Drone ile rekolte tahmini, tarlanın ya da bahçenin drone ile çekilen görüntülerinden bitki veya ağaç sayısını, taç büyüklüğünü ve bitki gelişimini ölçüp bunları sahadan alınan örnek hasat verileriyle birleştirerek hasattan önce beklenen ürün miktarını hesaplamaktır. Göz kararı tahminden farklı olarak alanın tamamını ölçer ve belirsizliği bir aralıkla gösterir.
Rekolte rakamı kimin işine yarar?
Rekolte tahmini yalnızca üreticinin merakı değildir. Sözleşmeli üretim yapan bir gıda firması, fabrikaya ne zaman ve ne kadar ham madde geleceğini bilmek ister. İhracatçı, alıcıya teklif vermeden önce ne kadar ürün taahhüt edebileceğini hesaplar. Kooperatif, hasat ekibi, kasa, soğuk hava deposu ve nakliye kapasitesini buna göre ayarlar. Büyük bir bahçe işletmesi de satış görüşmesine elinde güvenilir bir rakamla girmek ister.
Bugün bu rakam çoğu zaman tecrübeli birkaç kişinin tarlayı gezip "geçen yıldan biraz az" demesiyle oluşur. Bu yöntem küçük alanda işe yarar, ama yüzlerce dönüm, farklı çeşitler ve farklı yaştaki ağaçlar söz konusu olduğunda tarlanın yalnızca yol kenarından görülen kısmına dayanır. Tahmin yanlış çıktığında ya fabrika boş bekler ya da ürün depoda sıra bekler.
Drone ile bitki sağlığının nasıl haritalandığını drone ile NDVI analizi yazısında ayrıntılı anlattık. Rekolte tahmini aynı görüntülerden başlar ama bir adım öteye gider: "bitki sağlıklı mı?" sorusundan "kaç ton ürün çıkacak?" sorusuna.
Yanlış tahminin maliyeti
Türkiye'de rekolte yıldan yıla sert dalgalanabiliyor. Bu da tahmini daha değerli kılıyor:
Tarım ve Orman Bakanlığı, Bitkisel Üretim İstatistikleri 2025 bültenine göre 2025'te toplam bitkisel üretim bir önceki yıla göre %11,6 azalarak 121 milyon ton oldu; meyveler, içecek ve baharat bitkileri grubunda üretim %30,4 geriledi.
Aynı bültene göre 2025'te elma üretimi %48,3, buğday üretimi ise %13,7 azaldı. Bu kadar büyük bir düşüşü hasattan haftalar önce doğru öngörebilen bir alıcı ya da üretici, sözleşmelerini, depo kapasitesini ve fiyat görüşmelerini buna göre ayarlayabilir. Geç fark eden ise taahhüt ettiği miktarı karşılayamaz ya da boş kapasite için ödeme yapar.
Kayıp yalnızca tarlada oluşmaz. FAO SDG Veri Portalı, Küresel Gıda Kaybı Göstergesi (12.3.1) verisine göre dünyada hasat sonrasından perakende öncesine kadar kaybedilen gıdanın payı 2023'te %13,3 olarak tahmin ediliyor; en yüksek kayıp %25,4 ile meyve ve sebzelerde. Hasat, taşıma ve depolama kapasitesinin gerçek rekolteye göre planlanmaması bu kaybı büyütebilecek etkenler arasındadır.
Drone ile rekolte tahmini nasıl çalışır?
Tek bir "rekolte kamerası" yoktur. Tahmin, ürüne göre farklı ölçümlerin birleştirilmesiyle yapılır:
- Sayım: Meyve bahçelerinde ağaç sayısı, sebze ve tarla bitkilerinde bitki sayısı ya da boşluk oranı yüksek çözünürlüklü görüntüden görüntü işleme ile sayılır. Eksik ağaç, kuruyan fidan ve boş sıra da bu aşamada ortaya çıkar.
- Taç ve bitki boyutu: Ağaç tacının alanı ve yüksekliği, fotogrametriyle üretilen yüzey modelinden ölçülür. Taç hacmi, ağaç başına verimle çoğu zaman ilişkilidir. Aynı yüzey modeli şantiyelerde drone ile hacim hesabı için de kullanılır.
- Bitki gelişimi: Multispektral kamerayla hesaplanan NDVI gibi vejetasyon indeksleri, bitki canlılığını ve stresi gösterir. Tek bir uçuştan çok, sezon boyunca yapılan uçuşlardan oluşan zaman serisi anlam taşır.
- Saha örneklemesi: Seçilen örnek ağaçlarda ya da parsellerde meyve sayımı, tartım ya da deneme hasadı yapılır. Model bu "yer gerçeği" verisiyle kalibre edilir.
- Geçmiş veri: Önceki yılların hasat kayıtları, parsel bazında verim geçmişi ve iklim verisi, modelin yıl etkisini ayırmasına yardım eder.
Sonuç, parsel bazında beklenen verim ve toplam rekoltedir; doğru kurulmuş bir çalışmada bu rakam tek bir sayı değil, bir aralık olarak raporlanır.
Yöntemlerin karşılaştırması
| Yöntem | Güçlü yanı | Zayıf yanı | Uygun olduğu durum |
|---|---|---|---|
| Tarla gezisi ve göz kararı | Hızlı, maliyetsiz | Temsil gücü düşük, kişiye bağlı | Küçük, homojen alan |
| Örnek hasat | Doğrudan ölçüm | Az sayıda noktaya dayanır | Kalibrasyon verisi olarak |
| Uydu görüntüsü | Geniş alan, düzenli geçiş | Çözünürlük tek ağacı ayırmaya çoğu zaman yetmez, bulut engeli | Geniş tarla bitkileri |
| Drone görüntüsü | Ağaç/bitki düzeyinde ölçüm, uçuş zamanını siz seçersiniz | Uçuş ve işleme emeği, alan sınırı | Bahçe, sözleşmeli üretim, yüksek değerli ürün |
En güvenilir sonuç, drone ölçümünün örnek hasatla kalibre edildiği karma yöntemden gelir. Drone tek başına "kaç ton" sorusunu cevaplamaz; örnek hasat tek başına tüm alanı temsil etmez. Geniş tarla bitkilerinde sezon boyunca izleme için uydu görüntüsüyle tarım analizi drone uçuşlarını tamamlar.
Drone ile rekolte tahmini: 7 adımlık yöntem
- Amacı ve ürünü netleştirin. Tahmin kimin kararına girecek: hasat planı mı, satış taahhüdü mü, fabrika kabul planı mı? Hangi ürün, hangi çeşit, kaç parsel? Hedef hassasiyet ve teslim tarihi buna göre belirlenir.
- Parsel sınırlarını ve kimliğini çıkarın. Her parselin sınırı, çeşidi, dikim yılı ve sulama durumu tek bir haritada toplanmalı. Bu altyapı, mekânsal veriyi yöneten coğrafi bilgi sistemi mantığıyla kurulur. Parsel kodunun tüm kayıtlarda aynı olması bir veri yönetişimi kararıdır.
- Uçuş takvimini fenolojiye göre planlayın. Sayım için yapraklanma öncesi ya da sonrası, gelişim takibi için sezon boyunca düzenli uçuş gerekir. Türkiye'de insansız hava aracı uçuşları Sivil Havacılık Genel Müdürlüğü (SHGM) düzenlemelerine tabidir; araç sınıfına ve uçuş bölgesine göre kayıt, pilot yetkinliği ve izin gerekebilir.
- Doğru sensörü seçin. Ağaç sayımı ve taç ölçümü için yüksek çözünürlüklü RGB kamera çoğu zaman yeterlidir; bitki gelişimi ve stres için multispektral kamera gerekir.
- Saha örneklemesini tasarlayın. Örnek ağaç ya da parseller, iyi, orta ve zayıf bölgeleri temsil edecek şekilde haritadan seçilir. Örneklemenin nasıl yapılacağı, modelin güvenilirliğini ölçüm teknolojisinden daha fazla etkiler. Sayım modelinin eğitimi için etiketli görüntü gerekir; bunu veri etiketleme nedir yazısında anlattık.
- Modeli kurun ve aralıkla raporlayın. Sayım × ağaç başına tahmini verim ya da vejetasyon indeksi ile verim arasındaki ilişki, örnek verilerle kalibre edilir. Sonuç parsel bazında, belirsizlik aralığıyla sunulur.
- Hasattan sonra karşılaştırın. Gerçekleşen hasat, parsel bazında tahminle karşılaştırılır; sapmanın nedeni not edilir. Her sezonun verisi bir sonraki yılın modelini güçlendirir.
Sensör verisiyle birleştirmek
Drone görüntüsü bir andır; toprak nemi, sıcaklık ve don olayları ise sürekli değişir. Tarlaya yerleştirilen sensörlerden gelen veriyle birleştirildiğinde model, görüntü alındıktan sonra yaşanan stresi de hesaba katabilir. Sensör altyapısının kurulumunu hassas tarım ve toprak nem sensörü rehberinde bulabilirsiniz. Rekolte rakamı fabrika tarafında talep ve kapasite planına girdiğinde yapay zeka ile talep tahmini çalışmalarıyla da birlikte kullanılabilir.
Tahminden hasat ve sevkiyat planına
Rekolte tahmini, bir karar tablosuna dönüştüğünde değer üretir. Parsel bazında beklenen miktar ve olgunlaşma sırası bilindiğinde hasat ekibi sayısı, kasa ihtiyacı, soğuk hava deposu kapasitesi ve nakliye araçları haftalar önceden planlanabilir. Tarladan fabrikaya ya da depoya giden araçların sırası ve güzergâhı için rota optimizasyonu aynı veriyle çalışır.
Parsel kimliği, hasat edilen ürünün kasa ve parti kaydına taşındığında bir avantaj daha doğar: ürün, hangi parselden ve hangi tarihte geldiğiyle izlenebilir hâle gelir. Gıda firmalarında bu, gıda izlenebilirliği ve dijital HACCP süreciyle doğrudan bağlantılıdır.
Rekolte tahmini, işletmenin parsel, girdi ve hasat kayıtları dijitalse çok daha isabetli olur. Bu kayıt düzeninin nasıl kurulacağını tarım işletmesinde dijital dönüşüm yazımızda ele aldık. Tahmin ile gerçekleşen hasadın parsel bazında izleneceği ekranı tasarlarken BI panosunda hangi KPI'ların izleneceği rehberimizden yararlanabilirsiniz.
Digital Bridge'de bu işi nasıl yapıyoruz?
Rekolte tahminini bir uçuş ve bir harita olarak değil, karar anına kadar uzanan bir veri süreci olarak kuruyoruz:
- Keşif ve ihtiyaç analizi. Tahminin hangi karar için, hangi tarihte ve hangi hassasiyette gerektiğini sizinle belirliyoruz. Ürün, çeşit, parsel yapısı ve elinizdeki geçmiş hasat kayıtlarını inceliyoruz. Tarım işletmelerine yönelik yaklaşımımızı tarım ve hayvancılık çözümleri sayfamızda özetledik.
- Uçuş ve görüntü işleme. Uçuş planını fenolojik takvime göre hazırlıyoruz; uçuşu kendi operatörünüz ya da çalıştığınız bir uçuş firması yapıyorsa gereken örtüşme oranını, uçuş yüksekliğini ve kamera ayarlarını önceden paylaşıyoruz. Ortofoto, yüzey modeli ve vejetasyon indeksi haritalarını drone veri işleme hizmetimiz kapsamında üretiyoruz. Ağaç ve bitki sayımı için görüntü işleme alanında ürününüze özel nesne tespiti modelleri geliştiriyoruz.
- Pilot ve kalibrasyon. İlk sezonda sınırlı sayıda parselle başlıyor, örnek hasat verisiyle modeli kalibre ediyoruz. Hasattan sonra tahmin ile gerçekleşeni yan yana raporluyoruz; genişleme kararını bu karşılaştırmaya göre veriyoruz.
- Tek harita, tek panel. Parsel sınırlarını ve sonuçları coğrafi bilgi sistemi (CBS) katmanında, tarla sensörlerini hassas tarım IoT altyapısında birleştiriyoruz. Yönetim için parsel ve toplam rekolteyi tek bir yönetici panelinde sunuyoruz.
Uçuş raporları, ortofoto çıktıları ve saha örnekleme formları sezonlar boyunca birikir. Kendi ürün ailemiz Smart360 içindeki SmartFiles, PDF, Excel ve görsel dosyaları proje bazlı alanlarda sürüm geçmişiyle saklar; aynı adla yüklenen her dosya yeni sürüm olur, önceki sezonun raporu kaybolmaz.
Sonraki adım
Başlamak için elinizdekileri listeleyin: parsel sınırları, çeşit ve dikim yılı bilgisi, son üç yılın parsel bazında hasat kayıtları. Bu kayıtlar ne kadar düzenliyse ilk sezonun modeli o kadar güçlü olur. Listeyle birlikte iletişim sayfamızdan bize ulaşın; ürününüze ve takviminize uygun pilot kapsamını yazılı olarak önerelim. Veri ve analitik üzerine diğer rehberler Veri ve Analitik sayfamızda.