Karşılaştırmalı Bir İnceleme: Dünya Genelinde Tarımı Desteklemek Üzere Geliştirilen Yapay Zekâ Uygulamaları ve Yazılımları: Özellikler ve Karşılaşılan Zorluklar

Tarım-Gıda Sistemlerinde Yapay Zekâ Uluslararası Konferansı için Hazırlanan Bilimsel Makale

Yazar: Dr. Aladdin Ali · Kurucu ve Genel Müdür, Aladdin International · Aladdin Agri AI Geliştiricisi · 10 Dilde Yönetişimli Tarımsal Yapay Zekâ · Haziran 2026

Makale Türü: Genişletilmiş akademik araştırma makalesi Hedef Kitle: Çiftçiler, ziraat mühendisleri, tarımsal yayım uzmanları, politika yapıcılar, araştırmacılar ve kalkınma uygulayıcıları Kapsam: Küresel Dil Düzeyi: Tarımsal paydaşlara yönelik, erişilebilir açıklamalarla zenginleştirilmiş bilimsel Türkçe

Özet

Bu çalışma, dünya genelinde tarımı desteklemek üzere geliştirilen başlıca yapay zekâ uygulamalarını ve yazılım platformlarını tanımlamayı, sınıflandırmayı ve karşılaştırmalı olarak değerlendirmeyi amaçlamaktadır. Sistematik literatür taraması ile karşılaştırmalı vaka analizi yöntemleri birlikte kullanılarak 150'den fazla kaynak incelenmiş ve uygulamalar on dört işlevsel kategori altında toplanmıştır: çiftlik yönetimi, hastalık tespiti, verim tahmini, toprak izleme, yabancı ot mücadelesi, otonom hasat, hassas sulama, hayvancılık, su ürünleri yetiştiriciliği, tarımsal danışmanlık, iklim-akıllı tarım, tedarik zinciri optimizasyonu ve gıda güvenliği. Bulgular, yapay zekâ sistemlerinin tarımsal değer zincirinin tamamında ölçülebilir kazanımlar sağladığını göstermektedir. Raporlanan başlıca değerler arasında hastalık tespitinde %93,1'e varan doğruluk, yabancı ot tanımada %97 doğruluk, verim tahmininde 0,92'lik bir R² değeri ile su, gübre ve taşıma süresinde %30'a varan azalmalar yer almaktadır. Buna karşılık yaygın benimsemenin önünde yüksek maliyetler, altyapı eksiklikleri, sınırlı teknik bilgi, veri kalitesi sorunları ve birlikte çalışabilirlik kısıtları gibi engeller bulunmaktadır. Çalışma, çiftçiler, tarım işletmeleri, teknoloji geliştiriciler, araştırmacılar ve politika yapıcılar için somut öneriler sunmakta ve alandaki açık araştırma sorunlarını tartışmaktadır.

Anahtar Kelimeler: yapay zekâ, hassas tarım, tarımsal yapay zekâ uygulamaları, makine öğrenmesi, derin öğrenme, tarımsal robotik, karar destek sistemleri, sürdürülebilir tarım, gıda güvenliği, akıllı tarım

İçindekiler

Kısım I: Küresel Tarımda Yapay Zekânın Temelleri

1. Giriş: Tarım Teknolojisinde Yapay Zekâ Dönüşümü
2. Araştırma Yöntemi ve Karşılaştırma Çerçevesi
3. Tarımsal Yapay Zekâ Uygulamalarının Sınıflandırılması

Kısım II: Tarımsal Yapay Zekâ Uygulamalarının Kapsamlı İncelenmesi

1. Bütünleşik ve Yönetişimli Bir Platform Örneği: Aladdin Agri AI
2. Ürün Yönetimi ve Üretim Sistemleri
3. Bitki Hastalıklarının Tespiti ve Bitki Sağlığı Uygulamaları
4. Verim Tahmini ve Hasat Öngörü Sistemleri
5. Toprak İzleme ve Besin Yönetimi Uygulamaları
6. Yabancı Ot Mücadelesi ve Robotik Kontrol Sistemleri
7. Otonom Hasat ve Robotik Sistemler
8. Hassas Sulama ve Su Yönetimi Sistemleri
9. Hayvancılık Yönetimi ve Hayvan Sağlığı İzleme
10. Su Ürünleri Yetiştiriciliği ve Balıkçılık Yönetimi Uygulamaları
11. Tarımsal Danışmanlık ve Karar Destek Sistemleri
12. İklim-Akıllı Tarım ve Sürdürülebilirlik Araçları
13. Tedarik Zinciri Optimizasyonu ve Hasat Sonrası Uygulamalar
14. Gıda Güvenliği ve Kalite Kontrol Uygulamaları

Kısım III: Bütüncül Analiz ve Gelecek Yönelimler

1. Uluslararası Kaynaklar, Veri Kümeleri ve Araştırma Kurumları
2. Uygulama Kategorileri Arasında Özellikler ve Faydalar
3. Uygulamadaki Zorluklar
4. Stratejik Öneriler
5. Sonuç ve Gelecek Yönelimler

Kısım IV: Destekleyici Malzeme

1. Kaynaklar
2. Ekler

• Beyanlar ve Bildirimler (Çıkar Çatışması, Finansman, Veri Erişilebilirliği, Etik)

Kısım I: Küresel Tarımda Yapay Zekânın Temelleri

Bölüm 1: Giriş: Tarım Teknolojisinde Yapay Zekâ Dönüşümü

1.1 Küresel Tarımsal Zorunluluk

Dünya tarımı, eş zamanlı olarak çeşitli baskılarla karşı karşıyadır. Birleşmiş Milletler, dünya nüfusunun 2050 yılına kadar 10 milyara ulaşacağını ve bunun gıda üretiminde %70'lik bir artışı gerektireceğini öngörmektedir. Aynı dönemde, ampirik karar almaya, emek yoğun el işçiliğine ve sabit kaynak tahsisine dayanan geleneksel tarım uygulamaları giderek sürdürülemez hâle gelmiştir. Bu uygulamalar düşük kaynak kullanım verimliliği, yüksek hasat sonrası kayıplar ve değişen tarla koşullarına uyum sağlama kapasitesinin sınırlı olması gibi sorunlardan etkilenmektedir.

İklim değişikliği bu baskıları artırmakta, aşırı hava olayları daha sık ve daha şiddetli görülmektedir. Su kıtlığı dünya genelinde tarım bölgelerini etkilerken, toprak bozulması üretim kapasitesini düşürmektedir. Özellikle gelişmiş ülkelerdeki iş gücü açığı, üretim üzerinde ek bir kısıt oluşturmaktadır. Bu koşullar altında yapay zekâ, tarımsal dijitalleşme ve akıllı tarım uygulamaları için önemli bir itici güç hâline gelmiştir.

1.2 Tarımda Yapay Zekânın Ortaya Çıkışı

1. yüzyılın sonlarında GPS, sensörler ve robotik gibi ileri teknolojilerin tarıma entegre edilmesiyle birlikte veriye dayalı karar alma, gelişmiş ürün yönetimi, kaynakların optimize edilmiş kullanımı ve zararlı tespitinde yapay zekâ tabanlı sistemlerin devreye girmesi, hassas tarıma geçişi mümkün kılmıştır. Günümüzde yapay zekânın derinlemesine entegrasyonu, tarım ve gıda mühendisliğinde dijitalleşmenin ve akıllı uygulamaların temel itici gücüdür; üretim verimliliğini, kaynak optimizasyonunu ve ürün kalitesini yükseltmektedir.

Yapay zeka, dünya genelinde yüksek verimli üretim yapan tarım işletmelerinin artan talebini karşılamak üzere yüksek hassasiyetli ve düşük maliyetli akıllı tarım teknolojilerinin geliştirilmesinde önemli bir potansiyele sahiptir. Tarımda yapay zekâ teknolojilerinin, bugünün ve geleceğin en önemli tarımsal araştırma konularından biri olması beklenmektedir. Bu teknolojiler; çiftliklerdeki koşulları izleyerek, karar desteğini iyileştirerek, toprağı koruyarak, su tasarrufu sağlayarak, karbon salımlarını sınırlandırarak, sera gazı kullanımını azaltarak, üretkenliği artırarak ve tarımsal işlemleri kolaylaştırarak sürdürülebilirliğe katkıda bulunmakta, çözüm bekleyen sorunlara farklı yanıtlar üretmektedir.

1.3 Yapay Zekâ Uygulamalarının Yaygınlaşması

Tarımda yapay zekâ uygulamalarının kapsamı son yıllarda hızla genişlemiştir. Ürün izleme ve hastalık tespitinden otonom hasada ve tedarik zinciri optimizasyonuna kadar yapay zekâ teknolojileri, tarımsal değer zincirinin tamamında kullanıma sunulmaktadır. Bu makale, dünya genelinde özellikle tarımsal kullanım için geliştirilen başlıca yapay zekâ uygulamalarını ve yazılım platformlarını karşılaştırmalı olarak incelemektedir.

Çalışma; bu teknolojilerin özelliklerini, yeteneklerini ve uygulama sırasında karşılaşılan zorlukları tanımlamaya, sınıflandırmaya ve değerlendirmeye odaklanmaktadır. İnceleme; çiftlik yönetimi platformlarını, hastalık tespit sistemlerini, verim tahmin araçlarını, toprak izleme uygulamalarını, yabancı ot mücadelesi robotlarını, otonom hasat sistemlerini, hassas sulama teknolojilerini, hayvancılık yönetimi platformlarını, su ürünleri sistemlerini, danışmanlık sohbet robotlarını, iklim-akıllı araçları, tedarik zinciri optimizasyonu sistemlerini ve gıda güvenliği uygulamalarını kapsamaktadır.

1.4 Amaçlar ve Kapsam

Bu çalışmanın amaçları şunlardır:

1. Dünya genelinde özellikle tarımsal kullanım için geliştirilen başlıca yapay zekâ uygulamalarını ve yazılım platformlarını tanımlamak.
2. Bu uygulamaları tarımsal işlevlerine ve teknik yaklaşımlarına göre sınıflandırmak.
3. Önde gelen sistemlerin özelliklerini, yeteneklerini ve performans ölçütlerini değerlendirmek.
4. Her uygulama kategorisi içindeki teknolojileri karşılaştırmak.
5. Benimsemenin önündeki zorlukları ve engelleri çözümlemek.
6. Çiftçiler, tarım işletmeleri ve politika yapıcılar için stratejik öneriler sunmak.

1.5 Makalenin Yapısı

Makale dört kısımdan oluşmaktadır. Kısım I, küresel tarımda yapay zekânın temellerini ortaya koymaktadır. Kısım II, on dört işlevsel kategori boyunca tarımsal yapay zekâ uygulamalarını kapsamlı biçimde incelemektedir. Kısım III, bütüncül bir analiz sunmakta ve gelecek yönelimleri tartışmaktadır. Kısım IV, kaynaklar ve ekler dâhil olmak üzere destekleyici malzemeyi içermektedir.

Bölüm 2: Araştırma Yöntemi ve Karşılaştırma Çerçevesi

2.1 Araştırma Yaklaşımı

Bu çalışmada, sistematik literatür taraması yöntemi ile karşılaştırmalı vaka analizi birlikte kullanılmıştır. Araştırma dört aşamada yürütülmüştür.

Birinci Aşama: Belirleme. Akademik veri tabanlarında (Web of Science, Scopus, Google Scholar, IEEE Xplore) ve sektörel kaynaklarda; tarımda yapay zekâ uygulamaları, hassas tarım, tarımsal robotik, ürün yönetiminde makine öğrenmesi ve ilgili konularla bağlantılı arama dizgileri kullanılarak kapsamlı bir tarama gerçekleştirilmiştir.

İkinci Aşama: Eleme. Başlıklar, özetler ve metin özetleri, özellikle tarımsal kullanım için geliştirilen yapay zekâ uygulamalarıyla ilgisi bakımından elenmiştir. Geliştirme aşamasındaki ürünler, araştırma prototipleri ve ticari olarak yaygınlaştırılmış sistemler kapsama alınmıştır.

Üçüncü Aşama: Dâhil Etme. Nihai derlem; hakemli makaleler, teknik şartnameler, ürün belgeleri, vaka çalışmaları ve sektör raporları dâhil 150'den fazla belgeyi içermektedir.

Dördüncü Aşama: Bireşim. Bulgular çıkarılmış, uygulama alanına göre sınıflandırılmış ve karşılaştırmalı analize uygun anlatı yöntemleriyle birleştirilmiştir.

2.2 Kaynak Kategorileri

Birincil kaynaklar arasında şunlar yer almaktadır:

Akademik Araştırma: Precision Agriculture, Computers and Electronics in Agriculture, Biosystems Engineering, Field Crops Research gibi hakemli dergiler ile IEEE, ASABE ve diğer meslek kuruluşlarının konferans bildirileri.

Sektör ve Ticari Kaynaklar: Dünya genelindeki tarım teknolojisi şirketlerine ait ürün belgeleri, kurumsal web siteleri, teknik şartnameler, patent başvuruları ve sektör raporları.

Uluslararası Kuruluş Raporları: FAO, Dünya Bankası, IFPRI, CGIAR ve diğer uluslararası tarımsal araştırma kuruluşlarının yayınları.

Açık Kaynaklı Platformlar: Açık kaynaklı tarımsal yapay zekâ projelerine ait GitHub depoları ve belgeleri.

2.3 Karşılaştırma Çerçevesi

Her uygulama kategorisi, tutarlı bir ölçüt kümesiyle çözümlenmiştir:

• Temel Teknoloji: Kullanılan yapay zekâ ve makine öğrenmesi yaklaşımları (CNN'ler, büyük dil modelleri, pekiştirmeli öğrenme vb.).
• Başlıca Özellikler: Birincil işlevler ve yetenekler.
• Performans Ölçütleri: Raporlanan doğruluk, verimlilik kazanımları ve diğer nicel göstergeler.
• Kullanım Bağlamı: Ölçek, coğrafya ve hedef kullanıcı kitlesi.
• Entegrasyon Yetenekleri: Diğer sistemlerle birlikte çalışabilirlik.
• Maliyet Yapısı: Fiyatlandırma modelleri ve erişilebilirlik.
• Zorluklar: Uygulama engelleri ve sınırlamalar.

2.4 Sınırlamalar

Bu çalışmanın bazı sınırlamaları bulunmaktadır. Yapay zeka alanındaki gelişmelerin hızı, bazı sistemlerin kısa sürede değişmesine yol açmaktadır. Ticari sistemler tüm teknik şartnamelerini kamuya açık biçimde paylaşmayabilir. Ayrıca performans ölçütleri, her ortamda yeniden elde edilemeyecek ideal koşullarda raporlanmış olabilir.

Bölüm 3: Tarımsal Yapay Zekâ Uygulamalarının Sınıflandırılması

3.1 Tarımsal Yapay Zekânın Sınıflandırması

Kapsamlı inceleme sonucunda tarımsal yapay zekâ uygulamaları aşağıdaki kategorilere ayrılabilir:

Ürün Yönetimi ve Üretim Sistemleri:

• Çiftlik Yönetim Bilgi Sistemleri (ÇYBS / FMIS)
• Akıllı tarım bulut platformları
• Çok dilli ziraat danışmanları

Bitki Hastalıklarının Tespiti ve Bitki Sağlığı:

• Mobil tabanlı hastalık tespit uygulamaları
• Zararlı teşhisi için büyük çok kipli modeller
• Yaprak analizi için bilgisayarla görü sistemleri

Verim Tahmini ve Hasat Öngörüsü:

• Verim tahmini için makine öğrenmesi modelleri
• Çok modüllü hassas tarım sistemleri
• Yorumlanabilir makine öğrenmesiyle kararlılık bölgesi analizi

Toprak İzleme ve Besin Yönetimi:

• Toprak parametreleri için IoT sensör ağları
• Yapay zeka destekli verimlilik analizi
• Bütünleşik besin yönetimi için karar desteği

Yabancı Ot Mücadelesi ve Robotik Kontrol:

• Derin öğrenme tabanlı yabancı ot tespiti
• Otonom yabancı ot mücadelesi robotları (mekanik ve lazerli)
• Hassas ilaçlama teknolojileri

Otonom Hasat ve Robotik:

• Robotik meyve ve sebze hasat makineleri
• Olgunluk tespiti için yapay zekâ görüsü
• Otomatik hasat sonrası işleme

Hassas Sulama ve Su Yönetimi:

• Yapay zeka destekli sulama programlama
• Gerçek zamanlı toprak nemi izleme
• Otomatik damla sulama sistemleri

Hayvancılık Yönetimi:

• Kümes hayvanları için işitsel-görsel izleme
• Uydu entegreli sağlık tespiti
• Otonom izleme robotları
• Davranış analizi için bilgisayarla görü

Su Ürünleri Yetiştiriciliği ve Balıkçılık:

• Su kalitesi izleme
• Hastalık tespiti ve önlenmesi
• Yem optimizasyonu
• Stok değerlendirmesi

Tarımsal Danışmanlık ve Karar Desteği:

• Çiftçiler için üretken yapay zekâ sohbet robotları
• Erişimle Güçlendirilmiş Üretim (RAG) sistemleri
• Çok dilli, çok kipli danışmanlık platformları

İklim-Akıllı Tarım:

• Karbon ayak izi takibi
• Toprak karbonu ölçümü
• Sera gazı emisyonu izleme
• İklim dayanıklılığı planlaması

Tedarik Zinciri Optimizasyonu:

• Yapay zeka ve blok zinciriyle soğuk zincir lojistiği
• Talep tahmini
• Güzergâh optimizasyonu

Gıda Güvenliği ve Kalite Kontrol:

• Bulaşan tespiti için spektral yapay zekâ
• Kalite sınıflandırması için bilgisayarla görü
• Gerçek zamanlı patojen tespiti

3.2 Teknik Yaklaşımlar

İnceleme, baskın birkaç teknik yaklaşımı ortaya koymuştur:

Evrişimli Sinir Ağları (CNN): Hastalık tespiti, yabancı ot tanıma ve meyve sınıflandırması gibi görüntü tabanlı görevlerde yaygın olarak kullanılmaktadır. CNN'ler görsel örüntü tanıma görevlerinde yüksek doğruluk sağlamaktadır.

Büyük Dil Modelleri (LLM) ve Üretken Yapay Zekâ: Tarımsal danışmanlık, teşhis muhakemesi ve karar desteğinde giderek daha fazla kullanılmaktadır. CropGPT ve FarmerChat gibi sistemler, etkileşimli çiftçi desteği için büyük dil modellerinden yararlanmaktadır.

Nesnelerin İnterneti (IoT) ve Sensör Ağları: Yapay zeka sistemleri için veri altyapısını oluşturarak toprak, hava durumu, ürün sağlığı ve hayvan koşullarının gerçek zamanlı izlenmesini mümkün kılmaktadır.

Robotik ve Otonom Sistemler: Ekim, yabancı ot mücadelesi, hasat ve diğer tarla işlemleri için yapay zekâyı fiziksel hareketle birleştirmektedir.

Pekiştirmeli Öğrenme: Değişken ortamlarda uyarlanabilir davranış için robotik kontrol sistemlerinde kullanılmaktadır.

Açıklanabilir Yapay Zekâ (XAI): Yapay zeka kararlarını çiftçiler ve ziraat mühendisleri için yorumlanabilir kılmaya yönelik gelişmekte olan bir yaklaşımdır; güveni artırmakta ve bilinçli karar almayı desteklemektedir.

3.3 Coğrafi Dağılım

Tarımsal yapay zekâ uygulamaları başlıca tüm tarım bölgelerinde ortaya çıkmıştır:

Kuzey Amerika: Çiftlik yönetimi platformları (Agrotics), otonom ekipmanlar (John Deere, Blue River Technology) ve danışmanlık sistemlerinde öncüdür.

Avrupa: Robotik (Nature Robots, Farming Revolution, Terra Oracle AI), hassas tarım yazılımları (Agricon) ve sürdürülebilirlik araçları (CinSOIL) alanlarında güçlüdür.

Asya: Hindistan (Cropin, Kisan AI), Çin (akıllı tarım platformları) ve Güneydoğu Asya'da hızla büyüyen bir sektördür.

Küresel Güney: Digital Green'in FarmerChat'i, GAIA projesi ve düşük maliyetli danışmanlık sistemleri dâhil olmak üzere küçük ölçekli çiftçilere odaklanan uygulamalar ortaya çıkmaktadır.

Kısım II: Tarımsal Yapay Zekâ Uygulamalarının Kapsamlı İncelenmesi

Bölüm 4: Bütünleşik ve Yönetişimli Bir Platform Örneği: Aladdin Agri AI

4.1 Kapsam, Konumlandırma ve Tasarım Felsefesi

Önceki bölümlerde incelenen uygulamaların önemli bir bölümü, tek bir işleve odaklanan ayrı çözümler ya da büyük ticari işletmelere yönelik kurumsal platformlar biçiminde geliştirilmektedir. Bu bölümde, farklı bir tasarım önceliğiyle geliştirilmiş bütünleşik bir platform örneği ayrıntılı olarak ele alınmaktadır. Aladdin Agri AI, bu makalenin yazarı tarafından yürütülen girişim kapsamında geliştirilmiş olup, fikri mülkiyet haklarından ve çiftlik veri gizliliğinden ödün vermeden yerelleştirilmiş ve uzmanlarca doğrulanmış tarımsal rehberlik sağlamayı amaçlayan bir yapay zekâ ekosistemidir. Yazarın bu platformla olan ilişkisine dair çıkar çatışması beyanı, makalenin sonundaki Beyanlar ve Bildirimler bölümünde sunulmaktadır.

Platformun en belirleyici özelliği, hedef kullanıcı tanımıdır. Birçok ticari tarımsal yapay zekâ çözümü, laboratuvar erişimi, sensör altyapısı ve yüksek bağlantı hızı varsayımı üzerine kurulurken, Aladdin Agri AI bu olanaklara sahip olmayan küçük ölçekli çiftçiyi varsayılan kullanıcı olarak benimsemektedir. Platform on dilde hizmet verecek biçimde tasarlanmış ve web, mobil ve masaüstü olmak üzere üç dağıtım kanalında sunulmuştur. Bu yapı, uzman tarımsal bilginin farklı gelir düzeylerindeki ve farklı altyapı koşullarındaki çiftçilere ulaşmasını hedeflemektedir.

4.2 Tasarım İlkesi: Küçük Ölçekli Çiftçinin Merkeze Alınması

Platformun tasarım felsefesinin merkezinde, düşük kaynaklı çiftçiye erişim ilkesi yer almaktadır. Bu ilkeye göre, laboratuvar, su veya yaprak analizine, ölçüm aletlerine ve yüksek bant genişliğine erişimi bulunmayan çiftçi, istisna değil, varsayılan kullanıcıdır. Sektör verilerine göre küçük ölçekli çiftçilerin önemli bir bölümü bu olanaklardan yoksundur; dolayısıyla yalnızca ideal ölçüm verisine dayanan bir sistem, hedef kitlenin büyük kısmını dışarıda bırakmaktadır.

Bu ilke, platformun rehberlik mantığını doğrudan biçimlendirmektedir. Genel ve uygulanabilir tarımsal rehberlik, kullanıcının elinde bulunan bilgilerden (görsel değerlendirme, bitki gelişim evresi, toprağın elle hissedilen yapısı, sulama durumu, önceki girdiler ve onaylı kaynaklar) üretilmekte ve her zaman erişilebilir tutulmaktadır. Yalnızca kesin ve yerele özgü dozaj veya hassas hesaplama gerektiren çıktılar analiz koşuluna bağlanmaktadır. Laboratuvar veya uzman yönlendirmesi, bir ret ya da uyarı olarak değil, hassasiyeti artıran bir bilgilendirme olarak sunulmaktadır. Sistem, ideal verinin eksikliği nedeniyle bir yeteneği bütünüyle reddetmemektedir.

Bu yaklaşım, düşük kaynak koşullarının uydurma veya güvenli olmayan kesinlik için bir gerekçe sayılmaması ilkesiyle dengelenmektedir. Bilgi eksik olduğunda sistem, var olan bilgiyle sınırlı kalmakta ve belirsizliği açıkça belirtmektedir. Bu tasarım tercihi, platformu yalnızca büyük tarım işletmelerine hizmet veren kurumsal araçlardan ayıran temel niteliktir.

4.3 Sekiz İlkeli Yönetişim Çerçevesi

Platform, sekiz adet temel yönetişim ilkesinden oluşan bir çerçeve içinde çalışmaktadır. Bu ilkeler, yapay zekâ destekli tarımsal rehberliğin güvenli, tutarlı ve hesap verebilir biçimde sunulmasını amaçlamaktadır.

Birinci ilke, yukarıda açıklanan düşük kaynaklı çiftçiye erişimdir. İkinci ilke, yönetişimli yapay zekâ yönlendirmesidir: tüm yapay zekâ çağrıları onaylı bir geçiş katmanı üzerinden yönetilir ve kullanıcı katmanından sağlayıcılara doğrudan erişim bulunmaz. Üçüncü ilke, modül bütünleşmesidir: hiçbir modül, hizmet sürekliliğini, iş akışı bağımlılıklarını veya veri sahipliğini bozacak biçimde yalıtılmaz veya devre dışı bırakılmaz. Dördüncü ilke, siber güvenlikte sıfır gerilemedir: risk düzeyine göre yetki denetimi, girdi temizleme, çıktı kaçışı, güvenli sorgulama ve oran sınırlaması uygulanır; sağlayıcı, model, şema veya kayıt bilgilerinin sızması önlenir.

Beşinci ilke, çeviri yönetimi ve on dil bütünlüğüdür: on dilin tamamı desteklenir ve ön yüz dili, yönetim paneli dilinden yalıtılmış biçimde yönetilir. Altıncı ilke, yalın yürütme ve kaynak disiplinidir. Yedinci ilke, yeteneğin asla silinmemesi ilkesidir: bir yetenek, riskten kaçınmak için kaldırılmaz veya gizlenmez; yalnızca güvenli olmayan eylem kısıtlanır, hizmetin kendisi görünür ve kullanılabilir kalır. Sekizinci ilke, halüsinasyon karşıtı disiplindir: hiçbir dosya, işlev, istatistik veya çıktı uydurulmaz; her sav doğrulanabilir bir kaynağa dayandırılır. Bu çerçeve, denetimsiz genel yapay zekâ modellerinin tarımsal bağlamda güvenli ve yerele uygun çözümler üretmekte yaşadığı güçlüklere yönelik bir yanıt olarak konumlandırılmaktadır.

4.4 Üç Katmanlı Temel Zekâ Mimarisi

Platformun çekirdeğinde, birbirini tamamlayan üç bileşenden oluşan bir temel zekâ katmanı bulunmaktadır.

Sorgu Motoru (Aladdin AgroGenie): Yerel lehçeleri, gündelik ifadeleri ve karışık dil kullanımını çözümleyerek kullanıcının sorusundan doğrulanmış tarımsal rehberlik çıkaran anlamsal bir motordur. Bu bileşen, çiftçinin teknik terim kullanmasını gerektirmeden günlük dille soru sormasına olanak tanır.

Dil ve Üslup Katmanı (Aladdin Humanizer): Teknik verileri, saha çalışmasının koşullarına uygun, anlaşılır ve doğrudan uygulanabilir tavsiyelere dönüştürür. Bu katmanın amacı, kuru teknik çıktıyı çiftçinin gerçekliğine yakın bir anlatıma taşımaktır.

Yapay Zekâ Yönetişimi Ağ Geçidi (AiBridge): Yapay zekâ tarafından üretilen önerilerin tamamını bir denetim katmanından geçirir. Bu katmanın işlevi, doğrulanmamış veya hatalı çıktıların kullanıcıya ulaşmasını sınırlamak ve mahsul güvenliğini korumaktır. Tüm yapay zekâ çağrıları bu ağ geçidi üzerinden yönetilmekte olup, ön yüz katmanından sağlayıcılara doğrudan erişim veya bağımsız model çalıştırma yolu bulunmamaktadır.

4.5 Yapay Zekâ Destekli Tarımsal Asistan Sistemi

Platform, rehberliği üç kamuya açık uzman kişilik aracılığıyla sunmaktadır. Bu kişilikler ayrı yapay zekâ sağlayıcıları değildir; aynı yönetişim çerçevesi altında çalışan rehberlik kimlikleridir.

Habiba (dost canlısı tarımsal asistan): Sıradan çiftçiye yönelen, pratik ve güven veren bir rehberdir. Düşük okuryazarlık ve düşük kaynak koşullarındaki kullanıcıyı gözeterek yönlendirme sağlar.

Anas (ileri düzey tarımsal uzman): Profesyonel kullanıcılara yönelik derinlikli agronomik yorum sunar. Bu derinlik, sıradan çiftçiye zorla dayatılmadan, ihtiyaç duyan kullanıcıya sağlanır.

Namaa (tarımsal veri analisti): Verileri ve sayısal bilgileri raporlar. Sayı ve veri doğruluğu, bu kişiliğin temel sorumluluğudur.

Asistan sisteminin tasarımında, eylemsizlik riskinin gözetilmesi ilkesi benimsenmiştir. Yönetişim sessizliğinin mahsul kaybına yol açabileceği durumlarda (uzman erişiminin bulunmaması, kritik bir an ya da yakın bir kayıp riski gibi), sistem genel ve uygulanabilir rehberlik sunar; bu rehberliğe güven düzeyi etiketi, uzman yönlendirmesi önerisi ve gözlemlenebilir çerçeveleme eşlik eder. Bu yaklaşım, çiftçiyi belirsizlik anında yalnız bırakmamayı amaçlar.

4.6 Çok Platformlu Dağıtım: Web, Mobil ve Masaüstü

Platform, çiftçiye her koşulda ulaşabilmek amacıyla üç dağıtım biçiminde sunulmaktadır. Bu çok kanallı yapı, hizmetin yalnızca tek bir teknolojiye veya yüksek altyapıya sahip kullanıcılara değil, farklı koşullardaki çiftçilere erişmesini hedeflemektedir.

Kurumsal Bulut Platformu (Web): Çok dilli bir web çalışma alanıdır. Role duyarlı hizmet kartlarını barındırır ve yüksek riskli kararlar için insan onayı döngüsü içerir.

Habiba Uygulaması (Mobil): Düşük bağlantılı bölgelerde çevrimdışı çalışabilen bir saha uygulamasıdır. Anında mahsul teşhisi ve adım adım pratik rehberlik sağlar. Çevrimdışı çalışabilme özelliği, internet erişimi sınırlı kırsal bölgelerdeki küçük ölçekli çiftçiye ulaşmak açısından belirleyicidir.

SADIK-1.0 (Masaüstü): Araştırmacılar ve tarım şirketleri için tasarlanmış analitik bir motordur. Ekonomik fizibilite modellemesi ve istatistiksel öngörü işlevleri sunar.

Bu üç kanalın bir arada bulunması, platformun yalnızca büyük tarım işletmelerine değil, internet erişimi sınırlı ya da yalnızca mobil cihaza sahip küçük ölçekli çiftçilere de ulaşmasını sağlayan tasarım tercihini yansıtmaktadır.

4.7 Çalışma Alanının Hizmet Kartları

Web çalışma alanı, role duyarlı bir dizi hizmet kartından oluşmaktadır. Çalışma alanı on yedi hizmet kartı içermekte olup, bu kartlar kullanıcının rolüne göre düzenlenir ve hiçbiri kullanıcıdan gizlenmez. Platformun tanıtım materyalinde adlandırılarak öne çıkarılan on iki uzmanlaşmış tarım modülü aşağıdaki tabloda özetlenmiştir. Geri kalan kartlar, tarımsal istatistik karşılaştırması, fizibilite taslağı, gözlem gönderimi ve danışmanlık gibi işlevsel hizmetleri kapsamaktadır.

4.8 Uzmanlaşmış İşlevsel Alanlar ve Yöntemler

Platform, çeşitli tarımsal işlevleri farklı yöntemlerle ele almaktadır. Bu bölümde, başlıca işlevsel alanlar ve bunlarda kullanılan yaklaşımlar özetlenmektedir.

Bitki Hastalığı Teşhisi: Teşhis süreci, çiftçinin yanıtları üzerine kurulu rehberli bir gözlem akışı ve ayırıcı tanı mantığı kullanılarak yürütülmektedir. Sistem, görsel belirtilerden yola çıkarak olası nedenleri ayırt eder ve laboratuvar gerektirmeden kullanılabilecek değerlendirmeler sunar. Teşhis çıktısının güven düzeyi sınırlandırılmakta ve kesin olmayan durumlarda uzman yönlendirmesi önerilmektedir.

Zararlı Yönetimi ve Ekonomik Eşik: Zararlı yönetiminde, ekonomik zarar düzeyi (Economic Injury Level) ve ekonomik eşik (Economic Threshold) yaklaşımı uygulanmaktadır. Bu yaklaşım, Stern ve arkadaşlarının 1959 yılında ortaya koyduğu klasik çerçeveye dayanmaktadır. Eşik değerleri tahmin edilmemekte, onaylı girdilerden (denetim yoğunluğu, ürüne özgü verim kaybı, ürün değeri ve müdahale etkinliği gibi) hesaplanmakta ve agronomist onayından geçirilmektedir. Gerekli girdi bulunmadığında sonuç uydurulmamakta, durum belirsiz olarak işaretlenmektedir. Bu alan, bütünleşik zararlı yönetimi (IPM) ilkeleriyle uyumlu olarak kimyasal olmayan yöntemleri önceliklendirmektedir.

Tarımsal İstatistikler: Bu işlev, doğal dilde sorgulamaya olanak tanıyan bir arama katmanı üzerinden onaylanmış gözlem verilerine erişim sağlamaktadır. Kullanıcı, ürün, ölçüt, yıl ve kapsam gibi ölçütleri günlük dille belirtebilmekte; sistem yalnızca doğrulanmış verileri kaynak ve güven bilgisiyle birlikte döndürmektedir.

Fizibilite ve Ekonomik Çözümleme: Platform, ekim öncesinde beklenen maliyetleri ve olası ekonomik getiriyi modelleyen bir fizibilite işlevi sunmaktadır. Bu işlev, masaüstü analitik motorda daha derin ekonomik modelleme ve istatistiksel öngörü biçiminde genişletilmektedir.

Su, Besin ve Yetiştirme Ortamı Yönetimi: Akıllı sulama, hassas gübreleme ve örtü altı yetiştirme işlevleri; toprak nemi, mikro iklim ve ürün ihtiyacı gibi mevcut girdilerden yararlanarak operasyonel öneriler üretmektedir. Bu işlevlerde de kesin dozaj çıktıları analiz koşuluna bağlanmakta, genel rehberlik ise her zaman erişilebilir tutulmaktadır.

Sürdürülebilirlik ve Hasat Sonrası: Sürdürülebilirlik işlevi, toprağın iyileşmesini destekleyen ürün rotasyon stratejilerini değerlendirmektedir. Hasat sonrası kalite işlevi ise mahsulün değerini tarladan varış noktasına kadar koruyan güvenli taşıma rehberleri sunmaktadır.

Terminoloji ve Bilgi Yönetişimi: Platform, bilimsel terimlerin doğru tanımlarını sağlayan yönetişimli bir tarımsal sözlük içermektedir. Bilgi tabanının on dilde tutarlı biçimde genişletilmesi, denetimli bir içe aktarım süreci ve geri getirmeyle güçlendirilmiş üretim (RAG) yaklaşımıyla desteklenmektedir. Tüm bu süreçlerde içerik, yayımlanmadan önce doğrulamadan geçirilmektedir.

4.9 Diğer Platformlarla Karşılaştırmalı Analiz

Bu makalede incelenen çözümlerin çoğu, belirli bir işleve veya belirli bir kullanıcı ölçeğine odaklanmaktadır. Aşağıdaki tablo, Aladdin Agri AI platformunu, önceki bölümlerde ele alınan temsili platformlarla küçük ölçekli çiftçiye erişim açısından önemli boyutlar üzerinden karşılaştırmaktadır. Karşılaştırma, platformların tanıtım ve teknik tanımlarında belirtilen özelliklere dayanmaktadır.

Tablodan görüleceği üzere, incelenen platformların bir bölümü de çok dilli destek sunmakta veya küçük ölçekli çiftçiye yönelmektedir. Aladdin Agri AI'yi ayıran nokta, tekil bir üstünlük savı değil, bir özellikler bileşimidir: küçük ölçekli çiftçinin varsayılan kullanıcı olarak benimsenmesi, çok alanlı işlevlerin tek bir yönetişim çerçevesinde toplanması, hizmetin üç kanaldan sunulması, açık bir yönetişim ve halüsinasyon denetimi çerçevesinin bulunması ve düşük maliyetli ya da ücretsiz bir erişim modelinin benimsenmesi. Donanım tabanlı uzmanlaşmış çözümlerle (örneğin robotik yabancı ot kontrolü) karşılaştırma ise yalnızca sınırlı boyutlarda anlamlıdır, çünkü bu çözümler farklı bir kullanım alanına ve maliyet yapısına sahiptir.

4.10 Erişim, Eşitlik ve Fiyatlandırma Modeli

Platformun erişim modeli, küçük ölçekli çiftçiye düşük maliyetle ulaşma amacını doğrudan yansıtacak biçimde tasarlanmıştır. Tarım öğrencileri için erişim, sponsor desteğiyle tümüyle ücretsiz sağlanmaktadır. Çiftçiler için yıllık erişim ücreti yaklaşık on iki ABD doları gibi sembolik bir düzeyde tutulmuştur; bu tutar, kolay erişim ve düşük maliyet ilkesini yansıtmaktadır. Tarım şirketleri için yaklaşık yüz ABD doları, araştırma merkezleri için yaklaşık yüz yirmi ABD doları tutarında erişim ücreti öngörülmektedir.

Bu kademeli yapı, ücretsiz öğrenci erişiminin ve düşük maliyetli çiftçi erişiminin sürdürülebilir kılınmasını, kurumsal ve araştırma kullanıcılarından elde edilen gelir ile sponsor katkılarına dayandırmaktadır. Modelin amacı, uzman tarımsal bilgiyi bir ayrıcalık olmaktan çıkararak farklı gelir düzeylerindeki çiftçiler için erişilebilir kılmaktır. Bu tasarım, platformun büyük tarım işletmeleriyle sınırlı kalmama yönündeki temel amacıyla tutarlıdır.

4.11 Konum ve Sınırlamalar

Aladdin Agri AI, bu makalede incelenen tekil işlevli çözümlerden ve kurumsal odaklı platformlardan, küçük ölçekli çiftçiyi merkeze alan tasarımıyla ayrışmaktadır. Platformun ayırt edici yönleri; yapay zekâ çıktılarının bir denetim katmanından geçirilmesi, yüksek riskli kararlarda insan onayının korunması, hizmetin web, mobil ve masaüstü kanallarına uyarlanması ve düşük kaynak koşullarındaki çiftçiye genel rehberliğin her zaman sunulmasıdır.

Bu bölümde sunulan tanımların, platformun tasarım belgelerine ve uygulama kayıtlarına dayandığını belirtmek gerekir. Burada yer alan işlevsel açıklamalar, tasarım ve geliştirme düzeyindeki belgelenmiş yeteneklerdir; bağımsız bir saha karşılaştırmasına veya dış performans ölçümüne dayanan kesin etkinlik savları içermemektedir. Bütünleşik platformların önündeki başlıca güçlükler, Bölüm 20'de ele alınan birlikte çalışabilirlik, veri kalitesi, altyapı ve benimseme engelleriyle örtüşmektedir. Bu güçlüklerin küçük ölçekli çiftçi bağlamında aşılması, platformun belirtilen tasarım amacının gerçekleşmesi açısından belirleyici olacaktır.

Bölüm 5: Ürün Yönetimi ve Üretim Sistemleri

5.1 Çiftlik Yönetim Bilgi Sistemleri (FMIS)

Çiftlik Yönetim Bilgi Sistemleri, yapay zekâ destekli tarımın temel katmanını oluşturmakta ve karar almayı desteklemek üzere birden çok kaynaktan gelen verileri tüm çiftlik işlemleri boyunca bütünleştirmektedir. Güncel FMIS platformları; makine öğrenmesi, bulut bilişim, uydu görüntüleri ve IoT sensör ağlarından yararlanarak kapsamlı çiftlik istihbaratı sunmaktadır.

FMIS'in temel işlevi, tarımsal verileri toplamak, çözümlemek ve bunlara göre işlem yapmaktır. Bu sistemler, basit kayıt tutma araçlarından öngörücü analitik, gerçek zamanlı izleme ve otomatik öneri üretebilen yapay zekâ platformlarına doğru gelişmiştir.

5.2 Cropin Cloud: Akıllı Tarım Bulutu

Cropin Cloud, geliştiricisi tarafından dünyanın ilk akıllı tarım bulut platformu olarak tanıtılmaktadır. Küresel tarım-gıda sektöründe 15 yıllık deneyime sahip Cropin tarafından geliştirilen platform, tarım ekosisteminde yapay zekâ öncelikli dijital dönüşümü hızlandırmak üzere tarıma özgü kapsamlı bir yetenek seti sunmaktadır.

Temel Bileşenler:

Cropin Cloud üç ana bileşeni bütünleştirmektedir:

1. Cropin Apps: Tarladan depoya ve sofraya kadar tarımsal verileri yakalayıp sayısallaştıran, özelleştirilebilir uygulama ve çözümlerden oluşan bütünleşik bir portföydür. Bu uygulamalar tarım, gıda ve ilgili sektörlerde dijital dönüşümü ölçeklendirmek üzere tasarlanmıştır.

1. Cropin Data Hub: Tarladaki çiftlik yönetimi uygulamalarından, IoT cihazlarından, tarımsal kaynaklardan elde edilen mekanizasyon verilerinden, dronlardan, uzaktan algılama uydu bilgilerinden ve hava durumu verilerinden gelen tüm tarımsal veri kaynaklarıyla arabağlantı kurarak birleşik verinin gücünü sunmaktadır.

1. Cropin Intelligence: Yüksek düzeyde özelleştirilmiş etmen tabanlı (agentic) yapay zekâ çözümleri ile üretken yapay zekâ destekli bir tarımsal istihbarat platformu sunmaktadır; eyleme dönük içgörüler ve öngörücü istihbarat sağlayan 22 bağlamsal derin öğrenme modeline erişim içermektedir.

Yapay Zekâ Modelleri:

Cropin Intelligence; ürün tespiti, verim tahmini, sulama programlama, zararlı ve hastalık öngörüsü, azot alımı, su stresi tespiti, hasat tarihi tahmini, değişim tespiti ve parsel puanlaması dâhil olmak üzere sahada test edilmiş 22 yapay zekâ modelinden yararlanmaktadır. Bu modeller, 400'den fazla ürünü ve 10.000'den fazla çeşidi kapsayan, milyonlarca gerçek dünya veri noktası üzerinde eğitilmiş geniş bir ürün bilgi ızgarası kullanılarak oluşturulmuştur.

Başlıca Özellikler:

Cropin Cloud çok katmanlı istihbarat sunmaktadır:

• Parsel Düzeyi İstihbarat: Verim, ürün dönemi, sağlık, su stresi, zararlılar ve hastalıklara ilişkin doğru tahminler.
• Bölgesel İstihbarat: Derinlemesine tarımsal içgörü için toprak, hava durumu, uydu ve verim verilerini çözümleyen yapay zekâ modelleri.
• Sürdürülebilirlik Araçları: Karbon ayak izini, su tüketimini ve toprak sağlığını izleyerek kuruluşların çevreye duyarlı uygulamaları hayata geçirmesine yardımcı olur.
• Cropin Sage: Geçmiş, güncel ve gelecekteki gıda üretimine ilişkin karmaşık soruları yanıtlamaya yardımcı olan, gerçek zamanlı ve üretken yapay zekâ destekli bir tarımsal istihbarat platformudur.

Kullanım:

Cropin Intelligence, dünya genelinde 250'den fazla kamu ve özel sektör kuruluşu tarafından kullanıma alınmıştır. Uygulamalar arasında Hindistan'da Rabo Bank için kredi değerlendirmesinin desteklenmesi, Hindistan'da 250 bin pançayatı kapsayan dünyanın en büyük ürün sigortası programının (PMFBY) hayata geçirilmesi ve Rainforest Alliance'ın kakao bitkilerini tanımlamasına ve verim tahmini yapmasına yardımcı olunması yer almaktadır.

5.3 Agrotics: SaaS Tabanlı Akıllı Tarım Platformu

Agrotics, çiftçileri daha akıllı ve daha sürdürülebilir tarım için veriye dayalı içgörülerle güçlendirmek üzere tasarlanmış, SaaS tabanlı bir tarım teknolojisi platformudur. Platform; bulut yazılımı, makine öğrenmesi, büyük veri, uydu görüntüleri ve IoT teknolojilerinden yararlanarak bir çiftliğin sanal asistanı işlevini görmektedir.

Temel Yetenekler:

• İklim İzleme: Gerçek zamanlı hava durumu verilerinin ve mikro iklim koşullarının takibi.
• IoT Teknolojisi: Akıllı sensörler aracılığıyla gerçek zamanlı tarla verisinin toplanması.
• Zararlı ve Hastalık Yönetimi: Risklerin erken tespiti ve önleyici önlemler.
• Sezon Planlaması: Üretkenliği artırmak için tüm tarım sezonunun düzenlenmesi.
• Tahmin Verileri: Hiperlokal hava durumu tahminlerine erişim.
• Uydu Görüntüleri: Ürün sağlığını izlemek için güncel uydu görüntülerine erişim.
• Akıllı Uyarılar ve Tahminler: Yapay zeka destekli tahminlerle doğru zamanda eyleme geçme imkânı.

Hedef Kullanıcılar:

Agrotics; tarımda yer alan ve akıllı verilerle daha iyi kararlar almak isteyen herkes için (çiftçiler, tarım işletmeleri, danışmanlar ve araştırmacılar) tasarlanmıştır.

5.4 Terra Oracle AI: Çok Dilli Ziraat Danışmanı

Terra Oracle AI, modern tarımda önemli bir soruna yanıt vermektedir: üreticiler veriye boğulmuş ancak yanıt bulmakta zorlanmaktadır. Toprak analiz raporları, uydu görüntüleri, hava istasyonları, sulama sistemleri, gözlem raporları ya da ziraat önerileri olsun, bunların hepsi ayrı ayrı ulaşmakta ve çiftçileri zorlamaktadır.

Platform Mimarisi:

Terra Oracle AI, patent başvurusu yapılmış iki teknoloji katmanını birleştirmektedir: açıklanabilir bir ziraat danışmanı ile gama radyasyonu spektroskopisini optik algılamayla birleştiren çift sensörlü mimariye dayalı bir toprak tarama platformu.

Ziraat Muhakeme Katmanı:

Platform; toprak özellikleri, hava durumu, NDVI bitki örtüsü indeksleri, sulama davranışı, topografya, tarla işlemleri ve geçmiş ürün performansı dâhil olmak üzere birden çok veri akışını birlikte çözümlemektedir. Platformu ayırt eden özellik, verinin üzerine inşa edilen ziraat muhakeme katmanıdır.

Başlıca Özellikler:

• Proaktif ziraat uyarıları
• Tarlaya özgü öneriler
• Açıklanabilir muhakeme
• Çok dilli, sohbet temelli yapay zekâ etkileşimi

Uyarlanabilir Öğrenme:

Platform, zamanla her tarlaya ve işleme özgü hâle gelmek üzere tasarlanmıştır; her tarlanın ve işlemin davranışını fiilen öğrenmektedir. Bu uyarlanabilir yetenek, sabit öneri sistemlerine göre önemli bir ilerleme oluşturmaktadır.

Kullanım ve Test:

Teknoloji; geniş alan tarımı, sulu sıra ürünleri, patates, domates, salatalık, soğan, havuç, özel ürünler ve bahçe bitkileri uygulamalarında test edilmiştir. Avrupa ve Asya'da, Hindistan, Fransa, İspanya, Slovenya, Romanya, Polonya, Bulgaristan ve Ukrayna dâhil olmak üzere pilot projeler yürütülmüştür. Hindistan'da patates ve yer fıstığı üretimi için gösterimler yapılırken, yerel kullanıcılara uyarlanmış çok dilli yapay zekâ yetenekleri sergilenmiştir.

Ödüller:

2026 yılında şirket, "Dijital ve Otomasyon Çözümleri" kategorisinde Agritechnica Asia Uygulamalı Teknoloji Ödülü'nü almıştır.

5.5 AgriNEXT: Uyduları ve IoT'yi Bütünleştiren Yapay Zekâ Ekosistemi

AgriNEXT; hassas tarım için uyduları ve IoT'yi bütünleştiren bir yapay zekâ ekosistemidir. Hem yer düzeyindeki hem de uydu verilerini merkezi bir yapay zekâ motoruna aktararak plantasyona bütüncül bir bakış sunmakta ve hassas yönetimi (su, gübre ve pestisitlerin yalnızca gereken yerde ve zamanda uygulanması) mümkün kılmaktadır.

Sürdürülebilirlik Etkisi:

AgriNEXT, kaynak kullanımını optimize ederek tarım işletmelerinin karbon ayak izini azaltmasına ve sürdürülebilir uygulamalara geçmesine yardımcı olmaktadır. Yapay zekanın öngörücü yetenekleri, daha doğru verim tahminine de olanak tanıyarak şirketlerin tedarik zincirlerini yönetmesine ve iklim oynaklığı ile hastalık kaynaklı riskleri azaltmasına katkıda bulunmaktadır.

5.6 FarmMind: Modern Üreticiler için Etmen Tabanlı Yapay Zekâ

FarmMind; yapay zekâyı, coğrafi bilgi sistemlerini (GIS), saha gözlemini, ekonomik analizi ve gösterge panolarını birleştiren bütünleşik bir platformdur ve hassas tarım ile yapay zekânın gücünü doğrudan üreticilerin eline vermek üzere tasarlanmıştır. Etmen tabanlı yapay zekâyla çalışan platform; modern üreticiler, danışmanlar ve tarım uzmanları için tasarlanmıştır.

5.7 Çiftlik Yönetimi Platformlarının Karşılaştırmalı Analizi

Bölüm 6: Bitki Hastalıklarının Tespiti ve Bitki Sağlığı Uygulamaları

6.1 Erken Hastalık Tespitinin Önemi

Bitki hastalıkları, tarımsal üretkenlik ve gıda güvencesi için önemli bir tehdit oluşturmaktadır. Geleneksel hastalık tespiti, zaman alıcı ve emek yoğun olan, çoğu zaman da sınırlı doğruluk gösteren elle yapılan tarla incelemelerine ve uzman bilgisine dayanmaktadır. Yapay zeka destekli hastalık tespiti; hızlı, doğru ve ölçeklenebilir teşhis olanağı sunmaktadır.

Yapay zekanın tarıma entegrasyonu, hassasiyet ve verimlilik bakımından yeni bir dönem başlatmaktadır. Evrişimli Sinir Ağları (CNN), görüntü tabanlı sınıflandırma yoluyla bitki hastalıklarının erken tespitine olanak tanıyarak verim kaybını azaltmaktadır.

6.2 AGMRI: Otomatik Ürün İstihbaratı Uygulaması

AGMRI; ultra yüksek çözünürlüklü görüntülemeyi makine öğrenmesi ve bilgisayarla görü ile birleştirerek sezon boyunca her dönümün ve her tarlanın eksiksiz ve kesintisiz bir "sıra düzeyi" görünümünü sunan bir yapay zekâ platformudur. Çiftçiler, ziraat mühendisleri ve ürün uzmanları için tasarlanan AGMRI, kullanıcıları tarlalarında olup bitenlere ilişkin uyararak erken müdahaleye olanak tanımaktadır.

6.3 CropGPT: Zararlı ve Hastalık Teşhisi için Büyük Çok Kipli Model

CropGPT, yapay zekâ destekli bitki hastalığı teşhisinde önemli bir ilerlemeyi temsil etmektedir. Mevcut yaklaşımlar, belirli ürünlerin teşhisinde temel olarak tek kipli verilere dayanmakta ve açıklanabilir teşhis muhakemesi sunamamaktadır; bu da ölçeklenebilirliklerini ve genellenebilirliklerini sınırlamaktadır. CropGPT, tüm ürün türlerinde teşhise olanak tanıyarak ve etkileşimli teşhis açıklamaları sunarak bu sınırlamaların üstesinden gelmektedir.

Mimari:

CropGPT, bir görsel kodlayıcı ile bir büyük dil modelini bütünleştiren uçtan uca bir çerçevedir. Görsel kodlayıcı; küresel, yerel ve nesne düzeyindeki bilgileri kapsayan çok düzeyli görüntü özelliklerini çıkarmak için önerilen DynamicFocus modülünü kullanmaktadır. Büyük dil modeli, açıklayıcı muhakemeyle birlikte adım adım etkileşimli teşhise olanak tanıyan bir düşünce zinciri (chain-of-thought) tasarımı içermektedir.

Veri Kümesi ve Eğitim:

Çeşitli ürünlerde güçlü performans elde etmek ve etkili ince ayar yapabilmek için CropInstruct adlı bir veri kümesi, otomatik ve maliyet açısından verimli bir paradigmaya dayanılarak oluşturulmuş; böylece yüksek kaliteli çok kipli bitki hastalığı verisinin azlığı önemli ölçüde giderilmiştir. Test anında uygulanan bilgi artırma stratejisi, yeniden eğitime gerek kalmadan sıfır-atış (zero-shot) teşhis performansını yükselterek modelin geniş bir ürün yelpazesine genellenebilirliğini artırmaktadır.

Performans:

Deney sonuçları, CropGPT'nin 79 bitki zararlısı ve hastalığı kategorisinde teşhiste 0,931 doğruluk (en az %35,6 iyileşme), görüntü açıklamasında 71,2 BLEU-4 (en az %44,4) ve muhakemede 85,3 BLEU-4 (en az %47,3) değerlerine ulaştığını; tek kipli ortamlarda GPT-4o ve klasik derin öğrenme modelleri dâhil en gelişmiş çok kipli modellerden daha iyi performans gösterdiğini ortaya koymaktadır. Sıfır-atış değerlendirmesinde, daha önce görülmemiş 10 üründe 0,795 doğruluğa ulaşarak Qwen-VL-Max'i %7,3 oranında geçmektedir.

6.4 TatarAI: Mobil Hastalık Tespiti ve Bitki Sağlığı Yönetimi

TatarAI; bitkileri çözümleyerek ve yapay zekâ destekli teknolojiyle verimi artırarak tarımı dijital çağa taşımaktadır ve hem çiftçiler hem de ev üreticileri için tasarlanmıştır. Uygulama; hastalık teşhisini, gübreleme planlamasını ve bitki gelişimi takibini doğrudan cep telefonundan kolayca yönetme olanağı sunmaktadır.

Yetenekler:

• Bitki Teşhisi (Kamera Tabanlı): Bir ürünün ya da ev bitkisinin fotoğrafını çekerek görsel yapay zekâ analiziyle yapraklardaki, gövdelerdeki, meyvelerdeki ya da köklerdeki sorunların tespit edilmesi.
• Hastalık Tespiti ve Sınıflandırma: Buğday pası, ayçiçeği mildiyösü ya da yaprak yanıklığı gibi tespit edilen hastalıkların ayrıntılı tanımlanması.
• Tedavi Önerileri: Dozaj, zamanlama ve kullanım ipuçlarıyla birlikte hedefli kimyasal ya da organik tedavi planları.
• Konum Tabanlı Akıllı Öneriler: Bölgesel toprak, nem ve iklim koşullarına uyarlanmış sulama ve gübreleme önerileri.
• Gelişim Takibi: Görsel karşılaştırmalar, haftalık sağlık puanları ve kaydedilen notlarla ilerlemenin izlenmesi.
• Çok Tarlalı Yönetim: Birden çok tarlanın ve her ürünün verisinin ayrı ayrı yönetilmesi.

Coğrafi Uyarlama:

Sistem yerel koşullara uyum sağlamaktadır. Tekirdağ'daki bir buğday tarlası ile Antalya'daki bir domates serası farklı bakım gerektirir ve TatarAI bu farkı dikkate almaktadır.

Gizlilik:

Kullanıcı verileri tümüyle gizlidir. Konum yalnızca önerileri kişiselleştirmek için kullanılmaktadır. Fotoğraflar yalnızca yapay zekâ amacıyla çözümlenmekte ve hiçbir zaman üçüncü taraflarla paylaşılmamaktadır.

6.5 Mısır Yaprağı Hastalığı Tespiti için Mobil CNN Modelleri

Mısır, buğday ve pirinç üretimini aşarak dünyada en çok üretilen üründür. Ancak verimi çoğu zaman çeşitli yaprak hastalıklarından etkilenmektedir. Verimi artırmak için kolay erişilebilir araçlarla erken tanı gereklidir.

Teknik Yaklaşım:

Araştırmacılar, gerçek zamanlı ve kullanıcı dostu bir mısır yaprağı hastalığı tespit ve sınıflandırma mobil uygulaması geliştirmiştir. Mısır hastalığı tespitinde VGG16, AlexNet ve ResNet50 modelleri uygulanmış ve karşılaştırılmıştır. Her modelin eğitiminde yaprak yanıklığı (blight), yaygın pas (common\_rust), gri yaprak lekesi (grey\_leaf\_spot) ve sağlıklı yapraklara ait toplam 4.188 görüntü kullanılmıştır.

Performans:

• VGG16, %95 test doğruluğuna ulaşmıştır.
• AlexNet, %91 test doğruluğuna ulaşmıştır.
• ResNet50, %72 test doğruluğuna ulaşmıştır.

VGG16, doğruluk bakımından diğer modellerden daha iyi performans göstermiş ve gerçek zamanlı hastalık tespiti sağlamak üzere bir mobil uygulamaya yerleştirilmiştir.

Uygulama Kullanımı:

Geliştirilen uygulama; yayım görevlileri, tarım işletmesi yöneticileri ve politika yapıcılar için erken hastalık tespitini ve karar almayı iyileştirecek, daha iyi ürün yönetimine ve gıda güvencesine katkıda bulunacaktır.

6.6 Çok Ürünlü Hastalık Teşhisi için Üç Katmanlı Derin Öğrenme Çerçevesi

Görsel hastalık belirtilerinin örüntü tanıma ve sınıflandırmasına dayanan üç adımlı bir çerçeve, güvenilir ve sahada uygulanabilir teşhis sunmaktadır. Yaklaşım; akıllı telefon kamerasıyla görüntü alımını, özellik çıkarımı, sınıflandırma ve sonuçların iletilmesi adımlarını içeren yapılandırılmış bir işleme hattıyla birleştirmekte ve bunu üç katmanlı bir mimari üzerine kurulu bir mobil uygulama aracılığıyla sunmaktadır.

6.7 Teknik Şartnameler ve Doğruluk Ölçütleri

Bölüm 7: Verim Tahmini ve Hasat Öngörü Sistemleri

7.1 Verim Öngörüsünün Önemi

Doğru verim tahmini; çiftlik planlaması, kaynak tahsisi, pazar eşgüdümü ve gıda güvencesi açısından belirleyici bir girdidir. Yapay zeka destekli verim öngörü sistemleri; uydu görüntülerinden, hava durumu verilerinden, toprak bilgisinden ve geçmiş örüntülerden yararlanarak doğru ve zamanında tahminler üretmektedir.

Uzun Kısa Süreli Bellek (LSTM) ağları, verim öngörüsü ve toprak sağlığı değerlendirmesine yönelik öngörücü modellemeyi destekleyerek kaynak tahsisine yardımcı olmaktadır.

7.2 Cropin Intelligence: Sahada Test Edilmiş 22 Yapay Zekâ Modeli

Daha önce belirtildiği gibi Cropin Intelligence, tarım için öngörücü ve buyurucu (prescriptive) içgörüler sağlayan, sahada test edilmiş 22 yapay zekâ modeli kullanmaktadır. Bunlar arasında şunlar yer almaktadır:

• Ürün tespiti
• Verim tahmini
• Sulama programlama
• Zararlı ve hastalık öngörüsü
• Azot alımı
• Su stresi tespiti
• Hasat tarihi tahmini
• Değişim tespiti
• Parsel puanlaması

Bu modeller, geniş bir ürün bilgi ızgarası üzerine kurulu ileri düzey makine öğrenmesiyle dinamik karar almaya olanak tanımaktadır.

7.3 Verim Tahmini için Yapay Zekâ Destekli Hassas Tarım Sistemi

Yapay zekayla güçlendirilmiş bir hassas tarım sistemi, makine öğrenmesi ve derin öğrenme algoritmaları aracılığıyla akıllı tarım yöntemlerini geliştirmektedir. Dört akıllı modül; ürün verim tahmini, sulama programlama, gübre önerisi ve hastalık tanılaması işlevlerini yerine getirmektedir.

Teknik Şartnameler:

• Random Forest ve Gradient Boosting modelleri kullanılarak verim tahmini ve sulama programlama.
• MobileNetV2 tabanlı bir CNN kullanılarak hastalık tanılaması.
• Verim tahmini için 0,92'lik R² değeri.
• Hastalık sınıflandırması için %90 doğruluk.

7.4 Yorumlanabilir Makine Öğrenmesiyle Verim Kararlılık Bölgeleri

Verim Kararlılık Bölgelerini (YSZ) ve yorumlanabilir makine öğrenmesini bütünleştiren evrensel bir çerçeve, değişken tarımsal ortamlarda karar almayı iyileştirmektedir.

Yöntem:

Çerçeve; çok yıllı verim, toprak ve yağış verilerini çözümleyerek YSZ geliştirmekte, zamansal verim kararlılığını değerlendirmekte ve verim faktörlerinin yorumlanmasını desteklemek için makine öğrenmesini (karar ağaçları) bütünleştirmektedir.

Bulgular:

Toprak-verim etkileşimlerinde önemli zamansal dinamikler belirlenmiştir. Tek yıllık değerlendirmeler, verim etkenlerindeki yıllar arası kritik değişkenliği yakalayamamaktadır. YSZ; mekânsal olarak tutarlı üretim alanlarını etkili biçimde ayırarak kararlı ve yüksek verimli bölgeleri kararsız bölgelerden ayırt etmiş, karar ağaçları ise verim değişkenliğinin başlıca etkenlerini belirlemiştir.

Katkı:

Bu araçlar birlikte, ürün üretimini sürdürülebilir biçimde optimize etmeye yönelik veriye dayalı bir yaklaşım sunmakta ve ürün analitiğinde önemli bir boşluğu kapatmaktadır.

7.5 Akıllı Ürün Öngörüsü için IoT ve Makine Öğrenmesi Çerçevesi

Kritik tarımsal parametrelerin (toprak nemi, besin düzeyleri, mikro iklim, ürün sağlığı) gerçek zamanlı ve yerinde izlenmesi için dağıtık bir sensör ağından yararlanan bir çerçeve; paydaşları, hassas kaynak tahsisi, optimize edilmiş sulama ve gübreleme, erken hastalık tespiti ve bilinçli pazar kararları için eyleme dönük istihbaratla güçlendirmektedir.

7.6 Açık Kaynaklı Platformlar

Yapay zeka destekli verim tahmini sunan çeşitli açık kaynaklı platformlar bulunmaktadır:

AgriPredict AI: Küçük ölçekli çiftçileri; verim tahmini, hava durumu izleme, çiftlik analitiği ve eyleme dönük öneriler için akıllı, veriye dayalı araçlarla güçlendirmek üzere tasarlanmış bütünleşik bir web ve yapay zekâ platformudur.

Cropl: Uydu görüntüleri ve makine öğrenmesiyle çalışan, ürün verim tahmini için bir Python SDK'sidir; geliştiricilere, aktüerlere, sigortacılara ve kamu kurumlarına verim tahminlerine programatik erişim sağlamaktadır.

AgriIntel: Python yapay zekâ servisleriyle birlikte MERN yığını kullanılarak oluşturulmuş, yapay zekâ destekli bir akıllı tarım platformudur; yapay zekâ tabanlı öneriler, ürün hastalığı tespiti, hava durumu analizi, pazar içgörüleri ve akıllı tarım araçları sunmaktadır.

7.7 Verim Öngörü Araçlarının Karşılaştırmalı Analizi

Bölüm 8: Toprak İzleme ve Besin Yönetimi Uygulamaları

8.1 Toprak Sağlığının Belirleyici Rolü

Toprak sağlığı, tarımsal üretkenlik ve sürdürülebilirlik için temel öneme sahiptir. Geleneksel toprak analizi yöntemleri çoğu zaman pahalı ve zaman alıcıdır; toprak koşullarına ilişkin yalnızca belirli aralıklarla görüntü sunar. Yapay zeka destekli toprak izleme sistemleri, toprak parametrelerinin gerçek zamanlı ve sürekli değerlendirilmesine olanak tanıyarak hassas besin yönetimini mümkün kılmaktadır.

8.2 IoT ve Yapay Zekâ Destekli Toprak Verimliliği Analizi Çerçeveleri

Akıllı tarım için gerçek zamanlı toprak verimliliği analizi ve uyarlanabilir ürün önerisi sunan, IoT tabanlı özgün bir yapay zekâ çerçevesi geliştirilmiştir. Sistem; nem, pH, azot, fosfor ve potasyum düzeyleri dâhil çok boyutlu toprak verisini ölçen bir Nesnelerin İnterneti sensör ağı içermekte ve bu veriyi yapay zekâ destekli bir analiz motoruna göndermektedir.

8.3 Gerçek Zamanlı Toprak Besin Analizi için Akıllı Sensör Birleştirme

Gerçek zamanlı toprak besin analizi ve otomatik ürün ayarlaması için geliştirilmiş ileri düzey bir sistem, yapay zekâ tabanlı pekiştirmeli öğrenmeden yararlanmaktadır. Sistemin; düşük hata oranlarıyla hassas toprak besin tespiti sağlamadaki ve otomatik ürün ayarlaması için karar almayı iyileştirmedeki etkinliği gösterilmiştir.

8.4 Tarla Ölçeğinde Toprak Nemi Tahmin Modelleri

Uygun maliyetli otonom toprak sensörleri ve IoT teknolojisi, gerçek zamanlı toprak nemi izlemeye olanak tanıyarak gerçek zamanlı model kalibrasyonu ve sulama optimizasyonu için fırsatlar sunmaktadır. Bir çalışma, Bayesçi ters modelleme çerçevesinde toprak nemi sensör verisinin kullanımını göstererek gerçek zamanlı toprak nemi tahmini için uygulanabilir çözümler ortaya koymaktadır.

8.5 Bütünleşik Besin Yönetimi için Karar Destek Sistemleri

Toprak, bitki ve gıdadaki bulaşanların tespiti için yapay zekâ tabanlı, yerinde çalışan dijital araçlar geliştirilmektedir; hata oranlarını iyileştirmek üzere makine öğrenmesi algoritmalarıyla model kalibrasyonu yapılmaktadır. Bu araçlar; Bütünleşik Zararlı Yönetimi (IPM) ve Bütünleşik Besin Yönetimi (INM) için bilinçli ve otomatik karar almayı mümkün kılan, blok zinciri ve siber güvenlik mekanizmaları içeren karar destek sistemleriyle birbirine bağlıdır.

8.6 Buğdayda Toprak Sağlığı İzleme

WHEATWATCHER girişimi; toprak beslenmesini, kimyasal ve biyolojik etkenleri tarla gelişiminden un üretimine kadar değerlendiren ileri düzey bir dijital toprak izleme sistemi aracılığıyla toprak sağlığı izlemeyi, bitki sağlığı değerlendirmesini ve gıda izlenebilirliğini bir araya getirmektedir.

8.7 Toprak İzleme Teknolojilerinin Karşılaştırmalı Analizi

Bölüm 9: Yabancı Ot Mücadelesi ve Robotik Kontrol Sistemleri

9.1 Yabancı Ot Mücadelesinin Zorluğu

Yabancı otlar; su, besin ve ışık için ürünlerle rekabet ederek verimi önemli ölçüde düşürmektedir. Yaygın herbisit kullanımı, yoğun toprak işleme ve el işçiliğine dayanan geleneksel yaklaşımlar giderek sürdürülemez hâle gelmektedir. Herbisitler dirence ve çevresel toksisiteye yol açmakta, toprak işleme erozyonu hızlandırmakta, iş gücü açığı ise elle yabancı ot mücadelesini güçleştirmektedir.

9.2 Derin Q-Öğrenmesi Tabanlı Robotik Yabancı Ot Tespiti ve Temizliği

Bir araştırma, hassas ürün yönetiminde yabancı otları tespit edip temizlemek için robotik sistemlerde Derin Q-Öğrenmesinin (DQL) kullanımını incelemektedir. Deneysel bulgular, sistemin etkinliğini ortaya koymakta; yabancı ot tanımada %97 doğruluk, herbisit kullanımında %75 azalma ve yabancı ot temizleme verimliliğinde %30 iyileşme sağlandığını göstermektedir.

9.3 Carbon Robotics LaserWeeder ve Büyük Bitki Modeli (LPM)

Carbon Robotics, bitki tanımlamaya yönelik bir temel model olan Büyük Bitki Modeli (LPM) ile yapay zekâ tabanlı yabancı ot mücadelesinde önemli bir adım atmıştır. LaserWeeder; çıkış sonrası herbisit kullanımını önemli ölçüde azaltmanın ya da ortadan kaldırmanın bir yolu olarak konumlandırılmaktadır. Şirkete göre LaserWeeder, çıkış sonrası kullanılan kimyasalların tamamının yerini alabilmektedir.

Performans:

Sonuçlar; herbisit kullanmadan %80-85 yabancı ot temizliği ve toprak bozulmasında %70-80 azalma göstermektedir.

9.4 Otonom Güneş Enerjili Hafif Yabancı Ot Mücadelesi Robotu

Tümüyle otonom, güneş enerjili ve hafif bir yabancı ot mücadelesi robotu, istenen bitkiler arasındaki yabancı otları tespit etmek için derin sinir ağlarına dayalı yapay zekâ kullanmaktadır. Robot; yabancı otun boyutuna ve türüne, ayrıca toprak ve hava koşullarına bağlı olarak, herhangi bir yangın tehlikesi oluşturmadan temaslı (mekanik) ve temassız (enerji demeti) yöntemlerle yabancı otları etkili biçimde yok edebilmektedir.

9.5 EM-GROW: Organik Çiftlikler için Uzay Destekli Robotlar

EM-GROW; GNSS tabanlı konumlandırmayı yapay zekâ tabanlı bir bitki tespit sistemiyle birleştirmektedir. Sistem; elle yapılan yabancı ot mücadelesine verimli, çevre dostu ve iş gücünden tasarruf sağlayan bir alternatif sunmaktadır.

9.6 Robotik Yabancı Ot Mücadelesi Sistemlerinin Karşılaştırmalı Analizi

Bölüm 10: Otonom Hasat ve Robotik Sistemler

10.1 Hasatta İş Gücü Zorluğu

Hasat, tarımda en emek yoğun işlemlerden biridir; özellikle hassas elleçleme gerektiren meyve ve sebze gibi özel ürünlerde bu durum belirginleşir. İş gücü açığı, artan maliyetler ve tutarlı kalite gereksinimi, yapay zekâ destekli robotik hasat sistemlerinin geliştirilmesini hızlandırmıştır.

10.2 Eternal.ag Harvester: Tümüyle Otonom Domates Hasat Robotu

Eternal.ag'ın Harvester'ı, domates seraları için tasarlanmış, tümüyle otonom bir hasat robotudur; günde 22 saate kadar kesintisiz çalışmakta ve ürün kalitesini güvence altına almak için yapay zekâ destekli akıllı bir sistemin parçası olarak işlev görmektedir. Robot, sektörde yaygın olan iş gücü açığını gidermekte ve aynı zamanda operasyonel verimliliği artırmaktadır.

10.3 Yapay Zekâ Görüsü, Silikon Parmaklar ve Bir Fanla Çilek Toplama

Robotik bir çilek toplama sistemi, otomasyonu tarlada insan muhakemesine yaklaştıran bir incelik düzeyi göstermektedir. Robot, çilek benzeri her nesneyi hasada hazır kabul etmek yerine ne zaman toplayacağına, ne zaman bekleyeceğine ve daha iyi bir görüş için ne zaman konum değiştireceğine karar verebilmektedir; bu, her seferinde tek bir meyvesi olgunlaşan bir ürün için temel bir özelliktir.

10.4 Örtülü Salatalıkların Robotik Hasadı

Sera ortamında salatalık hasadı; örtülü kesim noktaları ve iç içe geçmiş bitki yapıları gibi zorluklarla karşılaşmaktadır. Tümüyle bütünleşik bir robotik hasat sistemi; algılama, kontrol ve uç işlevci (end-effector) yeniliklerini birleştirerek bu sorunlara yanıt vermektedir.

10.5 Otomatik Elma Hasadı ve Hasat Sonrası Kalite Denetimi

USDA araştırması; elmaların otomatik hasadı için uygun maliyetli yeni bir robotik teknoloji ile hasat sonrası elleçleme sırasında meyve ve sebzelerin kalite denetimi için yeni nesil bir görüntüleme teknolojisi geliştirmektedir.

10.6 Hasat Robotlarının Karşılaştırmalı Analizi

Bölüm 11: Hassas Sulama ve Su Yönetimi Sistemleri

11.1 Su Kıtlığı Zorluğu

Su kıtlığı, dünya genelinde tarım bölgelerini etkilemekte ve sulama, tatlı su çekiminin büyük bölümünü oluşturmaktadır. Yapay zeka destekli hassas sulama; ürün verimini koruyarak ya da artırarak su kullanımını optimize etmekte ve israfı azaltmaktadır.

Yapay zeka tabanlı modeller ve İHA (insansız hava aracı) izleme, ürün verimini %20'ye kadar artırabilmekte; su ve gübre kullanımını %30 oranında azaltabilmektedir.

11.2 İnsan-Makine Etkileşimiyle Yapay Zekâ Destekli Hassas Sulama

MIT'nin GEAR Laboratuvarı'ndan bir araştırma, kaynak kısıtlı çiftçilerin özgül koşullarına yanıt vermektedir. Araştırmacılar; mevcut elle yapılan uygulamalara entegre olurken verimlilik gereksinimlerini karşılayabilecek bir araç için işlevsel gereklilikleri bir araya getirmiş ve otomatik programlama ile elle çalıştırmayı birleştiren (AS-MO) bir insan-makine etkileşimi tasarım kavramı önermiştir.

11.3 Makine Öğrenmesiyle Akıllı Sulama Programlama

Makine öğrenmesi teknikleri, sensör girdilerini hava durumu verileriyle bütünleştirerek sulama optimizasyonunu desteklemektedir. Yapay zeka tabanlı sulama sistemleri, sensör girdilerini hava durumu verileriyle birleştirerek su kullanım verimliliğini optimize etmektedir.

11.4 Gerçek Zamanlı Su Kullanım Verimliliği Optimizasyonu

Akıllı sulama, yumuşak robotik ve otonom sistemler; budama, yabancı ot mücadelesi ve akuaponik gibi belirli uygulamalarda etkili sonuçlar vermektedir. Yapay zekanın IoT ve İHA'larla bütünleşmesi, tarımsal sulama için önemli bir potansiyel taşımaktadır.

11.5 IoT Tabanlı Otomatik Sulama Çerçeveleri

Hassas tarım için geliştirilen akıllı bir karar destek sistemi; verim tahmini ve hastalık tanılamasının yanı sıra sulama programlama için CNN tabanlı derin öğrenme modelleri kullanmaktadır.

11.6 Yapay Zekâ Sulama Teknolojilerinin Karşılaştırmalı Analizi

Bölüm 12: Hayvancılık Yönetimi ve Hayvan Sağlığı İzleme

12.1 Hayvancılıkta Yapay Zekânın Önemi

Hayvansal üretim, küresel tarımın önemli bir bileşenidir. Hayvancılık yönetiminde yapay zekâ uygulamaları; hayvan sağlığı izleme, yem optimizasyonu, ıslah ve çevre yönetimine odaklanarak hem üretkenliği hem de hayvan refahını iyileştirmektedir.

12.2 Kümes Hayvancılığı İstihbaratı (PoultryFI): Bütünleşik Çok Sensörlü Yapay Zekâ Platformu

Kümes Hayvancılığı İstihbaratı (PoultryFI); altı yapay zekâ destekli modülü bütünleştiren, modüler ve uygun maliyetli bir platformdur: Kamera Yerleşimi Eniyileyici, İşitsel-Görsel İzleme, Analitik ve Uyarı, Gerçek Zamanlı Yumurta Sayımı, Üretim ve Kârlılık Öngörüsü ile dört modül daha. Düşük maliyetli algılamayı, uç (edge) analitiğini ve buyurucu yapay zekâyı birleştirerek sürüleri sürekli izleyen, üretimi öngören ve performansı optimize eden ilk sistemler arasında yer almaktadır.

12.3 BirdWatch: Uydu Entegreli Kümes Hayvanı Sağlığı İzleme

BirdWatch, kümes hayvanı üreticilerinin hastalık, çevre ve refah risklerini büyümeden önce tespit etmesine yardımcı olmaktadır. Kümes içi sensörleri bütünleştiren BirdWatch; çiftlik içi sensörleri uydu verisi ve yapay zekâyla birleştirerek hem bireysel çiftçilerin hem de bu çiftliklerle sözleşme yapan büyük entegratörlerin sürülerini izlemesine ve korumasına yardımcı olmaktadır.

12.4 BroBot: Otonom Kümes Hayvanı Sağlığı İzleme Robotu

Çanakkale Onsekiz Mart Üniversitesi'ndeki (ÇOMÜ) Türk akademisyenler tarafından geliştirilen BroBot, Türkiye'nin ilk yerli ve millî kümes hayvanı sağlığı izleme robotudur. BroBot, üzerindeki sensörlerle çok sayıda veriyi izlemekte; kümes hayvanları arasında herhangi bir sorun tespit ettiğinde çiftlik sahiplerini, veteriner hekimleri ya da bakıcıları anında uyarmaktadır. Yurt dışındaki benzerlerinden farklı olarak BroBot, yalnızca hasta ya da ölü etlik piliçleri tespit etmekle kalmamakta, refah göstergelerini de izleyebilmektedir.

12.5 Etlik Piliç Kümesi Yönetimi için IoT ve Kablosuz Sensör Ağları

IoT, yapay zekâ destekli kapalı devre kamera sistemi (CCTV), kablosuz sensör ağları ve otomatik kontrol sistemlerinin bir araya gelmesi, bütüncül etlik piliç kümesi yönetimi için çok yönlü bir çözüm sunmaktadır. Gerçek zamanlı veriler, öngörücü içgörüler ve otomatik kontroller birlikte maliyet düşürmeye, kayıpların azaltılmasına ve bilinçli karar almaya katkıda bulunmaktadır.

12.6 Akıllı Kümes Hayvanı Çiftlikleri için Makine Görüsü Sistemleri

YOLOv11 algoritmasını içeren, derin öğrenme kullanan ileri düzey bir makine görüsü sistemi, kümes hayvanlarının otomatik olarak izlenmesi ve yönetilmesi için geliştirilmiştir. Kümes hayvanı çiftlikleri; sensörleri, otomasyonu ve ileri analitiği bütünleştirerek tavukların sağlığını, davranışını ve çevre koşullarını daha verimli ve doğru biçimde izleyebilmektedir.

12.7 Yumurtacı Tavuk Davranışının Bilgisayarla Görüyle İzlenmesi

Yumurtacı tavuk davranışının bilgisayarla görü kullanılarak izlenmesine yönelik yapay zekâ tabanlı bir sistem, küçük ölçekli kümes hayvanı çiftlikleri için geliştirilmiş; refah değerlendirmesine ve anormal davranışların erken tespitine olanak tanımaktadır.

12.8 Hayvancılık Yapay Zekâ Sistemlerinin Karşılaştırmalı Analizi

Bölüm 13: Su Ürünleri Yetiştiriciliği ve Balıkçılık Yönetimi Uygulamaları

13.1 Su Ürünleri Yetiştiriciliği 4.0'ın Yükselişi

Su ürünleri yetiştiriciliği sektörü artık "Su Ürünleri Yetiştiriciliği 4.0" olarak adlandırılan, veri tabanlı ve kendi kendini yöneten sistemler hâlinde çalışmaktadır; çünkü IoT, yapay zekâ ve büyük veri analitiği gibi Endüstri 4.0 teknolojileri uygulamaya alınmıştır. 2022 yılında 185 milyon ton küresel üretime ulaşan su ürünleri yetiştiriciliğinde yapay zekâ, giderek daha yaygın biçimde benimsenen bir teknoloji hâline gelmiştir.

13.2 Yapay Zekâ Destekli Balık Yetiştiriciliği Sistemleri

Yapay zeka destekli balık yetiştiriciliği sistemleri; kara temelli su devirdaim sistemlerinde (RAS), açık deniz kafes sistemlerinde ve açık su balık çiftliklerinde kullanılmaktadır. Bu sistemler; gerçek zamanlı veri analitiği, otomasyon ve öngörücü izleme yoluyla yem kullanımını optimize etmekte, israfı azaltmakta, balık sağlığını iyileştirmekte ve çevresel etkiyi en aza indirerek sürdürülebilir deniz ürünü üretimini desteklemektedir.

13.3 Öngörücü Modelleme ve Karar Destek Sistemleri

Sürdürülebilir su ürünleri yetiştiriciliğinde öngörücü modelleme ve karar destek sistemlerine ilişkin bir derleme; yapay zekânın yetiştiricilik operasyonlarını nasıl dönüştürdüğünü eleştirel biçimde incelemektedir. Hassas yemleme, elle müdahaleyi ve operasyonel israfı önemli ölçüde azaltmaktadır. Yapay zeka, su ürünleri yetiştiriciliğinde girdi israfını sınırlamak ve giderleri %30'a kadar azaltmak için kullanılabilmektedir.

13.4 Gerçek Zamanlı Su Kalitesi İzleme ve Hastalık Tespiti

Su ürünleri yetiştiriciliğinde yapay zekânın başlıca uygulamaları arasında gerçek zamanlı su kalitesi izleme, hastalık tespiti, balık biyokütlesinin otomatik tahmini ve optimize edilmiş yemleme programları yer almaktadır. Yapay zeka destekli sistemler; balık sağlığını izlemek, yemleme programlarını optimize etmek ve hastalık salgınlarını önlemek için uygulamaya alınmaktadır.

13.5 Balık Stoku Değerlendirmesi ve Yan Av Azaltımı

Yapay zeka; stok değerlendirmesini iyileştiren, yan avı azaltan ve ekosistem korumasını güçlendiren makine öğrenmesi, gerçek zamanlı izleme ve öngörücü analitik yoluyla balıkçılık yönetimini geliştirmektedir. Yapay zeka, dünya genelinde balıkçılık faaliyetini izleyerek açık deniz balıkçılığının sürdürülebilirliğini desteklemektedir. Ayrıca Yasa Dışı, Bildirilmeyen ve Düzenlenmeyen (IUU) balıkçılıkla mücadelede önemli bir rol oynamaktadır.

13.6 Optimize Edilmiş Yemleme Programları ve Biyokütle Tahmini

Yapay zeka; uzun dönemde balık büyümesinin, yemlemesinin ve üremesinin daha verimli yönetilmesini sağlayarak su ürünleri yetiştiriciliğini dönüştürme potansiyeline sahiptir. Balık biyokütlesinin tahmini, yapay zekâ teknikleriyle otomatik olarak yapılabilmektedir.

13.7 Su Ürünleri Teknolojilerinin Karşılaştırmalı Analizi

Bölüm 14: Tarımsal Danışmanlık ve Karar Destek Sistemleri

14.1 Tarımsal Yayım Açığının Kapatılması

Geleneksel tarımsal danışmanlık hizmetleri, küçük ölçekli çiftçilere zamanında ve doğru bilgi ulaştırmada önemli sınırlamalarla karşılaşmaktadır. Büyük Dil Modellerindeki (LLM) ilerlemeler, tarımsal yayım sistemlerini güçlendirme potansiyeli taşımaktadır; ancak bağlama özgü bilgi eksikliği nedeniyle doğrudan uygulanmaları risk oluşturabilmektedir.

14.2 Digital Green FarmerChat: Yerelleştirilmiş, Çok Dilli Yapay Zekâ Asistanı

FarmerChat; Digital Green tarafından geliştirilen, çiftçilere kendi dillerinde ücretsiz, yerelleştirilmiş ve iklim-akıllı tarımsal tavsiyeleri metin, video, ses ve görüntü aracılığıyla sunan yapay zekâ destekli bir asistandır. Araç; çiftçilerin ürün yönetimi, pazarlar ve iklim dayanıklılığı konularında zamanında ve güvenilir bilgiye erişimini genişletmek üzere tasarlanmıştır.

FarmerChat, çiftçilerin güvenilir ve yerelleştirilmiş bilgiye geleneksel maliyetlerin çok altında bir maliyetle erişimini yeniden tasarlamaktadır. Araçların doğru, kapsayıcı ve gıda sistemlerinde dayanıklılığı gerçekten güçlendiren nitelikte olmasını sağlamak amacıyla, yapay zekâ yeniliğini gerçek çiftçi geri bildirimine dayandıran kullanıcı testleri sürdürülmektedir.

14.3 Vayazh: RAG Teknolojisiyle Yapay Zekâ Destekli Tarım Danışmanı

Vayazh; başlangıç düzeyindeki kullanıcıları, hobi amaçlı üreticileri ve küçük ölçekli tarımsal üreticileri karar alma ve üretkenlik konusunda desteklemek için tasarlanmış, yapay zekâ destekli bir tarım danışmanıdır. Temel amaç; alana özgü bilgiyi gerçek zamanlı çevresel verilerle bütünleştirerek erişilebilir, doğru ve bağlama duyarlı tarımsal rehberlik sunmaktır.

Teknik Yaklaşım:

Vayazh; ürün bakımı, zararlı kontrolü, sulama yönetimi ve mevsimsel planlamayı kapsayan güvenilir tarım veri kümeleri üzerinde eğitilmiş, ince ayarlı bir Erişimle Güçlendirilmiş Üretim (RAG) modeli kullanmaktadır. Çerçeve, gerçek zamanlı hava durumu bilgisini bütünleştirerek bölgesel koşullara göre dinamik öneriler sunmakta; örneğin yağmur öngörüldüğünde sulamayı ertelemektedir.

Başlıca Yenilik:

En dikkat çekici bulgu, sohbet temelli yapay zekânın biçimselleştirilmiş tarım bilgisi ve ekolojik algılamayla bütünleştirilmesinin; görevlerin daha iyi programlanmasına, kullanıcı etkileşiminin artmasına ve ekolojik olarak sürdürülebilir tarım uygulamalarına daha yüksek uyuma yol açmasıdır.

14.4 Kisan AI: Kâr Bilinçli Akıllı Ürün Danışmanlığı Sistemi

Geleneksel tarımsal danışmanlık sistemleri temel olarak biyolojik verimi optimize etmekte, çoğu zaman pazar fiyatını göz ardı etmektedir; bu da çiftçileri agronomik açıdan sağlam ancak finansal açıdan sürdürülemez kararlara yöneltebilmektedir. Kisan AI, ürün önerilerine kâr bilincini katarak bu boşluğu gidermektedir. Anthropic Claude API ile çalışan, dokuz dilli bir yapay zekâ sohbet robotu; tüm modülleri Hindistan genelindeki çiftçilerin erişebileceği, mobil cihaza kurulabilen tek bir platformda birleştirmektedir.

14.5 CottonBot: Büyük Dil Modeli Destekli Pamuk Tarımı Asistanı

CottonBot; zararlı yönetimi, toprak gübrelemesi, yabancı ot kontrolü, nematod yönetimi ve LLM-RAG ile etmen tabanlı yapay zekâ araçları kullanarak gerçek zamanlı, bağlama duyarlı ve çiftliğe özgü sulama önerileri dâhil olmak üzere pamuk çiftçilerini kapsamlı tarım rehberleriyle desteklemek için tasarlanmış, yapay zekâ destekli bir asistandır.

14.6 Agro Bot: Tarımsal Danışmanlık için Yapay Sinir Ağları ve Doğal Dil İşleme

Agro Guide Bot, çeşitli tarımla ilgili konuları kapsayan anlık ve özelleştirilmiş öneriler sunmaktadır. Bot; Yapay Sinir Ağları (ANN) ve Doğal Dil İşleme (NLP) kullanarak hava durumu tahminlerini, toprak koşullarını, zararlı kontrolü önerilerini ve güncel tarım aracı tavsiyelerini çözümleyip çiftçilere karmaşık tarımsal kararlarda güvenilir tavsiyeler vermektedir.

14.7 GAIA Projesi: Tarım için Üretken Yapay Zekâ

IFPRI önderliğindeki Tarım için Üretken Yapay Zekâ (GAIA) projesi; küresel Güney'deki küçük ölçekli üreticiler için yapay zekâ üretimi tarımsal tavsiyelerin etkinliğini, güvenilirliğini ve bağlamsal uygunluğunu artırmayı amaçlamaktadır.

Birinci Aşama (2023-2024): Derlenmiş tarımsal bilgi, pilot uygulamalar ve veri yönetişimi ile cinsiyet yanlılığı değerlendirmesine ilişkin araştırmalar yoluyla yapay zekâ destekli tarımsal sohbet robotu tasarımı ve geliştirilmesine ilişkin önemli içgörüler üretmiştir. Proje, yapay zekâ tabanlı danışmanlık araçlarının potansiyelini ortaya koyarken iyileştirme alanlarını da belirlemiştir.

İkinci Aşama (2025-2027): Yapay zeka destekli tarımsal danışmanlık hizmetlerini şu yollarla daha da geliştirmeyi amaçlamaktadır:

• Sağlam veri yönetişimi çerçeveleri uygulayıp bir üretken yapay zekâ etik araç seti geliştirirken içerik toplamayı genişletmek.
• Gerçek zamanlı veri kaynaklarını, öngörücü analitiği ve ürün sağlığı görüntüleri dâhil çok kipli modelleri bütünleştirerek dinamik tavsiyeler sunmak.
• Tarımsal yayım hizmetlerinde büyük dil modeli performansını; doğruluk, zamanındalık, cinsiyet duyarlılığı ve bağlamsallaştırma açısından değerlendirmek için kapsamlı değerlendirme ve karşılaştırma protokolleri oluşturmak.

14.8 Danışmanlık Platformlarının Karşılaştırmalı Analizi

Bölüm 15: İklim-Akıllı Tarım ve Sürdürülebilirlik Araçları

15.1 İklim-Akıllı Tarımın Gerekliliği

İklim değişikliği, küresel tarım için varoluşsal tehditler oluşturmaktadır. Mühendislik ölçütleriyle bütünleştirildiğinde akıllı tarım teknolojileri; tarımsal sera gazı azaltımına ve iklime dayanıklı gıda sistemlerine katkıda bulunabilmektedir.

15.2 Cropin Sürdürülebilirlik Araçları: Karbon Ayak İzi Takibi

Cropin'in sürdürülebilirlik araçları; karbon ayak izini, su tüketimini ve toprak sağlığını izleyerek kuruluşların çevreye duyarlı uygulamaları hayata geçirmesine yardımcı olmaktadır. Platform; su kullanımını, karbon ayak izini, toprak işlemeyi, ormansızlaşmayı, toprak üstü biyokütleyi, ürün artığı yönetimini ve daha fazlasını izlemek için ileri analitik sunarak uygulamaların verimli biçimde optimize edilmesini sağlamaktadır.

15.3 CinSOIL: Toprak Karbonu İçsetleme ve Ölçümü

CinSOIL; çiftlik düzeyinde karbon emisyonlarını içsetlemek (insetting) ve çiftçileri toprak sağlığını yeniden kazandırma konusunda güçlendirmek için geliştirilen bir yazılım çözümüdür. CinSOIL, topraklarda depolanan karbon miktarını ölçmek için bilime dayalı ve uygulanabilir bir yöntem geliştirmiş; böylece toprak karbon düzeylerinin doğrulanmasında daha hızlı ve daha güvenilir bir yol sunmuştur.

15.4 Farmdee-Mesook: Sera Gazı Farkındalığı Odaklı Akıllı Tarım Platformu

Akıllı tarım; ürün modellemesi, uydu uzaktan algılaması ve yapay zekânın bütünleştirilmesi yoluyla üretkenliği artıran, girdi kullanımını optimize eden ve sera gazı (SG) emisyonlarını azaltan veriye dayalı stratejiler sunmaktadır. Bu çalışma, sezgisel bir sera gazı farkındalığı odaklı akıllı tarım platformu olan Farmdee-Mesook'u tanıtmaktadır.

15.5 Tarımsal Emisyon İzleme ve Net Sıfır için Yapay Zekâ

Etkili biçimde uygulandığında yapay zekâ araçları, dağınık tarımsal veriyi eyleme dönük içgörülere dönüştürerek çiftçilerin verimliliği artırmasına ve emisyonları azaltmasına yardımcı olmaktadır. İleri makine öğrenmesi modelleri; verim tahmini, karbon tutulumunun izlenmesi, emisyon modellemesi ve uygulamalardaki değişikliklerin sonuçları nasıl etkilediğinin benzetimi (simülasyon) için kullanılmaktadır.

15.6 Yapay Zekâ ve 5G ile Akıllı Sera Teknolojileri

IoT destekli akıllı seralar; ileri düzey veriye dayalı otomasyon, hassas sulama ve ölçeklenebilir bölgeleme ilkeleri için 5G ve uç (edge) bilişimden yararlanmaktadır. Sera robotları, örtü altı yetiştiricilik sistemleri için otomasyon çözümleri sunmaktadır.

15.7 Sürdürülebilirlik Teknolojilerinin Karşılaştırmalı Analizi

Bölüm 16: Tedarik Zinciri Optimizasyonu ve Hasat Sonrası Uygulamalar

16.1 Tedarik Zinciri Optimizasyonunun Önemi

Hasat sonrası kayıplar ve tedarik zinciri verimsizlikleri, önemli ölçüde tarımsal kaynak israfı anlamına gelmektedir. Yapay zeka destekli tedarik zinciri optimizasyonu; çiftlik üretimi ile tüketici talebi arasındaki boşluğu kapatarak israfı azaltmakta, kârlılığı artırmakta ve sürdürülebilirliği iyileştirmektedir.

16.2 Yapay Zekâ Destekli Tarım-Gıda Tedarik Zinciri Optimizasyonu Platformları

Yapay zeka destekli bir tarım-gıda tedarik zinciri optimizasyonu platformu; ileri yapay zekâ, makine öğrenmesi, blok zinciri ve akıllı lojistik kullanarak tarım-gıda tedarik zincirini düzenlemeyi amaçlamaktadır. Platform; çiftlik üretimi ile tüketici talebi arasındaki boşluğu kapatarak israfı azaltmakta, kârlılığı artırmakta ve sürdürülebilirliği iyileştirmektedir.

16.3 Soğuk Zincir Lojistiği için Üretken Yapay Zekâ ve Blok Zinciri

Çok etmenli pekiştirmeli öğrenmeyi (MARL), blok zinciri teknolojisini ve üretken yapay zekâyı bütünleştiren özgün, uçtan uca bir mimari; ölçeklenebilir, akıllı ve sürdürülebilir bir tedarik zinciri çerçevesi sunmaktadır. Sistem; taşıma süresini %30 azaltmakta, teslimat güvenilirliğini ve meyve kalitesini iyileştirmektedir; kaynak kısıtlı ya da bağlantısı kesintili ortamlar için özellikle uygundur.

16.4 Talep Tahmini ve Lojistik Planlama için Yapay Zekâ

Tarımsal dağıtımda yapay zekânın kullanımına ilişkin araştırmalar; yapay zekânın ürün verim tahminini iyileştirme, talebi öngörme, lojistiği optimize etme ve israfı en aza indirme kapasitesini vurgulamaktadır. Yapay zeka kullanan tarımsal paydaşlar; daha sağlam, uyarlanabilir ve hesap verebilir tedarik zincirleri kurarak küresel gıda güvencesini güçlendirebilmektedir.

16.5 Kalite Güveni ve Blok Zinciri Entegrasyonu

Yapay zeka ve blok zinciri teknolojisinin bütünleştirilmesi, asgari güvenlik stoğunu düzenleyerek işletmeler için sıçramalı gelir artışını tetikleyebilmektedir. Yapay zekadan yararlanmak, tarımsal tedarik zincirinin genel verimliliğini güçlendirebilmektedir. Tarımsal tedarik zincirinde blok zinciri ve üretken yapay zekâ teknolojilerine ilişkin araştırmalar; çiftçilerin üretim, pazarlama ve finans konularında doğru kararlar almasına ve akıllı optimizasyona yönlendirilmesini hedeflemektedir.

16.6 Tedarik Zinciri Teknolojilerinin Karşılaştırmalı Analizi

Bölüm 17: Gıda Güvenliği ve Kalite Kontrol Uygulamaları

17.1 Gıda Güvenliğinin Belirleyici Rolü

Tarımsal tedarik zincirinin tamamında gıda güvenliğinin ve kalitesinin sağlanması, halk sağlığını ve tüketici güvenini doğrudan etkilemektedir. Yapay zeka destekli gıda güvenliği sistemleri; bulaşanların, tağşiş maddelerinin ve kalite kusurlarının hızlı ve doğru biçimde tespitine olanak tanımaktadır.

17.2 Gıda Güvenliği Tespiti için Yapay Zekâ Destekli Spektroskopi

Yapay zeka ve makine öğrenmesinin bütünleştirilmesi, gıda kalitesi değerlendirmesini önemli ölçüde dönüştürmüştür; evrişimli sinir ağları (CNN) gibi modeller, tağşiş maddelerinin tespitinde %99,85'e varan doğruluğa ulaşmaktadır. Bu derleme; ileri spektroskopinin, yapay zekâ tabanlı analizin ve yeni sensör teknolojilerinin bütünleştirilmesini ele almaktadır.

17.3 Gerçek Zamanlı Gıda Güvenliği ve Kalitesi için Çok Kipli Yapay Zekâ

Gıda güvenliğinin ve kalitesinin gerçek zamanlı güvence altına alınması; tarladan perakendeye kadar görü, spektroskopi, uçucu bileşikler, biyoalgılama ve süreç ölçütlerini kapsayan sinyaller kullanılarak hat hızında kararlar verilmesini gerektirmektedir. Çok kipli yapay zekâ, bu heterojen verileri birleştirerek saniyeler içinde tehlikeleri tespit etmekte, gerçekliği doğrulamakta ve tazeliği öngörmektedir.

17.4 Tahıl Kalitesi İzleme için Bulut Tabanlı Yapay Zekâ

Bulut tabanlı bir yapay zekâ sistemi; bilgisayarla görü ve derin öğrenme kullanarak tahıl kalitesi ve bulaşan tespitini otomatikleştirmektedir. Dağıtım merkezlerinde alınan görüntüler, uç-bulut iş birliği yoluyla çözümlenerek gerçek zamanlı sınıflandırma ve güvenlik uyarıları sağlanmaktadır. CNN, tahıl kalitesinin belirlenmesinde ve bulaşan tespitinde %96 doğruluğa ulaşmıştır.

17.5 Gıda Bütünlüğü için Makine ve Derin Öğrenme

Yapay zeka, makine öğrenmesi ve derin öğrenme tabanlı yaklaşımlar; gerçek zamanlı izleme, tahribatsız analiz ve dinamik karar destek mekanizmaları yoluyla gıda güvenliği yönetiminde yeni bir paradigma sunmaktadır. Veri standardizasyonu, model şeffaflığı ve mevzuata uyum gibi zorluklar, ele alınması gereken başlıca sorunlar olarak öne çıkmaktadır.

17.6 Gıda Güvenliği için Spektral Yapay Zekâ Teknolojileri

Spektral yapay zekâ yaklaşımları; et, deniz ürünleri ve taze ürün sistemlerinde çeşitli güvenlik ve kalite tehlikelerinin tespitini desteklemektedir. Bütünleşik spektral yapay zekâ iş hatları; çeşitli gıda kategorilerinde tağşişi, bulaşmayı ve kalite kusurlarını belirleyebilmektedir.

17.7 Gıda Güvenliği Teknolojilerinin Karşılaştırmalı Analizi

Kısım III: Bütünleşik Analiz ve Gelecek Yönelimleri

Bölüm 18: Uluslararası Kaynaklar, Veri Kümeleri ve Araştırma Kurumları

18.1 Başlıca Uluslararası Araştırma Kurumları

Tarımsal yapay zekâ araştırma ve geliştirme çalışmalarında öncü konumda bulunan başlıca uluslararası kuruluşlar şunlardır:

CGIAR (Uluslararası Tarımsal Araştırmalar Danışma Grubu): Gıda güvencesi üzerine çalışan 15 araştırma merkezinden oluşan küresel bir ortaklıktır. CGIAR'ın açık erişimli araştırma çıktıları, yapay zekâ tarafından üretilen tarımsal danışmanlığın doğruluğunu ve yerel bağlama uygunluğunu artırmak amacıyla kullanılmaktadır.

IFPRI (Uluslararası Gıda Politikası Araştırma Enstitüsü): GAIA projesini yürüten IFPRI, tarla düzeyindeki karar desteğinden politika analizine kadar gıda sistemlerinin genelinde yapay zekâ uygulamalarını araştırmaktadır.

FAO (Gıda ve Tarım Örgütü): FAO AGRIS sistemi, hassas tarımdaki yapay zekâ uygulamaları dâhil olmak üzere dünya genelindeki tarımsal araştırma ve teknolojileri kataloglamaktadır.

Digital Green: Teknoloji ve taban düzeyindeki ortaklıklardan yararlanarak küçük ölçekli çiftçileri güçlendiren küresel bir kalkınma kuruluşudur.

CABI (Uluslararası Tarım ve Biyobilim Merkezi): Yapay zekâ tabanlı danışmanlık sistemlerinde kullanılan, kuruma ait tarımsal bilgi materyallerini sağlamaktadır.

18.2 Tarımsal Yapay Zekâ için Kamuya Açık Veri Kümeleri

Tarımsal yapay zekâ gelişimini destekleyen başlıca kamuya açık veri kümeleri şunlardır:

• CropInstruct: Çok kipli bitki hastalığı tanısı için oluşturulan, yüksek kaliteli çok kipli bitki hastalığı verisindeki kıtlığı gidermeye yönelik bir veri kümesidir.
• Mısır Yaprağı Hastalığı Veri Kümesi (Maize Leaf Disease Dataset): CNN eğitimi için yanıklık (blight), yaygın pas (common\_rust), gri yaprak lekesi (grey\_leaf\_spot) ve sağlıklı mısır yapraklarına ait 4.188 görüntü içermektedir.
• Ürün Bilgi Ağı (Crop Knowledge Grid): Cropin'in bu ağı, milyonlarca gerçek dünya veri noktası üzerinde eğitilmiş olup 400'ün üzerinde ürünü ve 10.000'in üzerinde çeşidi kapsamaktadır.

18.3 Araştırma İş Birlikleri

Tarımsal yapay zekâyı ileriye taşıyan dikkate değer araştırma iş birliklerinden bazıları şunlardır:

GAIA Proje İş Birliği: IFPRI öncülüğünde; CABI, SCiO, Florida Üniversitesi ve Digital Green ortaklığıyla yürütülmektedir.

IFPRI-Digital Green Ortaklığı: FarmerChat üzerinde kullanıcı testleri yoluyla küçük ölçekli çiftçilere yönelik yapay zekâ yeniliklerini araştırmaktadır.

WHEATWATCHER: Toprak sağlığı izleme, bitki sağlığı değerlendirmesi ve gıda izlenebilirliğini bir araya getiren bir Horizon Europe girişimidir.

Bölüm 19: Uygulama Kategorileri Arasında Özellikler ve Faydalar

19.1 Başlıca Faydaların Özeti

19.2 Kesişen Avantajlar

1. Ölçeklenebilirlik: Yapay zekâ sistemleri milyonlarca hektar genelinde devreye alınabilmekte ve geleneksel yayım hizmetlerinin ulaşamadığı çiftçilere erişebilmektedir.

1. Maliyet Azaltımı: Birçok yapay zekâ uygulaması, geleneksel maliyetlerin küçük bir kısmıyla çalışmaktadır. Örneğin FarmerChat, yerelleştirilmiş bilgiyi geleneksel maliyetin küçük bir kısmıyla sunmaktadır.

1. Hassasiyet: Yapay zekâ, bölgeye özgü yönetime olanak tanıyarak girdileri azaltmakta, bu sırada verimi korumakta veya iyileştirmektedir.

1. Gerçek Zamanlı Çalışma: Yapay zekâ sistemleri sürekli izleme ve anlık uyarılar sağlayarak ortaya çıkan sorunlara hızlı müdahaleye imkân vermektedir.

1. Veri Bütünleştirme: Yapay zekâ platformları, çoklu veri akışlarını (toprak, hava durumu, uydu, geçmiş veriler) tek bir karar destek yapısında birleştirmektedir.

1. Açıklanabilirlik: Gelişmekte olan açıklanabilir yapay zekâ (XAI) teknikleri, yapay zekâ kararlarını yorumlanabilir kılarak çiftçi güvenini güçlendirmekte ve bilinçli karar almayı mümkün kılmaktadır.

Bölüm 20: Uygulamadaki Zorluklar

20.1 Teknik Zorluklar

Veri Kalitesi ve Niceliği: Başlıca zorluklardan biri, bugün ve gelecekte yapay zekâ tabanlı modeller oluşturmak için büyük miktarda yüksek kaliteli veri elde etmektir. Bu durum, tüm kuruluşlar için bir endişe kaynağıdır.

Veri Standardizasyonu: Veri standardizasyonu, model şeffaflığı ve mevzuata uyum gibi konular, ele alınması gereken başlıca sorunlar arasında öne çıkmaktadır.

Çok Kaynaklı Veri Eşzamanlaması: Çok kaynaklı veri eşzamanlamasındaki engeller, akıllı ekipmanların yüksek maliyeti ve karmaşık tarımsal ortamlarda modelin uyarlanabilirliğine ilişkin sınırlamalar varlığını sürdürmektedir.

Model Uyarlanabilirliği: Belirli bir bağlam için tasarlanan modeller, farklı ürünlere, iklimlere veya tarım sistemlerine aktarıldığında çoğunlukla başarısız olmaktadır.

Birlikte Çalışabilirlik: Farklı yapay zekâ platformları ile tarımsal sistemler arasındaki sınırlı birlikte çalışabilirlik, veri siloları oluşturmakta ve verimliliği düşürmektedir.

20.2 Ekonomik Zorluklar

Yüksek Maliyetler: Yüksek maliyetler, gizlilik kaygıları, yetersiz altyapı ve sınırlı teknik bilgi, yaygın benimsenmenin önünde engel oluşturmaktadır.

Ekipman Maliyetleri: Akıllı ekipmanların yüksek maliyeti, küçük ölçekli çiftçiler için engel teşkil etmektedir.

Yatırım Getirisi Belirsizliği: Yapay zekâ benimsemesinin ekonomik faydaları, özellikle küçük çiftlikler açısından kısa vadede her zaman görünür olmayabilmektedir.

20.3 Uygulamaya İlişkin Zorluklar

Altyapı Eksiklikleri: Özellikle gelişmekte olan bölgelerdeki yetersiz altyapı, güvenilir bağlantı ve enerji gerektiren yapay zekâ sistemlerinin devreye alınmasını kısıtlamaktadır.

Sınırlı Teknik Bilgi: Çiftçiler ve tarım işçileri arasındaki sınırlı teknik bilgi, yapay zekâ araçlarının etkin kullanımını zorlaştırmaktadır.

Benimseme Engelleri: Benimseme; özellikle gelişmekte olan bölgelerde finansal, altyapısal ve yönetişimsel engeller nedeniyle değişkenlik göstermektedir.

20.4 Toplumsal ve Etik Zorluklar

Sayısal Uçurum: Teknolojiye eşit olmayan erişim, büyük ölçekli ticari çiftlikler ile küçük ölçekli üreticiler arasındaki açığı genişletme riski taşımaktadır.

Veri Gizliliği ve Güvenliği: Tarla verilerinin toplanması ve kullanılması; mülkiyet, gizlilik ve olası kötüye kullanım konularında kaygılara yol açmaktadır.

İşgücünün Yerinden Edilmesi: Otomasyon, tarım işçilerini yerinden edebilmekte ve bu durum adil geçiş politikalarına dikkat gösterilmesini gerektirmektedir.

Algoritmik Yanlılık: Belirli bir bağlamdan elde edilen verilerle eğitilen modeller; yeterince temsil edilmeyen çiftçiler, ürünler veya bölgeler için zayıf performans gösterebilmektedir.

20.5 Araştırma Boşlukları

Sistematik literatür incelemesi; yapay zekânın besin yönetimi gibi gelişmekte olan alanlarla bütünleştirilmesi ve sensör sistemlerinin kullanımının yaygınlaştırılması konularında araştırma boşlukları olduğunu ortaya koymuştur. Bu boşlukların giderilmesi, daha sürdürülebilir ve dayanıklı tarım sistemlerinin geliştirilmesi için temel öneme sahiptir.

Bölüm 21: Stratejik Öneriler

21.1 Çiftçilere Yönelik Öneriler

1. Hedefe yönelik çözümlerle başlayın: Kapsamlı tarla yönetimine geçmeden önce tek bir yapay zekâ uygulamasıyla (örneğin hastalık tespiti) başlayın.
2. Maliyet-fayda değerlendirmesi yapın: Ürününüze, bölgenize ve çiftlik ölçeğinize özgü değer önerisini değerlendirin.
3. Açıklanabilir yapay zekâyı önceliklendirin: Yorumlanabilir öneriler sunan, gerektiğinde bilinçli müdahaleye olanak tanıyan sistemleri tercih edin.
4. Yerel bilgiyi koruyun: Yapay zekâyı, geleneksel tarım bilgisinin yerine değil, onu tamamlayan bir araç olarak kullanın.
5. Sayısal okuryazarlığa yatırım yapın: Yapay zekâ araçlarını etkin biçimde kullanmak için gereken becerileri geliştirin.

21.2 Tarım İşletmelerine Yönelik Öneriler

1. Birden çok sistemi bütünleştirin: Azami fayda için değer zinciri boyunca yapay zekâ uygulamalarını birbirine bağlayın.
2. Veri kalitesine katkı sağlayın: Model performansını iyileştirmek için yüksek kaliteli veri toplamaya yatırım yapın.
3. Birlikte çalışabilirliği planlayın: Açık standartları ve veri taşınabilirliğini destekleyen platformları seçin.
4. Siber güvenliği ele alın: Yapay zekâya bağlı sistemler için güçlü güvenlik önlemleri uygulayın.
5. Eğitim sağlayın: Benimsemeyi ve faydayı en üst düzeye çıkarmak için kullanıcı eğitimini destekleyin.

21.3 Teknoloji Geliştiricilerine Yönelik Öneriler

1. Açıklanabilirliği önceliklendirin: Çiftçilerin anlayabileceği ve güvenebileceği sistemler geliştirin.
2. Çoklu dil desteği sağlayın: Farklı kullanıcılara erişmek için çok dilli arayüzleri etkinleştirin.
3. Düşük bağlantı için optimize edin: Çevrimdışı ve düşük bant genişliği yetenekleri geliştirin.
4. Erişilebilir fiyatlandırma tasarlayın: Küçük ölçekli üreticiler için erişilebilir, kademeli fiyatlandırma modelleri oluşturun.
5. Veri gizliliğini güvence altına alın: Güçlü veri koruma mekanizmaları uygulayın.
6. Yanlılık testi yapın: Modelleri farklı ürünler, bölgeler ve kullanıcı grupları genelinde doğrulayın.

21.4 Politika Yapıcılara Yönelik Öneriler

1. Sayısal altyapıya yatırım yapın: Kırsal bağlantıyı ve enerji erişimini genişletin.
2. Sayısal okuryazarlık programlarını destekleyin: Çiftçileri ve yayım görevlilerini eğitin.
3. Veri yönetişimi çerçeveleri oluşturun: Yeniliğe imkân tanırken çiftçi veri haklarını koruyun.
4. Benimseme için teşvik sağlayın: Küçük ölçekli üreticiler için yapay zekâ araçlarını sübvanse edin.
5. Sistem bütünleştirme araştırmalarını fonlayın: Birlikte çalışabilirlik ve sensör sistemleri araştırmalarını destekleyin.
6. Düzenleyici çerçeveler geliştirin: Güvenliği, etkinliği ve yeniliği dengeleyin.

21.5 Araştırmacılara Yönelik Öneriler

1. Belirlenen araştırma boşluklarını giderin: Besin yönetimi bütünleştirmesini ve sensör sistemlerinin yaygınlaştırılmasını önceliklendirin.
2. Titiz etki değerlendirmeleri yapın: Farklı bağlamlarda gerçek dünya performansını değerlendirin.
3. Kıyaslama protokolleri geliştirin: Standartlaştırılmış değerlendirme ölçütleri oluşturun.
4. Birlikte çalışabilirliği araştırın: Veri alışverişi için açık standartlar geliştirin.
5. Toplumsal etkileri inceleyin: İşgücünün yerinden edilmesini ve eşitlik üzerindeki etkileri izleyin.

Bölüm 22: Sonuç ve Gelecek Yönelimleri

22.1 Bulguların Özeti

Bu kapsamlı inceleme, dünya genelinde tarımsal kullanım için özel olarak geliştirilen başlıca yapay zekâ uygulamalarını ve yazılım platformlarını belirlemiş ve çözümlemiştir. Bulgular, yapay zekânın tarımsal değer zincirinin tamamında, ürün izlemeden ve hastalık tespitinden otonom hasada ve tedarik zinciri optimizasyonuna kadar geniş bir uygulama alanı bulduğunu ve ölçülebilir kazanımlar sağladığını göstermektedir.

Analiz, başlıca şu bulguları ortaya koymaktadır:

1. Yapay zekâ uygulamaları tüm tarımsal alanları kapsamaktadır: Ürün yönetimi, hastalık tespiti, verim tahmini, toprak izleme, yabancı ot kontrolü, hasat, sulama, hayvancılık, su ürünleri yetiştiriciliği, danışmanlık, iklim dostu tarım, tedarik zinciri optimizasyonu ve gıda güvenliği alanlarının tümü yapay zekâ teknolojilerinden yararlanmaktadır.

1. Performans kazanımları belgelenmiş ve kayda değerdir: Sistemler; %93,1'e varan hastalık tespiti doğruluğu, %97 yabancı ot tanı doğruluğu, verim tahmininde 0,92'lik R² değeri ile su, gübre ve taşıma süresinde %30'a varan azalmalar elde etmektedir.

1. Çeşitli bir platform ekosistemi bulunmaktadır: Kapsamlı akıllı tarım bulutlarından (Cropin) özelleşmiş çözümlere (Terra Oracle AI, FarmerChat, LaserWeeder) kadar, çiftçilerin ve tarım işletmelerinin kendi özel ihtiyaçlarına göre uyarlanmış seçenekleri vardır.

1. Benimseme önemli engellerle karşı karşıyadır: Yüksek maliyetler, altyapı eksiklikleri, sınırlı teknik bilgi, veri kalitesi sorunları ve birlikte çalışabilirlik kısıtları; özellikle küçük ölçekli üreticiler açısından yaygın benimsenmeyi sınırlamaktadır.

1. Araştırma boşlukları varlığını sürdürmektedir: Bu boşluklar özellikle yapay zekânın besin yönetimiyle bütünleştirilmesinde ve sensör sistemlerinin kullanımının yaygınlaştırılmasında belirgindir.

22.2 Tarımda Yapay Zekânın Geleceği

Tarımsal ve gıda üretiminin modernleşmesi; mekanizasyondan otomasyona ilerleyen ve günümüzde akıllı tarım ile gıda mühendisliğine doğru istikrarlı biçimde gelişen belirgin bir seyir izlemektedir. Tarımda yapay zekânın geleceğini biçimlendirecek başlıca eğilimler şunlardır:

Uç Yapay Zekâ ve Cihaz Üzerinde İşleme: Yapay zekâ hesaplamasının uç cihazlara taşınması, bulut bağlantısına bağımlılığı azaltmakta ve uzak tarımsal alanlarda gerçek zamanlı işlemeyi mümkün kılmaktadır.

Üretken Yapay Zekâ ve Büyük Dil Modeli Bütünleştirmesi: Büyük dil modelleri, tarımsal danışmanlık sistemlerinde giderek daha fazla rol oynayarak çiftçilere konuşma temelli ve bağlam duyarlı destek sağlayacaktır.

Tarım için Temel Modeller: Bitki tanımlamaya yönelik Büyük Bitki Modeli (LPM) gibi modeller, ürünler ve bağlamlar arasında aktarımlı öğrenmeye olanak tanıyacaktır.

Çok Kipli Sistemler: Görü, dil, sensör ve diğer kiplerin bütünleştirilmesi, kapsamlı bir tarımsal zekâ sağlayacaktır.

Otonom Ekosistemler: Uçtan uca otonom sistemler, asgari insan müdahalesiyle tüm tarım operasyonlarını yönetecektir.

Sürdürülebilirlik Bütünleştirmesi: Yapay zekâ; tarımsal emisyonların ve karbon tutulumunun izlenmesi, doğrulanması ve optimize edilmesinde giderek daha önemli bir rol üstlenecektir.

22.3 Genel Değerlendirme

Tarımda yapay zekâ teknolojilerinin, günümüzün ve geleceğin önemli tarımsal araştırma konuları arasında yer alması beklenmektedir. Bu teknolojiler; tarladaki koşulların izlenmesi, karar desteğinin iyileştirilmesi, toprağın korunması, suyun tasarruflu kullanılması, karbon emisyonlarının sınırlandırılması, sera gazı kullanımının azaltılması, üretkenliğin artırılması, tarımsal operasyonların kolaylaştırılması ve mevcut sorunlara yönelik farklı çözümler geliştirilmesi yoluyla sürdürülebilirliğe katkı sağlamaktadır.

İlerleyen süreç; çiftçiler, tarım işletmeleri, teknoloji geliştiricileri, araştırmacılar ve politika yapıcılar arasında iş birliği gerektirmektedir. Bu paydaşlar birlikte çalışarak yapay zekânın sunduğu olanaklardan yararlanabilir ve gezegenin kaynaklarını gözeterek artan bir nüfusu besleyebilecek, daha üretken, sürdürülebilir ve dayanıklı gıda sistemleri kurabilir.

Kısım IV: Destekleyici Malzeme

Bölüm 23: Kaynaklar

Not: Kaynaklar, yayımlandıkları biçimiyle korunmuştur. Yazar adları, dergi başlıkları, yıllar ve tanımlayıcılar çevrilmemiştir.

1. Özoğul, G. (2025). Applications of artificial intelligence technologies in agriculture: advantages, challenges, risks, prospects, and recommendations. Cogent Food & Agriculture, 11(1), 2568199\.

1. Veronika Yuni T, Saromah, & Gunawan, B. (2025). Smart Farming Technologies for Global Food Security: A Review of Robotics and Automation. Digitus: Journal of Computer Science Applications, (4), 186-201.

1. (2025). Revolutionizing agriculture: A comprehensive review on artificial intelligence applications in enhancing properties of agricultural produce. Food Chemistry: X, 29, 102748\.

1. Mohammed, S. P., Deepika, J., Sritharan, N., Ravichandran, V., Prasanthrajan, M., & Kannan, P. (2025). A systematic literature review on artificial intelligence in transforming precision agriculture for sustainable farming: Current status and future directions. Plant Science Today, 12(2).

1. (2025). A Comprehensive Review of AI Methods in Agri-Food Engineering: Applications, Challenges, and Future Directions. Electronics, 14(20), 3994\.

1. (2026). Integrating stability zones and machine learning for enhanced crop management. Precision Agriculture, 27, 38\.

1. (2025). IoT and Machine Learning Framework for Precision Agri-Business and Smart Crop Forecasting. IEEE Conference Paper.

1. (2026). Intelligent Decision Support System for Sustainable Precision Agriculture: A Deep Learning Approach. IEEE Conference Paper.

1. (2026). AI-Driven Precision Agriculture System for Crop Health Monitoring & Yield Prediction. IEEE Conference Paper.

1. Getnet Tigabie Askale, Achenef Behulu Yibel, Belayneh Matebie Taye, & Gashaw Desalegn Wubneh. (2025). Mobile based deep CNN model for maize leaf disease detection and classification. BMC.

1. (2026). CropGPT: A large multimodal model for precise and explainable diagnosis of crop pests and diseases. Elsevier / Computers and Electronics in Agriculture.

1. TatarAI: Crop & Plant Health. App Store.

1. Cropin. (2025). Cropin Intelligence – predictive agri-business insights platform. https://www.cropin.com

1. Deutschland.de. (2026). High tech in the fields: Driverless farm machinery, artificial intelligence and smart livestock breeding.

1. Tehrani, R. (2025). Autonomous Farms Are Taking Root, but Big Questions Remain. TMCnet Blog.

1. (2025). Vayazh \- Leveraging AI and NLP to Empower Farmers with Real-Time Agricultural Insights. IEEE Conference Paper.

1. IFPRI. (2025). Generative AI for Agriculture (GAIA) – Phase I & II. https://www.ifpri.org

1. IFPRI. (2025). IFPRI and Digital Green expand collaboration to test AI innovations for smallholder farmers. https://www.ifpri.org

1. Agrotics: Smart Farming App. App Store.

1. Cropin. (2025). Intelligent agriculture cloud \- agri-cloud solutions. https://www.cropin.com

1. HortiDaily. (2026). AI agronomic advisor turns fragmented farm data into multilingual, real-time decisions.

1. (2025). Poultry Farm Intelligence: An Integrated Multi-Sensor AI Platform for Enhanced Welfare and Productivity. arXiv.

1. BirdWatch. ESA Business Applications.

1. (2025). ÇOMÜ Academics Developed Artificial Intelligence Supported BroBot. YÖK.

1. (2026). Artificial Intelligence for Blue Transformation: A Review of Predictive Modeling and Decision Support Systems in Sustainable Aquaculture. Wiley.

1. (2026). AI-Powered Fish Farming Global Market Report 2026\. GII Research.

1. (2025). "GenAI \+ blockchain" to coordinate agricultural supply chains to improve quality trust: an agent-based simulation study. Frontiers.

1. (2026). Generative AI and Blockchain-Integrated Multi-Agent Framework for Resilient and Sustainable Fruit Cold-Chain Logistics. MDPI.

1. (2026). Strawberry Picking Using AI Vision, Silicone Fingers, and a Fan. ASME.

1. (2026). Automated Fruit and Vegetable Harvesting. Fraunhofer Institute.

1. (2026). Eternal.ag raises €8M to automate greenhouse harvesting with AI-powered robots. Tech.eu.

1. (2025). A Novel AI-Enabled IoT Framework for Real-Time Soil Fertility Analysis and Adaptive Crop Recommendation in Smart Agriculture. IEEE.

1. (2026). Deep Q-Learning-Based Robotic Weed Detection and Removal in Precision Crop Management. IEEE.

1. Carbon Robotics. (2026). Carbon Robotics expands autonomous weed control across crops. Organic Grower Magazine.

1. (2025). AI-Integrated Spectroscopy for Food Safety. AGRIS.

1. (2026). Spectral-AI technologies for food safety: Advances, challenges, and future directions. ScienceDirect.

1. (2025). Cloud Based AI System for Food Grain Quality and Safety Monitoring. JISEM.

Bölüm 24: Ekler

Ek A: Tarımsal Yapay Zekâ Terimleri Sözlüğü

Ek B: Karşılaştırmalı Özellik Matrisi

Ek C: Uluslararası Kurumlar Dizini

Araştırma Kuruluşları:

• CGIAR: cgiar.org
• IFPRI: ifpri.org
• CABI: cabi.org
• FAO: fao.org

Sektör Platformları:

• Cropin: cropin.com
• Digital Green: digitalgreen.org
• Terra Oracle AI: (Avrupa merkezli)

Açık Kaynak:

• AgriPredict AI, Cropl, AgriIntel ve benzeri projeler için GitHub depoları.

Ek D: Tarımsal Yapay Zekâ Uygulamaları için Değerlendirme Kontrol Listesi

Yapay zekâ uygulamalarını değerlendiren çiftçiler ve tarım işletmeleri için:

Teknik Değerlendirme:

• Sistem açıklanabilir öneriler sunuyor mu?
• Yapay zekâ modeli, sizin ürününüz ve bölgeniz için doğrulanmış mı?
• Hangi doğruluk/performans ölçütleri raporlanıyor?
• Sistem, mevcut ekipmanınızla bütünleşiyor mu?

Kullanılabilirlik Değerlendirmesi:

• Arayüz, sizin teknik okuryazarlık düzeyinizdeki kullanıcılar için erişilebilir mi?
• Çoklu dil desteği mevcut mu?
• Sistem çevrimdışı veya sınırlı bağlantıyla çalışıyor mu?

Maliyet Değerlendirmesi:

• Toplam sahip olma maliyeti (eğitim, destek, yükseltmeler dâhil) nedir?
• Ölçeğinize uygun kademeli bir fiyatlandırma modeli var mı?
• Beklenen yatırım getirisi nedir?

Veri Değerlendirmesi:

• Sistem tarafından toplanan verinin sahibi kimdir?
• Hangi gizlilik korumaları mevcuttur?
• Verinizi kullanılabilir biçimlerde dışa aktarabiliyor musunuz?

Destek Değerlendirmesi:

• Eğitim sağlanıyor mu?
• Hangi teknik destek mevcuttur?
• Başvurabileceğiniz kullanıcı toplulukları veya örnek olay incelemeleri var mı?

Beyanlar ve Bildirimler

Çıkar Çatışması Beyanı

Bu makalenin yazarı Dr. Aladdin Ali, Aladdin International kuruluşunun kurucusu ve genel müdürü olup, Bölüm 4'te tanıtılan Aladdin Agri AI platformunun geliştiricisidir. Bu ilişki, olası bir çıkar çatışması oluşturmaktadır ve burada açıkça beyan edilmektedir. Bölüm 4'te sunulan değerlendirme, platformun tasarım ve uygulama belgelerine dayanmakta olup, Alt Bölüm 4.11'de belirtildiği gibi bağımsız bir üçüncü taraf saha kıyaslamasına dayanmamaktadır. Okuyucuların, söz konusu bölümü yorumlarken bu ilişkiyi göz önünde bulundurması önerilir. Makalenin geri kalan bölümleri, kamuya açık biçimde belgelenmiş üçüncü taraf platformları konu almakta olup, bu platformlarla ilgili herhangi bir ticari bağ beyan edilmemektedir.

Finansman

Yazar, bu çalışmanın yürütülmesi için kamu, ticari veya kâr amacı gütmeyen herhangi bir kurumdan belirli bir dış fon desteği almadığını beyan eder. Çalışma, yazarın yürüttüğü girişim kapsamında gerçekleştirilmiştir.

Veri ve Materyal Erişilebilirliği

Bu çalışma bir derleme makalesidir. Çözümlenen tüm veriler, Bölüm 23'te listelenen yayımlanmış ve kamuya açık kaynaklardan elde edilmiştir. Çalışma kapsamında yeni bir birincil veri kümesi üretilmemiştir. Bölüm 4'te atıfta bulunulan platform belgeleri, Aladdin International kuruluşuna ait olup kuruma özgü niteliktedir.

Etik Beyan

Bu çalışma; insan katılımcılar, insan verileri veya hayvan denekler üzerinde herhangi bir araştırma içermemektedir. Bu nedenle etik kurul onayı gerekmemiştir.

Yazar Katkıları

Çalışmanın kavramsallaştırılması, yöntem tasarımı, literatür taraması, çözümleme ve makalenin yazımı tek yazar tarafından gerçekleştirilmiştir.

Kullanılan Araçlar Hakkında Şeffaflık Beyanı

Makalenin hazırlanması ve dil düzenlemesi sürecinde yapay zekâ destekli araçlardan yararlanılmıştır. İçeriğin bilimsel doğruluğu, kaynak bütünlüğü ve nihai biçimi yazarın sorumluluğundadır. Tüm istatistikler ve atıflar, Bölüm 23'te listelenen birincil kaynaklara dayandırılmıştır.

Makale Sonu

Bu çalışma, Tarım-Gıda Sistemlerinde Yapay Zekâ Uluslararası Konferansı için hazırlanmıştır. Uluslararası tarımsal dergilerde yayım ve uluslararası konferanslarda sunum için gözden geçirilmiş sürüm. Sürüm 1.1. 2026\.