Biyo-gübre uygulamaları altında mısır dane verimini tahmin etmek için disiplinlerarası makine öğrenimi tabanlı bir yaklaşım

Neden daha akıllı mısır tarlaları önemli?

Büyüyen küresel nüfusu ısınan bir gezegende beslemek, her su damlasından ve toprağın her avuç dolusu ile daha fazla yiyecek elde etmeyi gerektirir. Dünyanın en önemli ekinlerinden biri olan mısır, özellikle sıcaklık, kuraklık ve zayıf topraklara karşı hassastır. Bu çalışma, faydalı toprak mikropları ile modern makine öğreniminin bir kombinasyonunun çiftçilerin mısır verimini daha doğru tahmin etmelerine nasıl yardımcı olabileceğini araştırıyor; bu da daha akıllı gübre kullanımı, daha iyi sulama planlaması ve daha dirençli hasatlar için kapı açıyor.

Sağlıklı kökler, yardımcı mikroplar ve stres altındaki bitkiler

Araştırma basit bir fikirle başlıyor: mısır verimi yalnızca hava ve gübre ile şekillenmez, bitki içindeki ve yeraltındaki karmaşık etkileşim ağları tarafından da belirlenir. Yazarlar, suyun sınırlı ve ısının sık görüldüğü İran'ın yarı kurak kuzeydoğusundaki bir araştırma çiftliğinde iki yıl çalıştı. Mısır tohumları ya işlem görmeden bırakıldı ya da kök çevresinde yaşayan ve bitkilerin fosfor ve azot gibi besinleri almasına yardımcı olan faydalı mantar ve bakterilerle kaplandı. Büyüme mevsimi boyunca ekip, yaprak rengi ve boydan kök kolonizasyonu ve tepe sıcaklığına kadar onlarca özelliği ölçerek biyo-gübreler ve zorlu çevreye bitkilerin nasıl tepki verdiğine dair ayrıntılı bir resim oluşturdu.

Tarla ölçümlerini akıllı sinyallere dönüştürmek

Araştırmacılar yalnızca geleneksel ortalamalara veya basit eğilimlere güvenmek yerine ölçümlerinden 73 farklı “sinyal” oluşturdular; bunlar arasında 32 doğrudan özellik ve iki özelliğin birlikte nasıl çalıştığını yakalayan 41 kombinasyon vardı. Örneğin, tepe sıcaklığının kök kolonizasyonu ile nasıl etkileştiğini veya yaprak alanının kuru madde üretimi ile nasıl birleştiğini incelediler. Titiz bir regresyon yöntemiyle ilk elemeden geçirilenler 13 ana sinyale indirildi; bunlar arasında çiçeklenme sırasında tepe sıcaklığı, bitki fosfor ve azot düzeyleri ile kök- ve yaprakla ilgili birkaç kombinasyon gibi dane verimiyle güçlü bağlar gösteren sinyaller yer aldı. Bu adım, verimin tek başına bir faktöre değil, iç içe geçmiş fizyolojik ve toprak süreçlerine bağlı olduğunu gösterdi.

Sekiz öğrenme makinesini teste sokmak

Bu karışık ilişkileri en iyi yakalayan araçları görmek için ekip, ağaç tabanlı modellerden çeşitli sinir ağlarına ve hibrit bir nöro-bulanık sisteme kadar sekiz makine öğrenimi yaklaşımını karşılaştırdı. 96 saha örneklerini eğitim, doğrulama ve test kümelerine ayırdılar, tüm değişkenleri standartlaştırdılar ve aşırı uydurmadan kaçınmak için çapraz doğrulama ve erken durdurma gibi teknikler kullandılar. Genel olarak, özellikle dikkat mekanizmaları ve TensorFlow kullanan sinir ağı tabanlı modeller en iyi performansı gösterdi; ölçülen özelliklerden verimi tahmin etmede orta düzeyde doğruluk sağladılar. Buna karşın, temel destek vektör makineleri gibi daha katı yöntemler verideki karmaşık, doğrusal olmayan desenleri modellemekte zorlandı.

Modeller mısırın gerçekten nasıl büyüdüğünü ne diyor?

Bu çalışmanın güçlü yanlarından biri, yazarların modellerini gizemli kara kutular olarak ele almamış olmalarıdır. Oyun teorisine dayanan yorumlama araçları kullanarak tahminleri en çok hangi özelliklerin sürüklediğini incelediler. Dane dolumu sırasında tepe sıcaklığı tutarlı bir şekilde güçlü bir sinyal olarak öne çıktı: daha serin tepeler genellikle daha iyi verimlerle ilişkilendirildi; bu muhtemelen etkin transpirasyon yapan ve ısı stresinden kaçınan bitkileri yansıtıyor. Bitki azot içeriği ile kök uzunluğu arasındaki, yaprak alanı ile yaprak yeşilliği arasındaki ve bitki boyu ile başak sayısı arasındaki etkileşimler de en iyi modellerde vurgulandı. Bu örüntüler, besin alımının ve verimli bir fotosentetik örtünün merkezi rolüne işaret ediyor; bu da faydalı mikropların kökleri ne kadar iyi kolonize ettiği ve toprak besinlerine erişimi nasıl iyileştirdiğiyle yakından bağlantılı.

Veri örüntülerinden daha akıllı tarıma

Uzman olmayan biri için sonuç şudur: biyo-gübrelerin gelişmiş veri analizi ile birleştirilmesi dağınık saha ölçümlerini uygulanabilir içgörülere dönüştürebilir. Veri kümesi sınırlı ve tek bir bölgeden alınmış olsa da çalışma, sinir ağı modellerinin kök sağlığı, yaprak davranışı, sıcaklık stresi ve nihai dane verimi arasındaki ince bağlantıları öğrenebileceğini gösteriyor. Hangi bitki ve toprak özelliklerinin en önemli olduğunu ortaya koyarak bu modeller hassas tarımı yönlendirebilir: çiftçiler ve danışmanlar, örtülerin serin tutulmasına, köklerin faydalı mikroplarla iyi kolonize edilmesine ve besin alımının dengede tutulmasına odaklanabilir. Uzun vadede bu tür yaklaşımlar, daha az kimyasal girdiyle daha fazla mısır üreten ve kuraklık ile iklim değişikliğiyle daha iyi başa çıkan ekim sistemleri tasarlamaya yardımcı olabilir.

Atıf: Jahan, M., Nassiri-Mahallati, M. An interdisciplinary machine learning-based approach for predicting corn grain yield under biofertilizer applications. Sci Rep 16, 9912 (2026). https://doi.org/10.1038/s41598-026-40919-3

Anahtar kelimeler: mısır verimi tahmini, biyo-gübreler, tarımda makine öğrenimi, kök–mikrop etkileşimleri, sürdürülebilir ürün yönetimi