Tarımda yapay zeka, sensör, drone, uydu ve kamera verisinden bitki stresini, zararlıyı, hasat miktarını, hayvan sağlığındaki sapmayı ya da ürün kalitesini otomatik olarak çıkaran ve üreticiye "nerede, ne zaman, ne yapmalı" sorusunda öneri veren yazılımlardır. Kararı yine insan verir; yapay zeka, dikkatin nereye gideceğini veriyle belirler.
Tarımda yapay zeka nedir, işletmede nereye oturur?
Çoğu işletmede yapay zeka sorusu tersinden sorulur: "Yapay zeka alsak ne yapar?" Oysa tarımda yapay zekanın işe yaradığı yerler oldukça belirgindir. Çok geniş bir alanı sürekli izlemek gerektiğinde, gözle yapılan kontrol yetişmediğinde ya da çok sayıda ölçümden bir örüntü çıkarmak gerektiğinde değer üretir.
Tipik bir tabloyu düşünün. Ziraat mühendisi haftada bir tarlayı gezer, bakıcı sabah sağımında hayvanlara göz atar, pakethanede işçiler ürünü elle boylar. Bu yöntemlerin hepsi çalışır; sorun, ölçeğin büyüdüğü noktada örneklemin küçük kalmasıdır.
Bu yazı, tarımda yapay zekanın kullanım alanlarına genel bir harita çıkarır. Her alanın kurulumunu ayrı rehberlerde anlattık ve ilgili bölümlerde onlara bağlantı verdik. İşletmenizde dijital kaydın ve ölçümün henüz kurulmadığı bir aşamadaysanız, önce tarım işletmesinde dijital dönüşüm rehberine bakmanızı öneririz; yapay zeka o temelin üstüne kurulur.
Tarımda yapay zekanın hedeflediği kayıplar nerede oluşuyor?
Tarımda yapay zekanın hedeflediği kayıpların büyük kısmı zaten iyi bilinir. En büyüğü, gözden kaçan zararlı ve hastalıktır. FAO'nun iklim değişikliği ve bitki zararlıları çalışmasına (Haziran 2021) göre küresel bitkisel üretimin her yıl %40'a varan bölümü zararlılar nedeniyle kaybediliyor. Sorunu birkaç gün erken ve doğru noktada görmek, bu kaybın işletmedeki payını azaltabilir.
İkinci kalem sudur. FAO AQUASTAT verisine göre küresel düzeyde çekilen tatlı suyun %69'u tarımda kullanılıyor; ölçmeden ve takvime göre yapılan sulama, fazla su ve fazla pompa enerjisi olarak gidere yansır.
Üçüncüsü hasattan sonraki kayıptır. FAO SDG 12.3.1 Küresel Gıda Kayıpları göstergesine göre hasattan perakende öncesine kadar kaybedilen gıdanın payı 2023'te %13,3 olarak tahmin ediliyor; meyve ve sebzede bu oran %25,4. Yanlış boylanan, geç soğutulan ya da hasat zamanı iyi planlanmayan ürün bu rakamın içindedir.
Buna karşın yapay zeka kullanımı Türkiye'de hâlâ dar bir kesimde. Tarıma özgü bir ölçüm olmasa da genel tablo fikir veriyor: TÜİK Yapay Zeka İstatistikleri 2025 bültenine göre 10 ve daha fazla çalışanı olan girişimlerin yalnızca %7,5'i herhangi bir yapay zeka teknolojisi kullanıyor. Kullanmayı düşünüp kullanmayanların %74,2'si uzmanlık eksikliğini, %67,4'ü yüksek maliyeti neden gösteriyor. Uzmanlık eksikliğinin ilk sırada olması, işe doğru kullanım alanını seçerek başlamanın önemini gösteriyor.
Tarımda yapay zeka kullanım alanları: 8 somut örnek
Aşağıdaki tablo, tarımda yapay zekanın en olgun kullanım alanlarını, hangi veriye dayandığını ve pilotta izlenecek ilk göstergeyi özetliyor:
| Kullanım alanı | Veri kaynağı | Yapay zeka ne yapar? | Pilotta izlenecek gösterge |
|---|---|---|---|
| Bitki stresi ve hastalık tespiti | Drone multispektral görüntü | Stresli bölgeyi haritada işaretler | Sahada doğrulanan sorunlu alan oranı |
| Zararlı ve yabancı ot tespiti | Tuzak kamerası, drone, yakın çekim | Zararlıyı ya da otu tanır, sayar | Erken müdahale edilen nokta sayısı |
| Geniş alanda parsel izleme | Uydu zaman serisi | Normalden sapan parseli sıralar | Saha ekibinin boşa giden ziyaret sayısı |
| Sulama kararı | Toprak nemi, iklim, tahmin | Sulama zamanı ve miktarı önerir | Parsel başına su ve pompa enerjisi |
| Rekolte tahmini | Drone sayımı, saha örneği | Beklenen hasadı aralıkla verir | Tahmin ile gerçekleşen arasındaki fark |
| Sürü sağlığı erken uyarısı | Boyunluk, pedometre, süt verimi | Davranış sapmasını işaretler | Kaçırılan kızgınlık ve geç fark edilen vaka |
| Pakethanede boylama ve kusur ayırma | Bant üstü kamera | Ürünü boy, renk ve kusura göre ayırır | Müşteriden dönen hatalı parti |
| Sera iklim ve enerji önerisi | Sera sensörleri, dış hava | Hedef dışı sapmayı önceden gösterir | Hedef aralık dışında geçen süre |
Bitki stresi ve hastalık tespiti. Drone ile çekilen multispektral görüntülerden üretilen indeks haritaları, stresin gözle görülmeden önce başladığı bölgeleri gösterir. Yöntemin ayrıntısını drone ile NDVI analizi rehberinde anlattık. Yapay zekanın katkısı, haritayı yorumlayıp sorunlu bölgeleri önceliklendirmek ve sahadaki doğrulamayla zamanla daha isabetli hale gelmektir.
Zararlı ve yabancı ot tespiti. Feromon tuzağına yerleştirilen kamera, tuzağa düşen böcekleri sayar ve eşik aşılınca haber verir; yakın çekim görüntülerde yabancı ot, kültür bitkisinden ayırt edilebilir. Buradaki model, fabrikadaki görüntü işleme ile kalite kontrol projeleriyle aynı mantıkta çalışır: işletmenin kendi görüntüleriyle eğitilir ve sahada test edilir.
Geniş alanda parsel izleme. Yüzlerce üreticiyle sözleşmeli üretim yapan firmalar ve kooperatifler için uydu görüntüsü, hangi parselin normalden saptığını her hafta aynı ölçütle sıralar. Kooperatifler bu listeyi üye ve parsel kayıtlarını tuttukları tarım kooperatifi yazılımına bağlayabilir. Saha ekibi listenin başından başlar; kurulumu uydu görüntüsü ile tarım analizi yazısında bulabilirsiniz.
Sulama kararı. Toprak nemi sensörü tek başına "şu an kuru" der; yapay zeka ise nem eğrisini, hava tahminini ve bitkinin gelişim dönemini birlikte değerlendirip ne zaman ve ne kadar sulanacağını önerir. Sensör tarafının temeli toprak nem sensörü rehberimizde, vana ve pompa kontrolü ise sulama otomasyonu yazısında anlatılıyor.
Birçok işletmede basit eşik kuralı ilk sezon için yeterlidir; yapay zekanın ne zaman gerektiğini yapay zeka mı, kural tabanlı otomasyon mu yazısında tartıştık.
Rekolte tahmini. Drone ile ağaç ya da bitki sayımı ve saha örneklemesi birleştiğinde hasat miktarı bir aralıkla tahmin edilir. Bu rakam hasat ekibini, kasayı, soğuk depoyu ve satışı planlamanın girdisidir; yöntem drone ile rekolte tahmini rehberinde adım adım var. Satış ve talep tarafında aynı yaklaşım yapay zeka ile talep tahmini olarak karşımıza çıkar.
Sürü sağlığı erken uyarısı. Boyunluk ve pedometre verisinde geviş süresi ya da hareket normalden saptığında sistem o hayvanı işaretler. Bu bir teşhis değildir; bakıcının ve veterinerin dikkatini doğru hayvana yönlendiren bir anomali tespiti uygulamasıdır. Sensör seçimi ve kurulum için hayvan takip sistemi rehberine bakabilirsiniz.
Pakethanede boylama ve kusur ayırma. Bant üzerinden geçen meyve ve sebze kamerayla görüntülenir; boy, renk ve yüzey kusuruna göre sınıflandırılır. İhracat partilerinde kaliteyi tutarlı hale getirmek için en somut kullanım alanlarından biridir ve soğuk zincir izleme ile birleştiğinde hasat sonrası kaybın iki ayağını birden kapsar.
Sera iklim ve enerji önerisi. Serada iklim kontrolü çoğunlukla eşik kurallarıyla yürür. Yapay zeka, dış hava tahmini ve geçmiş sensör verisiyle sıcaklığın hedef dışına çıkacağını önceden gösterip ısıtma ya da havalandırmanın erken başlatılmasını önerebilir. Altyapının kendisi akıllı sera otomasyonu rehberinde anlatılıyor.
Tarımda yapay zeka pilotu 6 adımda nasıl kurulur?
Tarım projelerinde en sık yapılan hata, modeli seçip veriyi sonra aramaktır. Aşağıdaki sıra, genel yaklaşımı anlattığımız şirketlerde yapay zeka nereden başlamalı rehberinin tarıma uyarlanmış halidir.
- Tek bir karar seçin. "Yapay zeka kullanalım" değil, "zararlıyı bir hafta erken görelim" ya da "pakethanede hatalı partiyi azaltalım" gibi ölçülebilir bir hedef koyun.
- Verinin var olup olmadığına bakın. Görüntü, sensör ya da kayıt verisi yoksa ilk sezon veri toplama sezonudur. Model, sahadan gelen etiketli örnek olmadan güvenilir sonuç vermez.
- Etiketlemeyi uzmanla yapın. Hangi görüntünün hastalık, hangisinin besin eksikliği olduğunu ziraat mühendisi ya da veteriner işaretler. Modelin kalitesi bu etiketlerin kalitesini geçemez.
- Sahada çalışacağı koşulu baştan düşünün. Kapsama olmayan arazide analizin cihaz üzerinde yapılması gerekebilir; haberleşme seçenekleri için LoRa, NB-IoT ve GSM karşılaştırmamıza bakın.
- Tek parselde, tek ahırda ya da tek hatta pilot yapın. Başarı ölçütünü pilot öncesinde yazın ve aynı yöntemle öncesi-sonrası karşılaştırın.
- Sezon sonunda karar verin. Model sahada doğrulandıysa genişletin; doğrulanmadıysa veri ve etiket kalitesine dönün. Geri dönüşü hesaplamak için yapay zeka projesi ROI yazımızdaki yöntemi kullanabilirsiniz.
Pilottan önce şu kontrol listesini doldurmak, hangi alanın hazır olduğunu hızla gösterir:
| Kontrol sorusu | Hazır | Hazır değil: ne yapılmalı? |
|---|---|---|
| Karar ve başarı ölçütü yazılı mı? | Tek gösterge belirlenmiş | Önce kaybı ölçün |
| En az bir sezonluk veri ya da görüntü var mı? | Kayıtlar erişilebilir | İlk sezonu veri toplamaya ayırın |
| Etiketleyecek uzman kim? | Ziraat mühendisi ya da veteriner atanmış | Danışman ya da kooperatif uzmanıyla anlaşın |
| Sahada elektrik ve kapsama var mı? | Şebeke ve mobil sinyal var | Güneş enerjili ünite, cihaz üzerinde analiz |
| Uyarı gelince kim, ne sürede müdahale edecek? | Sorumlu ve süre tanımlı | Uyarı akışını baştan yazın |
| Görüntülerde kişi var mı? | Kişi görüntülenmiyor | KVKK aydınlatması ve maskeleme planı |
Son satır önemsiz görünse de pakethane ve ahır kameralarında çalışanlar da görüntüye girer. Türkiye'de kişisel verilerin korunması KVKK ile düzenlenir; kişiyi tanınabilir kılan kamera görüntüsü de kişisel veri sayıldığından aydınlatma ve saklama kuralları baştan tasarlanmalıdır.
Digital Bridge'de tarımda yapay zeka projelerini nasıl yürütüyoruz?
Tarım projelerinde saha donanımını, görüntü işlemeyi ve yazılımı aynı ekipte geliştiriyoruz; sensörden ya da kameradan rapora kadar tek bir sorumluluk zinciri olur. Hazır paket satmıyoruz; kapsam ve bedel keşiften sonra yazılı teklifle netleşir.
- Keşif ve ihtiyaç analizi. Arazide, serada, ahırda ya da pakethanede hangi kararın en çok kayba yol açtığını birlikte belirliyoruz. Tarım ve hayvancılık çözümlerimiz bu keşfin çıktısına göre şekillenir.
- Veri toplama ve ölçüm altyapısı. Veri yoksa önce onu kuruyoruz: hassas tarım IoT sensörleri, tuzak ve bant kameraları ya da drone veri işleme ile düzenli uçuş ve harita üretimi.
- Model eğitimi ve pilot. Zararlı, kusur ya da ürün tanıma için görüntü işleme modellerini işletmenin kendi görüntüleriyle eğitiyor, sahadan alınan test görüntüleriyle ölçüyoruz. Veriniz dışarı çıkmamalıysa firmaya özel yapay zeka eğitimi ile model kendi sunucunuzda çalışır; eğitim verisi kurum dışına çıkmak zorunda kalmaz.
- Uyarı ve entegrasyon. Sürü ve sera verisindeki sapmaları anomali tespiti ile işaretliyor, uyarıyı e-posta, panel ya da mevcut iş akışınız üzerinden sorumlu kişiye iletiyor ve sonuçları parsel, hayvan ya da parti kaydına bağlıyoruz.
- Sezon sonu değerlendirmesi. Pilotun göstergelerini birlikte inceliyor, genişletme ya da veri tarafına dönme kararını ölçüme göre veriyoruz.
Tarımın dışındaki sektörlerde yapay zekanın nasıl uygulandığını görmek isterseniz imalat sanayinde yapay zeka örnekleri yazısı iyi bir karşılaştırma sunar. Birden çok tesisi ve alanı kapsayan bir plan için dijital dönüşüm yol haritası rehberimize göz atabilirsiniz.
Sonraki adım
Bu hafta işletmenizde en çok kayıp yaratan üç kararı yazın: zararlıyı geç görmek mi, fazla sulamak mı, hatalı partiyi göndermek mi? Her biri için bugün hangi verinin tutulduğunu not edin. Bu listeyle iletişim sayfamızdan bize ulaşın; keşfi planlayalım ve ilk pilotun kapsamını birlikte belirleyelim. Diğer sektörlerdeki dönüşüm yazıları için Dijital Dönüşüm konu sayfamıza bakabilirsiniz.