Istiridye ve tatlısu kerevit popülasyonlarını tahmin ve yönetmek için özellik seçimi ve makine öğrenmesi tekniklerinin uygulanmasına yönelik örnek bir model

Neden şimdi kerevit sayımı akıllı araçlara ihtiyaç duyuyor

Dünyanın deniz ürünlerine olan talebi artarken, yöneticiler hem yabani stokları sağlıklı tutmak hem de insanları beslemeye devam etmek baskısı altında. Kerevitler besleyici, düşük yağlı bir lezzet olup nispeten mütevazı su gereksinimleriyle yetiştirilebilir; ancak hastalık, aşırı avlanma ve kirlilik sayılarının öngörülmesini zorlaştırdı. Bu çalışma, yapay zekiden ödünç alınan modern veri tekniklerinin kerevitlerin basit vücut ölçümlerini büyüme, yenilebilir et verimi ve popülasyon büyüklüğü hakkında güçlü ipuçlarına nasıl dönüştürebileceğini — böylece balıkçılığın hem karlı hem de sürdürülebilir kalmasına yardımcı olabileceğini — gösteriyor.

Kerevitler geleceğin bir gıda kaynağı olarak

Kerevitler yüksek kaliteli protein ve temel mineraller bakımından zengin, yağ ve kalori açısından düşük oldukları için yüksek kaliteli hayvansal proteinin kıt veya pahalı olduğu yerlerde çekici bir seçenek oluşturur. Ayrıca çeşitli çevresel koşullara dayanabilir ve göletler, rezervuarlar veya hatta pirinç tarlalarında nispeten düşük girdiyle yetiştirilebilirler. Aynı zamanda küresel iklim değişikliği ve artan insan nüfusunun önümüzdeki onlarca yılda gıda talebini keskin şekilde artırması bekleniyor. Kerevit stokları salgınlar, yoğun avcılık ve su kirliliği nedeniyle zaten dalgalanmalar gösterdiğinden, durumlarını izlemek ve bu değerli kaynağı tüketmeden hasat planlamak için daha iyi araçlara acil ihtiyaç var.

Arazi ölçümlerini faydalı verilere dönüştürmek

Araştırmacılar Türkiye’nin Atikhisar Barajı’ndaki geniş bir kerevit popülasyonuna odaklandı ve 6.470 dar pençeli kerevitte ayrıntılı ölçümler topladı. Her hayvan için toplam uzunluk, önemli vücut parçalarının genişlik ve uzunlukları ile baş, abdomen ve pençelerin ağırlıkları ve yenilebilir et dahil olmak üzere 20 özellik kaydedildi. Bu ölçümler hassas kumpaslar ve terazilerle alındı, daha sonra eksik değerleri doldurmak için basit bir ortalama yöntemiyle temizlendi. Ekip ayrıca toplam uzunluğun toplam ağırlıkla nasıl ilişkili olduğunu görmek ve hayvanların zaman içinde nasıl büyüdüğünü doğrulamak için balıkçılıkta klasik uzunluk‑ağırlık formüllerini uyguladı.

En belirleyici vücut özelliklerini bulmak

Her ölçüm faydalı bilgi katmaz ve zayıf ilişkilere sahip fazla özellikler bilgisayar modellerini yavaşlatabilir veya yanıltabilir. Sinyali gürültüden ayırmak için yazarlar her özelliğin toplam ağırlıkla ne derece birlikte hareket ettiğini puanlayan istatistiksel bir araç kullandı. Sadece toplam uzunluk, baş uzunluğu ve genişliği, abdomen uzunluğu ve genişliği ile çeşitli parça ve et ağırlıkları gibi en azından orta düzeyde bir bağ gösteren ölçümleri tuttular. Bu adım, modellerin dikkate alması gereken girdi sayısını keskin biçimde azalttı ve aynı zamanda bir kerevitin muhtemel ağırlığını tanımlamak için gereken bilgilerin neredeyse tamamını korudu.

Algoritmaların avdan öğrenmesine izin vermek

En önemli özelliklerle ekip, makine öğrenmesi çatısı altındaki birkaç yaygın tahmin yöntemini eğitti. Modelleri eğitmek için verinin %70’ini, test etmek için %30’unu kullanarak, her yaklaşımın bir kerevitin toplam ağırlığını vücut ölçümlerinden ne kadar iyi tahmin edebildiğini karşılaştırdılar. Dişiler, erkekler ve birleşik popülasyonda üç yöntem—çoklu doğrusal regresyon, rastgele orman ve özellikle gradyan artırma—tutarlı şekilde çok doğru tahminler üretti; hata doğal veri değişkenliğiyle karşılaştırıldığında küçüktü. Başka yaygın bir yöntem olan destek vektör regresyonu ise, bu hayvanlarda boyut ile ağırlık arasındaki ince, eğrisel ilişkileri yakalamakta zorlandığı için geride kaldı.

Gelecek balıkçılıkları için bunun anlamı

Uzman olmayanlar için ana mesaj şu: iyi seçilmiş makine öğrenmesi araçlarıyla eşleştirildiğinde kerevit vücutlarının basit ölçümleri, bir popülasyonda ne kadar hasat edilebilir et bulunduğuna dair hızlı ve güvenilir bir tablo sağlayabilir. Çalışma, barajdaki kerevitlerin ağırlığın uzunluktan biraz daha hızlı arttığı bir büyüme biçimi gösterdiğini ve dikkatle seçilmiş özelliklerle beslenen gradyan artırma modellerinin bu deseni neredeyse mükemmel doğrulukla tahmin edebildiğini buldu. Pratikte bu, yöneticilerin her bireyi tartmak zorunda kalmadan stok büyüklüğünü tahmin edebileceği ve av kurallarını tasarlayabileceği; böylece zaman ve maliyetten tasarruf ederken aşırı avlanma riskini azaltabileceği anlamına geliyor. Benzer yöntemler diğer türlere uygulandıkça, bu tür veri odaklı modeller sürdürülebilir su ürünleri yetiştiriciliğinin ve yabani stok yönetiminin temel taşlarından biri haline gelebilir.

Atıf: Gültepe, Y., Gültepe, N. A sample model for applying feature selection and machine learning techniques to estimate and manage crayfish populations. Sci Rep 16, 14540 (2026). https://doi.org/10.1038/s41598-026-45535-9

Anahtar kelimeler: sürdürülebilir balıkçılık, kerevit yetiştiriciliği, makine öğrenmesi, stok değerlendirmesi, özellik seçimi