Makine öğrenimi algoritmalarıyla desteklenen kompozisyonel besin tanısı normları kullanılarak hindistanda birden fazla besin eksikliği stresinin ayırt edilmesi

Hindistan Cevizi Beslenmesi Neden Önemli

Hindistan cevizleri tropikal bir fonun ötesindedir; özellikle Hindistan’ın güneyinde milyonlarca küçük çiftçi için ekonomik bir can simidi oluştururlar. Ancak dünyanın en önemli hindistancevizi bölgelerinden biri olan Kerala’da verimler son yıllarda keskin şekilde düşmüştür. Başlıca neden yalnızca kuraklık veya zararlılar değil, çiftçilerin ayakları altındaki karmaşık ve sessiz bir sorun: toprakta ve palmiye ağaçlarının kendisinde birden çok besin eksikliği. Bu çalışma, bileşik besin tanısı (compositional nutrient diagnosis) adı verilen matematiksel bir araç ile makine öğrenimini birleştirerek, örtüşen bu eksiklikleri çözmenin yeni bir yolunu araştırıyor; böylece çiftçilere hangi besinlerin en önemli olduğunu ve verimi nasıl eski haline getireceklerini anlamada yardımcı olmayı amaçlıyor.

Hindistancevizi Bahçelerinde Gizli Bir Kriz

Kerala’nın laterit toprakları genelinde, hindistancevizi ağaçları genellikle gübre kullanımının düşük, düzensiz veya tahmine dayalı olduğu küçük hanelerde yetişir. Bu aşırı yıkanmış kırmızı topraklar asidiktir ve monsun yağmurlarıyla önemli besinler kolayca yıkanır. Sararan yapraklara bakmak, bir veya iki besini ayrı ayrı test etmek ya da küçük saksı deneylerine güvenmek gibi geleneksel tanı yöntemleri, birçok besin aynı anda dengesiz olduğunda başa çıkmakta zorlanır. Farklı eksikliklerin belirtileri örtüşür ve kolayca hastalık veya böcek zararıyla karıştırılabilir. Sonuç olarak çiftçiler yanlış gübre uygulayabilir veya doğru olanın çok azını kullanabilir; bu da verim potansiyelinin büyük ölçüde kullanılmamasına yol açar.

Tarla Örneklemeden Besin Parmak İzine

Tam beslenme tablosunu yakalamak için araştırmacılar, Güney Kerala’nın geniş bir bölgesinde 120 hindistancevizi tarlası örneklediler; hepsi yaygın West Coast Tall çeşidiyle dikilmişti. Ağaçların yakınından iki derinlikte toprak topladı, her ağaçtan belirli bir “indeks” yaprak aldı ve azot, fosfor, potasyum gibi ana elementlerin yanı sıra kalsiyum, magnezyum ve kükürt gibi destekleyici besinler ile demir, manganez, çinko, bakır ve bor gibi eser elementleri dikkatle ölçtü. Verimler geniş bir aralıkta değişti—palmiye başına yılda yaklaşık 34 ile 118 meyve arasında—bu da her ağacın bu karmaşık besin ortamını çok farklı şekilde deneyimlediğini gösteriyor. Analizler laterit topraklarına tipik birçok deseni doğruladı: asidik koşullar, derinlikle azalan kalsiyum ve magnezyum, düzensiz fosfor ve potasyum dağılımı ve özellikle kırılgan bor tedarikleri.

Dengesizliği Çözmek için Oranlar ve Algoritmalar

Ekibi, her besini basit bir “yeterli/ yetersiz” ölçeğinde değerlendirmek yerine bitki beslenmesini birbirine bağlı, kapalı bir sistem olarak ele aldı; burada tüm besin düzeyleri birbirleriyle ilişkili olarak yorumlanmalıdır. Kompozisyonel besin tanısı, yaprak besin içeriklerini, her bir besinin grubun bütünüyle nasıl karşılaştırıldığını tanımlayan bir dizi log‑oranına dönüştürür. En yüksek verim veren palmiye ağaçlarından (yılda yaklaşık 81’den fazla meyve üretenler) araştırmacılar “ideal” denge desenini tanımladılar—iyi beslenmiş bir ağacın besinsel parmak izi gibi davranan normlar. Her yeni palmiye için oran seti bu normlarla karşılaştırılabilir; bu da hem yönü (eksiklik veya fazlalık) hem de şiddeti gösteren her bir besin için bir indeks üretir. Birleştirilmiş bir “dengesizlik skoru” ise palmiye beslenmesinin optimumdan ne kadar saptığını özetler.

Verimi Sınırlandıran Nedir ve Makineler Nasıl Yardımcı Oluyor

Bu çerçeveyi saha verilerine uygulamak, magnezyumun en yaygın sınırlayıcı besin olduğunu, bunu yakından potasyumun izlediğini ortaya koydu; fosfor, kükürt, çinko ve bor eksiklikleri de birçok palmiye ağacında görüldü. Düşük verimli ağaçlarda magnezyum, potasyum ve fosfor için besin indeksleri ile verim arasında güçlü pozitif bağlantılar vardı; bu, bu besinlerin daha iyi dengelenmesinin doğrudan daha fazla meyveye dönüştüğünü gösteriyor. Çalışma ayrıca karmaşık etkileşimleri ortaya çıkardı: örneğin fazla fosforun çinko ile çatışma eğiliminde olduğu ve bazı katyonların yüksek seviyelerinin diğerlerini engellediği görüldü. Tanı kurallarının sağlam olup olmadığını test etmek için yazarlar, CND indekslerine dayanarak palmiyeleri besin açısından yetersiz veya yeterli olarak sınıflandırmak için bir karar ağacı ve derin bir sinir ağı olmak üzere makine öğrenimi modelleri eğitti. Tekrarlı çapraz doğrulama kullanıldığında, her iki model de çok yüksek doğruluk ve tüm besinler genelinde dengeli ile dengesiz ağaçları ayırt etmede mükemmel yetenek gösterdi.

Yerde ve Bitkinin Üzerinde Stres

Çalışma, besin dengesini kök (wilt) hastalığı ve küçük eriophyid akarının saldırılarıyla da karşılaştırarak bir adım daha ileri gitti; bunlar Kerala’nın hindistancevizi bahçelerindeki iki önemli biyolojik tehdittir. Hem magnezyum hem de potasyum eksikliği çeken palmiyeler yalnızca daha az meyve üretmekle kalmadı, aynı zamanda yalnızca magnezyum eksikliği olanlara kıyasla daha şiddetli hastalık belirtileri ve daha ağır akar hasarı gösterdi. Araştırmacılar, zayıf beslenmenin yaprak ve meyve bütünlüğünü azalttığını, bunun da akarlıların gevşemiş periant altında saklanmasını ve hastalığın ilerlemesini kolaylaştırdığını öne sürüyor. Bu şekilde, görünmeyen besin stresi ile görülebilir zararlı ve hastalık problemleri birbirini pekiştirerek verim kayıplarını derinleştirir.

Karmaşık Veriden Pratik Kararlara

Kompozisyonel besin tanısını makine öğrenimi ile birleştirerek bu çalışma, toprak kimyası, bitki fizyolojisi ve zararlı baskısının düğümlendiği ağı yapılandırılmış bir karar aracına dönüştürüyor. Hangi tek besinin ekleneceğini tahmin etmek yerine, çiftçiler ve danışmanlar en sınırlayıcı besini belirleyebilir, ikincil kısıtları sıralayabilir ve dengesizliklerin zararlı ve hastalık salgınlarını nasıl besleyebileceğini anlayabilir. Kerala’nın hindistancevizi yetiştiricileri için—ve zorlu topraklardaki diğer çok yıllık ürünler için potansiyel olarak—bu yaklaşım daha akıllı gübre programlarına, daha sağlıklı ağaçlara ve “Cennetin Ağacı”ndan daha güvenilir hasatlara giden bir yol sunuyor.

Atıf: N., N., Raj, K.K., Gopinath, P.P. et al. Disambiguation of multiple nutrient deficiency stresses in coconut using compositional nutrient diagnostic norms powered by machine learning algorithms. Sci Rep 16, 13713 (2026). https://doi.org/10.1038/s41598-026-40501-x

Anahtar kelimeler: hindistan cevizi beslenmesi, toprak verimliliği, makine öğrenimi, besin dengesizliği, bitki sağlığı