Sürdürülebilir tarım için ürün seçimini optimize etme: makine öğrenimi ve IoT tabanlı sensörleri entegre eden bileşik bir topluluk yaklaşımı

Aç Bir Gezegen için Daha Akıllı Tarım

Dünya nüfusu neredeyse 10 milyona doğru ilerlerken, çiftçiler giderek ısı, kuraklık ve düzensiz yağışlar tarafından baskı altına alınan arazilerde daha fazla gıda üretme baskısıyla karşı karşıya. Bu makale, tarladaki toprak sensörleri ile gelişmiş bilgisayar modellerinin bir karışımını kullanarak çiftçilere hangi bitkileri ekmeleri gerektiğine karar vermelerinde yardımcı olacak yeni bir yaklaşım sunuyor. Gerçek zamanlı veri akışlarını kişiye özel ürün tavsiyelerine dönüştürerek sistemin verimi artırmayı, israfı azaltmayı ve kuraklığa ve iklim değişikliğine duyarlı bölgelerde tarımı daha dayanıklı hale getirmeyi hedeflediği belirtiliyor.

Doğru Ürünün Seçilmesi Neden Önemli?

Belli bir yer ve sezon için yanlış ürün seçmek kötü hasatlar, su israfı ve gelir kaybı anlamına gelebilir. Ürün performansı yağış, sıcaklık, nem, toprak nemi, asitlik, tuzluluk ve bitkilerin büyümesi için gerekli azot, fosfor ve potasyum gibi temel besinler dahil olmak üzere birçok iç içe geçmiş faktöre bağlıdır. Geleneksel planlama genellikle deneyime, ortalama istatistiklere veya güncelliğini yitirmiş tablolara dayanır; bu da yerel özellikleri ve yıldan yıla değişen hava koşullarını gözden kaçırabilir. Yazarlar, özellikle kuraklıkların ve sıcak dalgalarının daha sık görüldüğü yarı-kurak bölgelerde, gelecekteki gıda kıtlıklarını önlemek için daha hassas, veri odaklı ürün seçiminin şart olduğunu savunuyorlar.

Tarlayı Çevrimiçi Hale Getirmek

Topraktaki gerçek durumu yakalamak için ekip, çiftçilerin tarlalarına yedi özellikli bir sensör yerleştiriyor. Bu cihaz nem, sıcaklık, elektriksel iletkenlik (tuz seviyeleri hakkında bir gösterge), pH ve bitkilerin gelişmesi için gerekli üç ana besini sürekli ölçer. Sensör, küçük bir mikrodenetleyici ve düşük güçlü kablosuz modüllere bağlıdır; bu modüller okumaları gürültü filtresiyle temizleyip her birkaç saniyede bir çevrimiçi bir veritabanına gönderir. Bu canlı akış, öneri sisteminin yalnızca geçmiş ortalamalarla değil mevcut koşullarla çalışmasını sağlar. Kurulum, Tamil Nadu, Hindistan’ın kuraklığa yatkın Chengalpattu bölgesinde test edildi; burada yerel önemi olan 50 ürün ve bunların ideal toprak ile iklim aralıklarından oluşan bir referans tablosu derlendi.

Hava ve Toprağı Öngörüye Dönüştürmek

Ham ölçümler tek başına çiftçilere sonraki ekim için ne dikmeleri gerektiğini söylemez. Sistem önce 1982–2023 dönemine ait yıllar boyunca yağışın nasıl davrandığını öğrenir ve gelecekteki yağışı tahmin etmek için özel bir tür sinir ağı kullanır. Bu geliştirilmiş “Yoğunlaştırılmış LSTM” modeli, keskin dalgalanmalar ve nadir görülen yoğun sağanaklarla standart sürümlere kıyasla daha iyi başa çıkmak üzere uyarlanmıştır ve farklı büyüme sezonlarında test edildiğinde daha basit bir tasarımdan açıkça daha iyi performans gösterir. Bu yağış tahminleri daha sonra iki yerleşik iklim endeksini uygulayan bir kuraklık modülünü besler. Biri yalnızca yağış eksikliklerine bakarken, diğeri ayrıca topraklardan ve bitkilerden ısı kaynaklı su kaybını da hesaba katar. Denemelerde ısıyı dikkate alan endeksin daha doğru olduğu ve sistemin yaklaşan bir sezonun yağışlı, normal veya kurak olup olmayacağını ve beklenen kuraklığın şiddetini daha iyi değerlendirmesine yardımcı olduğu görüldü.

En İyi Ürünler İçin Birçok Modelin Oy Kullanması

Yaklaşımın özü, tek bir algoritmaya güvenmeyen bir “bileşik topluluk” ürün önericisidir. Bunun yerine sistem, basit istatistiksel araçlardan karar ağaçlarına ve sinir ağlarına kadar değişen 12 farklı tahmin yöntemini sensör okumaları, yağış tahminleri ve kuraklık seviyeleriyle birlikte eğitir. Yeni bir koşul seti verildiğinde her model uygun bir ürün önerir ve sistem basit çoğunluk oyu ile karar verir. Bu kalabalık benzeri strateji, herhangi bir tek modeldeki veri gürültüsünün veya tuhaflıkların etkisini azaltır ve çok daha istikrarlı kararlar doğurur. Bu modelleri sonsuz deneme‑yanılma olmadan ince ayarlamak için yazarlar, iyi parametre ayarlarını birçok simüle edilmiş “nesil” boyunca otomatik olarak evrimleştiren genetik arama yöntemini kullanır; bu, doğruluğu artırırken hesaplama gereksinimlerini de makul düzeyde tutar.

Tek Cevaptan Sıralanmış Seçeneklere

Sistem tek bir “en iyi” üründe durmak yerine bir adım daha ileri gidip birden çok seçeneği sıralar. Mevcut toprak ve iklim profilini, 50 maddelik referans tablodaki her ürünün ideal koşullarıyla karşılaştırır ve çok sayıda faktörün yer aldığı durumlarda iyi çalışan esnek bir uzaklık ölçüsü kullanır. Tercih edilen aralıkları bu çok boyutlu uzayda en yakın olan ürünler listede daha üst sıralara konur. Çiftçiler veya danışmanlar, modelin önerilerini pazar fiyatları, kişisel deneyim veya tohum bulunabilirliği gibi etkenlerle dengeleyerek örneğin ilk üç veya beş ürün arasından seçim yapabilirler. Yazarlar sistemin en iyi önerilerini Chengalpattu’da gerçekte hangi ürünlerin yetiştirildiğine dair hükümet istatistikleriyle karşılaştırdıklarında, pirinç ve başlıca sebzeler gibi temel ürünlerin her ikisinde de öne çıktığı; bunun da aracın gerçek dünya geçerliliğine destek sağladığı görülmüştür.

Bu Çiftçiler İçin Ne Anlama Geliyor?

Çalışma, saha sensörlerini, gelişmiş hava tahminini ve oy veren bir grup makine öğrenimi modelini birleştirmenin yerel düzeyde çok doğru ürün önerileri üretebileceğini gösteriyor—test verilerinde neredeyse %99,8 doğruluk elde edildi. Pratikte bu çerçeve, kuraklığa ve iklime duyarlı bölgelerdeki çiftçilere yaklaşan yağışlara ve topraklarının gerçek durumuna daha uygun ürünleri seçmelerinde yardımcı olabilir; bu da başarısızlık riskini azaltır ve su ile gübre kullanımını daha verimli hale getirir. Mevcut çalışmanın bölgesel bir kavram ispatı olduğu ve gerçek hasatlar ve çiftçi kabulü üzerinde uzun vadeli testlere hala ihtiyaç duyduğu belirtilse de, gelecekteki gıda güvenliğinde önemli bir rol oynayabilecek “akıllı” ürün planlamasına doğru net bir yol taslağı çiziyor.

Atıf: Poornima, S., Mishra, P., Mahishi, R.R. et al. Optimizing crop selection for sustainable agriculture: a compound ensemble approach integrating machine learning and IoT-based sensors. Sci Rep 16, 11350 (2026). https://doi.org/10.1038/s41598-026-40772-4

Anahtar kelimeler: ürün önerisi, kesin tarım, kuraklığa dayanıklılık, IoT sensörleri, makine öğrenimi