Bu yazı OECD tarafından yayınlanan Avrupa Birliği Yapay Zeka Koordineli Planının Uygulanmasında Kaydedilen İlerleme Raporundan bir bölümün kısaltılmış çevirisidir:
Yapay zekâ, tarımın otomasyonunu ve dijitalleşmesini destekleyerek tarımsal değer zinciri genelinde iş modellerini ve uygulamalarını dönüştürüyor. Çiftçilerin bilgi ihtiyaçlarını karşılıyor ve hastalıkları belirleme, sulamayı izleme, insan emeğini azaltma ve verimi en üst düzeye çıkarma yeteneklerini artırıyor. Yapay zekânın benimsenmesi, gıda talebini daha iyi karşılamak, eyleme geçirilebilir iç görüler için daha büyük miktarda tarımsal veriyi işlemek ve sürdürülebilirliği iyileştirmek ve çevresel etkiyi azaltmak için tarımsal işgücünde verimliliği ve üretkenliği artırıyor.
Yapay zekâ, gıda tedarik zinciri boyunca tarımsal görevleri iyileştirirken, mahsul veriminin artmasına, zararlı kontrolüne, toprak izlemeye, iş yükü yönetimine ve ekim ve hasat zamanlarının optimizasyonuna katkıda bulunabilir.
Bitki ve toprak izleme
Toprağın fiziksel ve kimyasal özelliklerinin (doku, yapı, pH, besin seviyeleri ve nem içeriği gibi) haritalandırılması on yıllardır iyi bir şekilde kurulmuş olsa da, yapay zekâ bu alana yeni yetenekler kazandırmaktadır. Uydular, dronlar, nem sensörleri ve hava istasyonları gibi kaynaklardan gelen büyük veri hacimlerini işleyerek, yapay zekâ destekli uzaktan algılama ve derin öğrenme algoritmaları toprak haritalarının doğruluğunu artırmaktadır.
Bitki hastalığı teşhisi
Yapay zeka destekli hastalık teşhisi, bitki renk değişimini, toprak anomalilerini ve mikro iklim modellerini analiz ederek patojenleri erken tespit etmek için bilgisayar görüşü, sensör ağları ve hastalık tahmin makine öğrenimi modellerini birleştirir
(Amos, 2024[45]) . Örneğin, tahmin modelleri, çevresel koşullara bağlı olarak hastalık salgınlarını tahmin edebilir ve çiftçilerin proaktif önlemler almasına yardımcı olabilir.
Mahsul verimi tahmini
İklim aşırılıkları nedeniyle, tarımda planlama ve kaynak tahsisi için mahsul veriminin doğru tahminleri giderek daha önemli hale gelmektedir. Mahsul verimi tahmini – bir arazi alanında üretilecek mahsul miktarının tahmin edilmesi uygulaması – gıda güvenliğini ve su, gübre ve makine gibi kaynakların verimli optimizasyonunu sağlar.
Tahmine dayalı iç görüler
Yapay zekâ, toprak hazırlığı, tohum ekimi, hasat ve depolama dahil olmak üzere tarımsal döngünün diğer aşamaları için tahmine dayalı bilgiler sağlayarak çiftçilere büyük faydalar sağlayabilir. Örneğin, makine öğrenimi modelleri, hava durumu bilgileri, geçmiş ekim tarihleri ve yıllık ürün verimleri gibi verileri kullanarak ürünlerin en uygun ekim tarihlerini tahmin etmek için kullanılabilir. Bir çalışmada, makine öğrenimi ve uydu görüntüleri kullanılarak zeytinlik verimi tahmin aracı geliştirildi ve bu aracın İspanya’da hasattan sekiz ay önce zeytin meyvesi ve yağ verimini doğru bir şekilde tahmin edebildiği kanıtlandı.
Yapay zeka ayrıca hava durumu verilerini, toprak bilgilerini, mahsul yönetimini ve geçmiş hasat zamanlarını yöneterek mahsullerin hasat zamanını tahmin edebilir.
Tarım robotları
Tarım robotları, tarım ve çiftçilik alanında görevleri yerine getirmek üzere tasarlanmış otonom veya yarı otonom akıllı makinelerdir. Tarımsal üretim ve yönetim sürecinde ekim, yabani ot temizleme ve hasat gibi çeşitli işleri üstleniyorlar Bu makineler, ürünlerin yerini belirlemek ve görevleri yerine getirmek için sensör teknolojileri, bilgisayar görüşü ve yapay zeka modelleri kullanıyor. Bilgisayar görüşü ve otonom karar verme yetenekleriyle donatılmış akıllı robotlar, görevleri daha yüksek hassasiyet, doğruluk ve verimlilikle gerçekleştirerek insan emeğini destekleyebilir.
Akıllı püskürtme
Geleneksel haşere ve yabancı ot kontrol yöntemleri genellikle, maliyetli ve çevreye zarar verici olabilen ayrım gözetmeyen kimyasal püskürtmeyi içerir
(Zhou ve Chen, 2023[30]) . Avrupa Birliği, “Çiftlikten Sofraya” stratejisinde belirtildiği gibi, 2030 yılına kadar pestisit kullanımını yarıya indirmeyi planlamaktadır
(Avrupa Komisyonu, 2025[62]) . Yapay zeka uygulamaları, mahsul ve çevre koşullarını izleyen çeşitli sensörlerden gelen verileri işleyerek pestisit ve herbisitlerin akıllıca püskürtülmesine olanak tanır. Toplanan veriler, sorunlu alanları, yabancı otları, haşereleri ve hastalıkları belirlemek için makine öğrenimi modellerini eğitmek için kullanılır
(Ngo vd., 2019[63]) . Sonuçlar, pestisit ve herbisitlerin yalnızca ihtiyaç duyulan yerlere uygulanması için yapay zeka destekli otonom hassas püskürtme ekipmanına beslenir; bu da kimyasal kullanımını azaltır, üretim maliyetlerini düşürür ve çevresel etkiyi en aza indirir.
Sulama optimizasyonu
Yapay zekâ destekli sulama optimizasyon sistemleri, su dağıtımını otomatikleştirerek verimli su yönetimi ihtiyacını karşılamaya yardımcı olmaktadır. Yapay zekâ modelleri, bu verileri işleyerek buharlaşma oranlarını tahmin edebilir ve optimum sulama kararları alarak su israfını azaltabilir ve mahsullerin sağlıklı büyüme için doğru miktarda hidrasyon almasını sağlayabilir.
Dijital ikiz
Dijital ikizler, gerçek dünyadaki mahsulleri ve tarım koşullarını kopyalayan sanal modellerdir ve çiftçilerin bitkilerin çeşitli senaryolara verdiği tepkileri simüle etmelerine ve tahmin etmelerine olanak tanır. Yapay zeka ve makine öğrenimi, bu simülasyonları yönlendirmede hayati bir rol oynar ve üreticilerin farklı hava, sulama ve gübreleme stratejilerini tarlada uygulamadan önce sanal bir ortamda test etmelerini sağlar. Bu yaklaşım, mahsul yönetimini optimize etmeye, verimi artırmaya ve zorlukları önceden tahmin etmeye yardımcı olarak, uygulamaları belirli ortamlara uyarlamayı ve tarımsal üretimi geleceğe hazırlamayı mümkün kılar.
Üretken yapay zeka, özellikle büyük dil modelleri (LLM’ler), tarım danışmanlık hizmetlerini ve tarım eğitimini dönüştürmeye başlıyor. Üretken yapay zeka, çiftçiler ve danışmanlar için daha ölçeklenebilir, kişiselleştirilmiş ve bağlam odaklı bir destek sağlıyor. Bu modeller, geniş, yapılandırılmamış veri kümelerini işleyip damıtarak, uzman rehberliğini ön saflardaki danışmanlardan küçük ölçekli çiftçilere kadar çeşitli kullanıcı grupları için daha erişilebilir ve uygulanabilir hale getiriyor.
Diğer kullanım örnekleri:
Yapay zeka;
Tohum ekimi için araziyi ve toprağı hazırlar; yapay zekâ donanımlı dronlar, belirli görevler (örneğin hedefli ilaçlama) için teşhis verileri hazırlamak amacıyla araziyi taramak için havadan gözetim yapabilir.
Akıllı sulama planlaması için su seviyelerini, toprak sıcaklığını, besin içeriğini ve hava tahmini verilerini algılar; sulama konusunda en uygun karar vermede yapay zeka kullanılır
Hava durumu bilgilerini, geçmiş ekim tarihlerini ve yıllık ürün verimlerini toplayarak, ürünlerin en uygun ekim tarihlerini tahmin eder.
İHA’lar veya robotlar tarafından farklı aşamalarda çekilen mahsul görüntülerinin işlenmesinde bilgisayar görüşü ve derin öğrenme algoritmaları kullanılır ve bu sayede mahsullerin sağlığı ve büyümesi izlenir.
Hayvan sağlığını takip etmek, hastalıkları tespit etmek ve beslenme düzenlerini izlemek için bilgisayar görüşü ve sensörlerle birlikte yapay zeka sistemlerini kullanır.
Hava durumu verilerini, toprak bilgilerini, ürün yönetimini ve geçmiş hasat zamanlarını yöneterek ürünlerin hasat zamanını tahmin eder.
Bitkilerin yüzeyindeki, toprağındaki ve mikro iklimindeki sensörlerden ve görsel bilgilerden toplanan verileri analiz ederek zararlıları ve hastalıkları tespit eder.
Verim tahmini için tahmin modellerini eğitmek amacıyla insansız hava araçlarından, uzaktan algılama görüntülerinden, toprak azot seviyelerinden, toprak neminden ve hava koşullarından elde edilen verileri kullanır.
Verimi düşüren, hasadı engelleyen ve ürün kalitesini düşüren mahsullerin yakınında yetişen yabancı otları temizler.
Geniş bir tarım alanına kimyasal ilaç püskürtmenin geleneksel yönteminin yerini alır. Sensörlerden alınan verileri toplar ve bunları yabancı ot, zararlı ve hastalık tespiti için ML modellerini eğitmek için kullanır. Sonuçları, tarlaya kimyasal girdileri azaltan, çevresel zararları azaltan ve üretim maliyetlerinden tasarruf sağlayan yapay zeka destekli otonom hassas püskürtme ekipmanına aktarır.
Mahsullerin veya meyvelerin fotoğraflarını çekerek hasat için uygun zamanı belirler.
Tarım robotları aracılığıyla bilgisayar görüş tekniklerini kullanarak ürünlerin toplanması ve kesilmesini otomatikleştirir.
Tarım robotları aracılığıyla hasat sonrası yönetimi otomatikleştirir.
Yapay zekâ destekli sohbet robotları, çiftçileri dijital ürünlerin kullanımı konusunda bilgilendirirken ve eğitirken satış ve iş temsilcilerine yardımcı olur. Tarım teknolojisi şirketleri tarafından veri analizi veya pazar araştırması yapmak için dahili olarak büyük dil modelleri (LLM) kullanılır.
Raporun tamamını okumak için lütfen tıklayınız: https://www.oecd.org/en/publications/progress-in-implementing-the-european-union-coordinated-plan-on-artificial-intelligence-volume-2_3ac96d41-en/full-report/ai-in-agriculture_c9ac6d24.html
“Gökleri ve yeri yaratan; gökten su indirip onunla size rızık olarak meyveler çıkaran, izniyle denizde seyretmek üzere gemileri hizmetinize veren, ırmakları emrinize âmade kılan Allah’tır” (İbrahim,14/32) “Size semadan su indiren O’dur. Siz, ondan içersiniz. Hayvanlarınızı otlattığınız bitkiler de o, su ile yetişir. Allah semadan inen su ile ekini, zeytini, hurmayı, üzümleri ve bütün meyve çeşitlerini yetiştirir. şüphesiz ki bunda, düşünen bir millet için, büyük bir ibret vardır” (en-Nahl 16/10, 11).