Ham protein tahmini için Tamani çayırı modellerinde makine öğrenimi

Akıllı meraların akşam yemeğiniz için önemi

Et ve süt işin başlangıcında ottur. Dünyada milyarlarca hektar mera sığır, koyun ve diğer geviş getiren hayvanları besliyor. Bu hayvanların iyi büyüyüp sağlıklı kalabilmesi için otların yeterli proteine sahip olması gerekir; protein kasların, sütün ve hayati organların yapı taşıdır. Ancak otlardaki proteini ölçmek genellikle numune kesip laboratuvara göndermeyi gerektirir—yavaş ve maliyetli bir işlem olduğu için çoğu çiftçi bunu sık yapamaz. Bu çalışma, basit saha ölçümlerinin modern bilgisayar teknikleriyle birleştirilerek ot proteinini hızlı ve ucuz biçimde tahmin edip çiftçilerin otlatma ve gübrelemeyi daha az kaynakla ince ayar yaparak optimize etmesine nasıl yardımcı olabileceğini araştırıyor.

Tropikal bir iş atı otuna daha yakından bakış

Araştırmacılar, Brezilya’da yoğun otlatma için yaygın olarak kullanılan verimli bir tropikal ot olan Tamani çayırına odaklandı. 18 ay boyunca, 0.96 hektarlık bir mera küçük paddock’lara bölünerek iki farklı azot gübreleme düzeyi ve bitkilerin hangi oranda ışık tuttuğuna dayalı iki otlatma stratejisine maruz bırakıldı. Mevsimler, sıcaklık, yağış, güneşlenme, her paddock’un otlatmalar arasında ne kadar dinlendiği ve hayvanlar otlatılmadan önce ve sonra ot yüksekliği gibi kolayca elde edilebilecek bilgileri kaydettiler. Aynı zamanda sınırlı sayıda yaprak örneği alıp özel bir optik yöntemle ham proteini ölçerek günlük yönetimi ot kalitesiyle ilişkilendiren küçük ama ayrıntılı bir veri seti oluşturdular.

Bilgisayarlara merayı okumayı öğretmek

Uydu görüntüleri veya insansız hava araçlarına güvenmek yerine—bunlar özel ekipman ve hesaplama gücü gerektirir—ekip yalnızca bir tablo şeklinde veri kullandı; bir elektronik tabloda görebileceğiniz türden veriler. Beş farklı makine öğrenimi yaklaşımını test ettiler: standart doğrusal bir model, temel bir karar ağacı, sinir ağı tarzı bir model ve birçok basit modeli bir araya getirerek gücü artıran iki popüler ağaç tabanlı yöntem. Bu modelleri ölçümlerin %80’i üzerinde eğittiler ve kalan %20’yi test için ayırdılar. Amaç basit ama pratiktı: bir çiftçinin kolayca kaydedebileceği bilgiler—gübre dozajı, dinlenme süresi, ot yüksekliği ve temel hava durumu—verildiğinde, bilgisayar yapraklardaki protein miktarını tahmin edebilir miydi?

Yönetim seçimleri protein düzeylerini nasıl şekillendiriyor

Modeller, meraların nasıl yönetildiğinin bu çalışmada kaydedilen hava koşullarından daha fazla protein içeriğini etkilediğini ortaya koydu. Tüm faktörler arasında en önemlisi otlatmalar arasındaki süreydi: daha uzun dinlenme dönemleri daha yaşlı ve daha lifli bitkilere, dolayısıyla daha düşük proteine yol açarken, daha kısa aralıklar daha genç ve yapraklı, protein açısından zengin otları korumaya yardımcı oldu. Azot gübresi de önemli bir rol oynadı; çünkü azot bitki proteinlerinin ve klorofilin ana bileşenidir. Ot yüksekliği, otlatma öncesi ve sonrası, önem sıralamasında onu izleyerek protein düzeylerini hayvanların merada ne kadar sıkı otlamasına bağladı. Yağış, sıcaklık, güneşlenme ve mevsim etiketlerinin hâlâ bir etkisi vardı, ancak günlük yönetim kararları kadar etkili değillerdi.

Bilgisayar tahminleri ne kadar doğruydu?

En iyi performans gösteren yöntemler iki gelişmiş ağaç tabanlı modeldi. Random Forest adı verilen biri ile XGBoost olarak bilinen diğeri, tahmin edilen ve gözlemlenen protein değerleri arasında benzer korelasyonlar üretti; bu da tahminlerinin gerçek değerlerle birlikte yükselip düştüğü anlamına geliyor. XGBoost genel olarak biraz daha iyi performans gösterdi, protein içeriğindeki değişimin biraz daha fazlasını açıkladı ve ortalama tahmin hatalarını yaklaşık bir buçuk yüzdelik puan civarında tuttu. Bu mükemmel olmasa da, çoğu yönetim kararı için faydalı olacak kadar doğru; özellikle de bunun çoğu çiftçinin temel araçlarla ve bir defter ya da basit bir uygulamayla zaten kaydedebileceği bilgilere dayanması göz önüne alındığında.

Çiftçiler ve gıda tüketicileri için anlamı

Sıradan bir okuyucu için mesaj açık: meraların ne kadar süre dinlendirildiğine, hayvanlar girip çıkarken otun ne kadar uzun olduğuna ve ne kadar azot gübresi uygulandığına dikkat ederek çiftçiler otların protein içeriğini istenen yönde yönlendirebilir. Bu çalışma, ulaşılabilir, kolay toplanan ölçümlerin akıllı algoritmalarla birleştirilerek sürekli laboratuvar çalışması veya pahalı algılama ekipmanı olmadan hızlı ot proteini tahminleri sağlayabileceğini gösteriyor. Eğer daha büyük ve daha çeşitli veri setleriyle yapılacak gelecekteki araştırmalar bu sonuçları doğrularsa, bu tür araçlar daha az girdiyle, daha düşük maliyetle ve daha iyi çevresel sonuçlarla daha fazla et ve süt üretimine yardımcı olabilir—nihayetinde daha verimli ve sürdürülebilir hayvancılıktan tüketicilere ulaşan faydalar.

Atıf: Oliveira de Aquino Monteiro, G., dos Santos Difante, G., Baptaglin Montagner, D. et al. Machine learning models for crude protein prediction in Tamani grass pastures. Sci Rep 16, 5805 (2026). https://doi.org/10.1038/s41598-026-36949-6

Anahtar kelimeler: mera yönetimi, yem kalitesi, makine öğrenimi, ham protein, hassas hayvancılık