve talebi doğru tahmin ederek israf ve bozulmayı azaltma potansiyeline sahiptir (Bu ve Wang, 2019; Sparrow vd., 2021).
Nİ ve sensör teknolojisindeki gelişmelerle birlikte DÖ teknolojisi birleştirildiğinde, bitki fenolojisi, toprak ve bitki örtüsü haritalama, hava ve verim tahmini, bitki kanopi ve yüksekliği, gübrelerin etkisi, su stresi, yeraltı suyu ve kuraklık koşullarının tespiti, yabancı ot, haşere ve hastalık tespiti ve yönetimi, seraların izlenme ve yönetiminde yardımcı olabilmektedir (Kamilaris ve Prenafeta- Boldú, 2018; Quazi vd., 2022). YZ uzaktan algılama araçlarını da kullanarak iklim verilerinin ve bitki kalitesinin izlenmesi (Manogaran ve Lopez, 2018), otomatik iklim kontrollü seralar (Hemming vd., 2019), tahmine dayalı analiz, dijital bitki sağlığı teşhis uygulamaları, çiftlik yönetimi (Chen vd., 2022) ve hayvancılık yönetiminde yaygın olarak kullanılabilmektedir (Bhagat vd., 2022). Sulama, besin ve ürün kalitesi yönetimi, sıcaklık, toprak nemi, su akışı, CO2 ve ışık radyasyonunun kontrolü gibi seracılık ihtiyaçlarının iyileştirilmesi, uzaktan algılama destekli kontrol sistemleri, MÖ ve Nİ teknolojileri kullanılarak sağlanabilmektedir (Zhou vd., 2022).
Tarımda insansız hava araçları (İHA) ve dronlar
Dünya genelinde giderek artan uzaktan algılama, dron ve İHA’ların kullanımının ana hedefi bitki ve yabancı ot tespiti, bitki izleme, haritalama, biyokütle değerlendirmesi ve verim tahminidir. Uzaktan algılamaya dayalı verim tahmini için de MÖ yöntemleri geliştirilmektedir. Uzaktan kumandalı İHA’lar veya dronlar püskürtme, ekim, iyi yönetim, zamansal değişimlerin izlenmesi, anormallik ve olası sorunların belirlenmesi, analiz etme ve gerçek zamanlı verileri diğer ekipman ve tesislere taşımak için bilgisayar vizyonunu kullanabilir. Farklı izleme sistemleriyle toprağın biyolojik, kimyasal ve fiziksel özellikleri izlenerek, toprak kalitesinin geliştirilmesi için önlemler alınabilmektedir.
Ürün kalitesinin ve sulama ekipmanlarının izlenmesi, gübre uygulama, yabancı ot tanımlama, sürü ve yaban hayatı izleme ve afet yönetiminde dronlar kullanılmaktadır (Veroustraete, 2015; Natu ve Kulkarni, 2016; Ahirwar vd., 2019). İHA teknolojileri; belli bir alanda bulunan çiçek sayısı, nektar miktarı ve bal arısı için habitat potansiyelinin belirlenmesinden, tarımsal girdi israfının önlenmesi ve kuş imdat veya yırtıcı hayvan sesiyle kuş zararının önlenmesine kadar birçok karmaşık sorunun çözümünde sürdürülebilir tarım için önemli bir yardımcıdır. Robotik, bilgi işlem, YZ, Nİ, bilgi ve iletişim teknolojilerinin bileşimi olan İHA teknolojisi pratikte hava, bulut, yer şekilleri, engebeler nedeniyle uydu üzerinden algılama ve görüntüleme sınırlamasını ortadan kaldırabilmektedir (Qureshi vd., 2022). Nitekim, geliştirilen evrişimsel sinir ağları (ESA) İHA’lardan alınan KYM verilerini kullanarak arpa ve buğday verim tahmininde başarılı olmuş ve ESA modelinin KYM verileriyle, bitki örtüsü indeks değerlerinden daha iyi performans gösterdiği vurgulanmıştır (Nevavuori vd., 2019). Nİ ve İHA’ların geleneksel tarımı hassas veya akıllı tarıma dönüştüren ve akıllı tarım için en önemli teknolojiler olduğu (Saranya vd., 2023), HT’da akıllı sensörler İHA kullanılarak entegre edilebildiği (Boursianis vd., 2022) ve sürdürülebilir HT uygulamalarında İHA teknolojisinin genişlemeye devam edeceği (Maes ve Steppe, 2019) bildirilmiştir. HT’da ürün izleme ve pestisit benzeri uygulamalarda İHA kullanılmaktadır (Talaviya vd., 2020).
İHA’lar toprak ve bitki örnekleme ve haritalama (Saranya vd., 2023), bitki gelişme parametrelerinin takibi (Chang vd., 2017), verim tahmini (Hassan vd., 2019), zararlı ve hastalık tespiti (Vanegas vd., 2018), yabancı ot tespiti (Huang vd., 2018), toprak ve bitki stres yorumu (Park vd., 2017; Ivushkin vd., 2019) ve yaprak alan indeksinin tespiti (Roth vd., 2018) gibi izleme aşamaları ile ekim (Diwate vd., 2018), herbisit (Castaldi vd., 2017), pestisit (Faiçal vd., 2017) ve gübre uygulama (Muhammad vd., 2019) aşamasında kullanılabilmektedir. İHA tarafından sağlanan spektral ve dijital görüntülere dayalı bitki örtü indeksleri kullanılarak çeltikte tane verimi tahmini yapılabilmiş (Zhou vd., 2017) ve kışlık buğdayın gelişim aşamaları izlenebilmiştir (Zhang vd., 2019). Hassas bağcılıkta, gerçek zamanlı ölçümler için İHA ve KSA entegrasyonu ile toplanan yüksek çözünürlüklü veriler kullanılarak; asma üretim, verim, kalite ve karlılığını etkileyen parametreler ile üretim verimliliği uygun girdi maliyetiyle optimize edilmiştir (Spachos ve Gregori, 2019). İHA ve görüntülerden bir derin evrişimsel sinir ağı kullanılarak arpada azot gübrelemesi ve verim tahmini yapılabilmiştir (Escalante vd., 2019). İHA tabanlı UA kullanımı ile HT gittikçe gelişmektedir.
Hassas tarım (HS), tarım 4.0 ve 5.0.
Günümüzün yeni teknolojilerini kullanan akıllı tarımsal üretim sistemlerini tanımlamak için, “hassas tarım”, “hassas yaklaşım”, “akıllı tarım”, “uzaktan algılama”, “sayısal tarım”, “bilgi yoğun tarım”, “değişken oranlı tarım”, “sahaya özel ürün yönetimi”, “tarım 4.0 ve 5.0” ve “dijital tarım veya çiftçilik” gibi birbiriyle değiştirilebilir kavramlar ortaya çıkmıştır (Martos vd., 2021). Son yıllarda ortaya çıkan “tarım 5.0” kavramının YZ ve robotiklerin veriye dayalı sürdürülebilir tarım kapsamına alınmasını kapsayan bir kavram olduğu vurgulanmıştır (Saiz-Rubio ve Rovira-Más, 2020). Akıllı tarım veya tarım 4.0 çevresel sensörlerin ve tahmin teknolojilerinin entegrasyonu esasına dayalı birçok güncel teknolojiyi içermekte, daha az doğal kaynak kullanarak daha fazla üretkenlik amaçlamaktadır (Shaikh vd., 2022).
HT zamansal, mekânsal ve bireysel verileri toplayan, işleyen ve analiz eden, kaynak verimliliğini, üretkenliğini, kalitesini, karlılığını ve sürdürülebilirliğini geliştirme stratejisidir. HT, verilerin toplanması, işlenmesi, analiz edilmesi ve uygulanması için bilgi teknolojilerini kullanmakta, tarımsal gıda sistemlerinin dönüşümünde dijital teknolojilerin entegrasyonundan yaralanmakta ve sonuçta da kaynakların etkin kullanımını, üretkenliği, karlılığı, kaliteyi ve tarımsal üretimin çevresel etkilerini azaltabilmekte ve sürdürülebilirliğine katkı yapmaktadır (Çakmakçı vd., 2023). Tarımda dijital verilerin kullanımının verim artışı sağlama özelliği, HT uygulamaları ile ortaya konulmuştur. HT, geleceğin sürdürülebilir verimli gıda sistemlerini oluşturmak için uydu teknolojilerini kullanmakta, bitkinin gerçek ihtiyaçlarının dikkate alınması, kaynak kullanımı için iyi zaman yönetimi, çevresel etkilerin azaltılması ve verim etkinliğinin artırılması gibi bakış açılarını benimsemektedir. Kullandığı teknolojiler; yönlendirme, bilgi yönetimi, uygulama ve veri analiz teknolojileri olarak dört aşamada özetlenebilir. Yönlendirme teknolojileri donanım ve yazılıma dayalı her türlü otomatik yönlendirmeyi kapsarken, uygulama teknolojileri yazılıma dayalı geliştirilen besin maddeleri, sulama, tohum ekimi, bitki koruma maddeleri, yabancı ot kontrolü için değişken oranlı sulama gibi uygulamaları kapsamaktadır (Dayıoğlu ve Türker, 2021). Akıllı tarım, DÖ, YZ, Nİ ve bulut bilişim gibi en son teknolojileri entegre ederek, bilgi ve birikim yardımıyla tarım sektörünün otomatik olarak takibi, izlemesini, akıllı bir şekilde kontrol edilmesini ve kararlar almasını sağlayan bir yönetim stratejisidir (Saranya vd., 2023). Akıllı tarım, çevresel koşullar, büyüme durumu, toprak durumu, sulama suyu, gübreler, yabancı ot yönetimi ve sera üretimi gibi uygulamaların girdilerini optimize etmek ve ayrıca maliyetleri azaltma ve tarımsal verimliliği artırmayı hedeflemektedir.
Tarım 4.0 teknolojileri; izleme, kontrol, tahmin ve lojistik uygulamalarını içermektedir. Tarım 4.0 kapsamında hava ve sera, bitki, toprak, su ve hayvan izleme uygulamalarının yanı sıra akıllı seralar, gübreleme sistemleri, sulama sistemleri, yabancı ot, zararlı ve hastalık kontrolü, hasat ve benzeri kontrol uygulamaları bulunmaktadır (Araújo vd., 2021). İzleme, hızlı ve doğru karar verme, zamanında müdahale, zaman ve maliyetlerden tasarruf sağlamaktadır. Tarım 4.0 ana yönlerinden biri akıllı telefonlar ve kameralar gibi mobil cihazların tarlada doğrudan kullanılarak izleme ve veri toplama yoluyla hastalıkların tanınmasıdır (Megeto vd., 2020).
Araştırmalar, Nİ ve YZ gibi dijital teknolojilerin sürdürülebilir tarımı geliştirmek için kilit teknolojiler olduğunu göstermektedir (Jung vd., 2021; Wolfert ve Isakhanyan, 2022). Nİ teknolojileri veri depolama, veri yönetim ve analitiği sağlamakta; her türlü kaynaktan gelen veriyi filtreleyebilmekte, kullanabilmekte ve akıllı tarımda yaygın olarak uygulanabilmektedir. Değişken oranlı uygulamaları esas alan HT ve akıllı tarım teknolojileri sadece girdi maliyetini düşürmekle kalmayıp, üretimin verim ve kalitesini de artırabilmektedir (Wolfert vd., 2017; Boursianis vd., 2022). Nİ kullanılarak HT’da doğal kaynakların verimli kullanımı, çevrenin korunması için toprak ve bitki değişimlerini ölçmek ve yorumlamak, değişkenliği mekansal ve zamansal olarak yönetmek ve sonuçları izlemek esas alınmaktadır (Mahmood vd., 2013). HT, Nİ, sensör, bilgi ve iletişim teknolojileri kullanılarak gerçek zamanlı verilerden karlılık ve sürdürülebilirlik sağlanırken (Mohanraj vd., 2016), bu sistemleri kullanan akıllı seralarda iklim ve gelişme koşulları izlenerek istenildiğinde ısıtma, soğutma, sulama gibi müdahaleler yapılabilmekte (Öztürk vd., 2021) ve en az insanla, gerekli önlemler zamanında alınabilmekte ve bitki yetiştirilebilmektedir (Bibri, 2018). Sera çiftliği, HT’ye benzemekle birlikte kapalı ve izole ortamda yürütüldüğü ve akıllı sistemler tarafından kontrol edildiği için farklıdır. Bu sistemde Nİ ve akıllı sistemler sayesinde izleme ve kontrol ve geleneksel yöntemlerden daha fazla üretim sağlamaktadır. Sera çiftliği uygulamalarıyla sürdürülebilir çiftlik için çöl alanlarının bile kullanılabileceği vurgulanmıştır (Qureshi vd., 2022).
Algılama ve iletişim yoluyla izleme ve karar desteği sağlayan İHA sistemleri tarımda çığır açan teknolojiler olarak değerlendirilmekte (Zhang ve Kovacs, 2012), İHA teknolojileri geliştikçe akıllı tarımda kullanılan önemli teknolojilerden biri olan uzaktan algılamanın giderek yaygınlaşacağı öngörülmektedir (Maes ve Steppe, 2019). Hassas tarımda, İHA teknolojisi kullanımının en faydalı alanlarından biri yabancı ot tespit ve yönetimidir. İHA ve DÖ teknikleriyle bitki ve yabancı otlar ayrı ayrı tanılanabilmiş (Barrero vd., 2018; Sa vd., 2018), İHA sistemiyle elde edilen yüksek çözünürlüklü KYM görüntülerden yabancı ot tespiti yaklaşımı geliştirilmiştir (Mateen ve Qingsheng, 2019). HT’de İHA; bitki modelleme, verim yönetimi, nihai verim tahmini, spektral görüntü, akıllı sensör entegrasyonu, fenotipleme ve bitkisel indeks hazırlama alanlarında kullanılmaktadır (Boursianis vd., 2022). YZ, hassas tarımı giderek daha uygun ve uygulanabilir hale getirirken; geleneksel tarımı hassas/akıllı tarıma dönüştüren dijital ve bilgisayar destekli tarım teknolojileri kaçınılmaz olmaktadır.
Sonuç
Tarımda karşılaşılan ve gelecekte daha artacak olan zorluklarla başa çıkmak ve verimliliği artırmak için bilimsel ve teknolojik gelişmelere her zamankinden daha fazla ihtiyaç vardır. Son yıllarda geliştirilen/geliştirilmekte olan yeni teknolojiler süreçleri daha verimli hale getirebilir, doğru karar verme, güvenli, kaliteli ve sürdürülebilir gıda üretimine katkı sağlayabilir. Bu teknolojiler verim ve kaliteyi iyileştirebilir, maliyetleri azaltabilir, toprak tuzluluğunu azaltıcı hassas sulama ve bitki besin maddesi kullanım etkinliğini artırabilirler. Ayrıca verimli rasyonel gübreleme ve pestisit kullanımından kaynaklanan kirliliği azaltabilir. Gelecekte tüm bitkilerde temel özelliklerin makine ve derin öğrenme modellerinin seçimi önerilebilir. Biyosensörlerin bitkilere dahil edilmesi; bitki moleküler süreçleri, besin asimilasyonu, antioksidan üretimi, meyve olgunlaşmasını gösteren etilen seviyesi ve diğer önemli parametreleri ölçmede etkili olabilecektir. Geçmiş ve güncel tarla verileri toprak verimliliğinin tahmininde kullanılabilirken, belli bir alanda yetersiz beslenen bitkiler tuz ve kuraklık stresi gibi koşulların göstergesi olabilir. Uzaktan algılama teknolojilerinin maliyet sorunları çözülerek tarıma dahil edilmesi gıda sektörünün sürdürülebilirliğini kolaylaştırabilir.
Bu derlemede, YZ teknolojilerinin; arazi kalitesi, hava durumu, tarımsal verilerin çıkarılması, projeksiyon ve verim tahmini, yeraltı suyu, ürün döngüsü, yabancı ot, hastalık ve haşere gibi alanlarda faydalı olacağı açıkça görülmüştür. Yeni teknolojiler hayvancılık sistemlerinde optimum çevre koşullarının sağlanması ve sağlık sorunlarının erken teşhisinde yardımcı olabilmektedir. Tüm bu olumlu gelişmelere rağmen veri gizliliği, güvenlik açığı, tekelleşme, tarihsel haritalama eksikliği, yavaş veri işleme, sensörlerin maliyeti, doğal dünyadan kopma, işleme karmaşıklığı ve eğitim gibi zorlukları aşmak; YZ, Nİ, her şeyin interneti (IoE), dronların interneti (IoD), İHA ve MÖ gibi yenilikçi verim, kalite ve kar artışı sağlayan teknolojilerin yayılma ve benimsenmesine katkı yapabilir. Geleceğin tarımı, özellikle su kaynağı kıtlığı, sıcaklık değişimleri, gıda kıtlığı ve israfı gibi zorlukların çözümünü uygun maliyetle bulmalı ve üstesinden gelmelidir. Bu durum, kirlilik düzeyinin azaltılması ve enerji üretkenliğinin artırılması, risklerin uygun yönetimi, çevre ve ekolojik varlıkların korunması, çevresel, sosyal ve ekonomik sürdürülebilirlik için yeni teknolojilerin geliştirilmesiyle mümkün olabilecektir. Tarım teknolojisi sürdürülebilirliği esas almalı, girdi ihtiyacını azaltmalı, uygulamaları kolaylaştırmalı, tarımsal biyolojiyi yüksek oranda kullanmalı, doğaya, insana, toprak, çevre ve su gibi kaynaklara saygılı ve güven verici olmalıdır. Bu derlemenin, tarımda sürdürülebilirlik, izlenebilirlik, verim, kalite ve daha birçok yönüyle yararlı olacağı düşünülmektedir.
Kaynakça
Abioye, E.A., Abidin, M.S.Z., Mahmud, M.S.A., Buyamin, S., Ishak, M.H.I., Rahman, M.K. I.A., Otuoze, A.O., Onotu, P., & Ramli, M.S.A. (2020). A review on monitoring and advanced control strategies for precision irrigation. Computers and Electronics in Agriculture, 173, 105441.
Ahirwar, S., Swarnkar, R., Bhukya, S., & Namwade, G. (2019). Application of drone in agriculture. International Journal of Current Microbiology and Applied Sciences, 8(1), 2500–2505.
Ahmad, A., Ordoñez, J., Cartujo, P., & Martos, V. (2021). Remotely piloted aircraft (RPA) in agriculture: A pursuit of sustainability. Agronomy, 11(1), 7.
Alreshidi, E. (2019). Smart sustainable agriculture (SSA) solution underpinned by internet of Things (IoT) and artificial intelligence (AI). International Journal of Advanced Computer Science and Applications, 10(5), 93-102.
An, J., Li, W., Li, M., Cui, S., & Yue, H. (2019). Identification and classification of maize drought stress using deep convolutional neural network. Symmetry, 11(2), 256.
Apolo-Apolo, O.E, Martínez-Guanter, J., Egea, G., Raja, P., & Pérez-Ruiz, M. (2020). Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV. European Journal of Agronomy, 115, 126030.
Araújo, S.O., Peres, R. S., Barata, J., Lidon, F., & Ramalho, J.C. (2021). Characterising the agriculture 4.0 landscape-emerging trends, challenges and opportunities. Agronomy, 11 (4), 667.
Aslantaş, R., Karakurt, H., & Karakurt, Y. (2010). Bitkilerin düşük sıcaklıklara dayanımında hücresel ve moleküler mekanizmalar. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 41 (2), 157-167.
Bali, N., & Singla, A. (2021). Deep learning based wheat crop yield prediction model in Punjab Region of North India. Applied Artificial Intelligence, 35(15), 1304–1328.
Barrero O., & Perdomo S.A. (2018). RGB and multispectral UAV image fusion for Gramineae weed detection in rice fields. Precision Agriculture, 19(5), 809–822.
Berckmans, D. (2014). Precision livestock farming technologies for welfare management in intensive livestock systems. Revue Scientifique et Technique, 33, 189–196.
Bhagat, P.R., Naz, F., & Magda, R. (2022). Artificial intelligence solutions enabling sustainable agriculture: A bibliometric analysis. PLoS One, 17(6), e0268989.
