Buğday sürme hastalıkları, dünya genelinde tahıl üretimini tehdit eden önemli fungal hastalıklar arasında yer almaktadır. Tilletia cinsinden mantarların neden olduğu bu hastalıklar, özellikle uygun iklim koşullarında ekonomik açıdan ciddi kayıplara yol açabilmektedir. Türkiye'de "kör", "karadoğu" veya "karamuk" gibi yerel isimlerle bilinen sürme hastalıkları, modern tarım teknolojileri ve yapay zeka destekli sistemlerin geliştirilmesiyle birlikte yeni bir mücadele dönemine girmiştir.
Hastalığın Tanımı ve Etmenleri
Ana Etmenler
Buğday sürme hastalıklarına neden olan başlıca fungal etmenler şunlardır:
- Adi Sürme Etmenleri:
- Tilletia caries (DC.) Tul.: Sporları yuvarlak veya oval, üzeri bal peteği desenli, kenarları düzgün dişli
- Tilletia foetida (Wallr.) Liro: Sporları oval, düz yüzeyli ve kenarları kalın zarlı - Cüce Sürme Etmeni:
- Tilletia contraversa Kühn: Sporları T. caries'e benzer ancak etrafı narin bir zarla kaplı
Mikroskobik Ayrım
Bu türlerin birbirinden ayrımı, klamidosporların mikroskobik incelenmesi ile yapılmaktadır. Her türün kendine özgü spor morfolojisi, kesin teşhis için kritik öneme sahiptir. Modern tanı yöntemlerinde moleküler teknikler de kullanılarak daha hassas ve hızlı sonuçlar elde edilmektedir.
Hastalığın Yaşam Döngüsü ve Biyolojisi
Enfeksiyon Sürecı
Sürme hastalığının yaşam döngüsü karmaşık bir süreci içerir: - Birincil Enfeksiyon Kaynağı: Hastalıklı "kör" daneler
- Spor Yayılımı: Hasat ve harman sırasında ezilen kör danelerden çıkan sporlar
- Bulaşma: Sporlar sağlam tohumlara ve toprağa bulaşır.
- Çimlenme: Uygun koşullarda sporlar çimlenir.
- Enfeksiyon: Misel koleoptilden bitkiye girer.
- Sistemik Yayılım: Mantar bitkiyle birlikte gelişir.
- Başak Kolonizasyonu: Çiçeklenme döneminde başağa ulaşır.
- Spor Üretimi: Tane içi sporlarla dolar.
Optimum Gelişim Koşulları
- Toprak Nemi: %23-30
- Toprak Sıcaklığı: 5-10°C (enfeksiyon için)
- Spor Canlılığı: Toprakta 3-5 yıl
- Kritik Dönem: Ekim sonrası ilk 2-3 hafta
Hastalık Belirtileri ve Tanı
Tarla Koşullarında Belirtiler
Erken Dönem (Süt Olum Öncesi):
- Hasta bitkiler sağlamlardan ayırt edilemez.
- Hafif boy kısalığı (özellikle cüce sürmede belirgin)
- Normalden uzun süre yeşil kalma
İleri Dönem (Süt Olum Sonrası):
- Başakların mavimtırak-yeşil rengi
- Başakların daha dik durması (hafif olmaları nedeniyle)
- Kavuzlar arasından kirli-gri kör danelerin görülmesi
Kesin Tanı Yöntemleri
Geleneksel Yöntem:
- Kör danelerin parmaklar arasında ezilmesi
- Kahverengi-siyah sporların çıkması
- Karakteristik balık kokusu (trimetil amin)
Modern Tanı Teknikleri:
- Mikroskobik inceleme
- Moleküler tanı (PCR-tabanlı)
- Yapay zeka destekli görüntü analizi
Ekonomik Önemi ve Yayılışı
Global ve Ulusal Durum
Sürme hastalıkları dünya genelinde buğday yetiştiriciliği yapılan tüm alanlarda görülmektedir. Türkiye'de özellikle Doğu Anadolu Bölgesi'nde cüce sürme yaygın durumdadır. Ancak, sertifikalı tohum kullanımı ve etkili tohum ilaçlaması programları sayesinde ekonomik kayıplar önemli ölçüde azaltılmıştır.
Verim Kaybı
- Direkt etki: Kör danelerin ticari değerinin olmaması
- Kalite kaybı: Bulaşık partilerin kabul edilmemesi
- Çevresel etki: Kötü kokunun depolama ve işleme süreçlerini etkilemesi
Konukçular
Ana Konukçular:
- Buğday türleri (Triticum spp.)
- Çavdar (Secale cereale)
- Çeşitli yabani buğdaygiller
Alternatif Konukçular:
- Triticum durum (makarnalık buğday)
- Triticum compactum (sert buğday)
- Aegilops spp. (yabani buğday türleri)
Mücadele Stratejileri
Kültürel Mücadele Yöntemleri - Ekim Zamanı Optimizasyonu:
- Güzlük ekimler: Mümkün olduğunca erken
- Yazlık ekimler: Mümkün olduğunca geç
- Amaç: Enfeksiyon için uygun olmayan koşullar oluşturmak - Tohum Seçimi ve Yönetimi:
- Sertifikalı tohum kullanımı zorunluluğu
- Temiz tohum üretim alanlarının belirlenmesi
- Tohum sertifikasyon sistemlerinin güçlendirilmesi - Rotasyon Uygulamaları:
- En az 3-4 yıllık rotasyon programları
- Konukçu olmayan bitkilerin tercih edilmesi
- Yabani buğdaygillerin kontrolü - Toprak ve Çevre Yönetimi:
- Toprak pH'sının nötre yakın tutulması
- Organik madde içeriğinin artırılması
- Drenaj sistemlerinin iyileştirilmesi
Kimyasal Mücadele
Tohum İlaçlaması - Temel Prensipler:
Tohum ilaçlaması sürme hastalığıyla mücadelede en kritik ve etkili yöntemdir. Bu uygulamanın başarısı için dikkat edilmesi gereken temel noktalar: - Evrensel Uygulama Prensibi:
- Tarlada hastalık görülmese bile tüm tohumlar ilaçlanmalıdır.
- Hasat sırasındaki çapraz bulaşma riski nedeniyle
- Bir tek sporun bile enfeksiyona yetebilmesi - İlaçlama Zamanlaması:
- Ekim öncesi, tercihen ekimden hemen önce
- İlaçlı tohumun mümkün olduğunca kısa sürede ekilmesi
- Uygun depolama koşullarında bir sonraki yıl kullanım imkanı - Teknik Uygulama:
- Özel tohum ilaçlama makineleri veya bidonlarının kullanımı
- Tavsiye edilen doza tam uyum
- Düşük doz: Etkisizlik riski
- Yüksek doz: Çimlenme sorunları
Güncel Aktif Maddeler ve Ürünler:
| Ürün Adı | Aktif Madde | Özellikler |
|----------|-------------|------------|
| Certicor 050 FS | Tebuconazole + Metalaxyl-M | Sürme ve rastık için ruhsatlı |
| Dooku | Fludioxonil + Sedaxane | Yeni nesil kombine etki |
| Genel Aktif Maddeler | Imazalil, Tolclofos-methyl | Geleneksel etkili moleküller |
Biyolojik Mücadele Yaklaşımları - Yararlı Mikroorganizmalar:
- Pseudomonas spp.: Antibiyotik üretimi ile patojeni baskılama
- Trichoderma spp.: Antagonistik etki ve rekabet
- Bacillus subtilis: Biyolojik fungisit etki - Biyolojik Ürün Destekleri:
- Tarım ve Orman Bakanlığı desteklerinin artırılması (%21 artış)
- Organik üretim sistemlerinde kullanım imkanı
- Çevre dostu alternatifler
Dayanıklı Çeşit Geliştirme - Genetik Direnç:
- Bt (Bunt tolerance) genleri
- Çoklu gen sistemleri
- Bölgesel ırklara karşı özel direnç - Islah Programları:
- Geleneksel melezleme teknikleri
- Moleküler markör destekli seleksiyon
- Genom editleme teknikleri (CRISPR-Cas9)
Teknoloji Destekli Modern Yaklaşımlar
Dijital Tarım ve Karar Destek Sistemleri - İklim Tabanlı Tahmin Modelleri:
- Toprak sıcaklığı ve nem izleme
- Kritik dönemlerin önceden tahmin edilmesi
- Erken uyarı sistemleri - Karar Destek Yazılımları:
- Hastalık riski modellemesi
- İlaçlama zamanı optimizasyonu
- Maliyet-fayda analizi - Sensör Teknolojileri:
- IoT tabanlı toprak izleme
- Meteorolojik veri entegrasyonu
- Gerçek zamanlı veri analizi
Uzaktan Algılama ve Görüntü İşleme - Uydu ve Drone Teknolojileri:
- Spektral analiz ile erken teşhis
- Hastalık haritalaması
- Tarlalar arası karşılaştırma - Görüntü İşleme Algoritmaları:
- RGB görüntü analizi
- Multispektral görüntüleme
- Termal kamera uygulamaları
Yapay Zeka ve Makine Öğrenmesi
Derin Öğrenme Tabanlı Teşhis Sistemi:
Modern yapay zeka teknolojileri, sürme hastalığının teşhisinde devrim oluşturmaktadır. Geliştirilen sistem şu özellikleri içermektedir: - Teknik Altyapı:
- TensorFlow ve Keras frameworkleri
- Transfer öğrenme (EfficientNetB0, ResNet50)
- FastAPI tabanlı REST servisleri - Model Özellikleri:
- Veri artırma teknikleri
- Çok sınıflı sınıflandırma
- Grad-CAM görselleştirme
- Güven skorları - Kullanıcı Arayüzü:
- Mobil uyumluluk
- Gerçek zamanlı analiz
- Türkçe dil desteği
tilletia_ai_fullstack.py
Buğday Sürme (Tilletia spp.) Teşhis ve Karar-Destek Sistemi
Derin Öğrenme Tabanlı Teşhis Sistemi.
TensorFlow, FastAPI ve Streamlit ile geliştirilmiştir.
import os
import io
import argparse
import base64
import json
from typing import Tuple, List, Dict, Any
import numpy as np
from PIL import Image
from tqdm import tqdm
TensorFlow ve Keras
import tensorflow as tf
from tensorflow.keras import layers, models, optimizers, callbacks
from tensorflow.keras.applications import EfficientNetB0, ResNet50
from tensorflow.keras.preprocessing import image
ML yardımcıları
from sklearn.metrics import confusion_matrix, classification_report
import matplotlib.pyplot as plt
import cv2
API ve arayüz
from fastapi import FastAPI, File, UploadFile, HTTPException
from fastapi.responses import JSONResponse
import uvicorn
Yapılandırma
DEFAULT_IMG_SIZE = 224
DEFAULT_BATCH = 16
DEFAULT_EPOCHS = 20
CLASS_NAMES = ["sağlıklı", "sürme"]
MODEL_CHOICES = ['EfficientNetB0', 'ResNet50']
def build_datasets(data_dir: str, img_size: int = DEFAULT_IMG_SIZE,
batch_size: int = DEFAULT_BATCH, val_split: float = 0.2):
"""Veri setlerini oluşturur ve ön işler"""
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
os.path.join(data_dir, 'train'),
image_size=(img_size, img_size),
batch_size=batch_size,
label_mode='categorical',
validation_split=val_split,
subset='training',
seed=123
)
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
os.path.join(data_dir, 'train'),
image_size=(img_size, img_size),
batch_size=batch_size,
label_mode='categorical',
validation_split=val_split,
subset='validation',
seed=123
)
Veri artırma ve ön işleme
augmentation = tf.keras.Sequential([
layers.RandomFlip("horizontal"),
layers.RandomRotation(0.1),
layers.RandomZoom(0.1),
])
def prepare_data(ds, training=False):
ds = ds.map(lambda x, y: (augmentation(x, training=training), y))
return ds.prefetch(tf.data.AUTOTUNE)
return prepare_data(train_ds, training=True), prepare_data(val_ds)
def create_model(model_name: str = 'EfficientNetB0', img_size: int = DEFAULT_IMG_SIZE):
"""Transfer öğrenme modeli oluşturur"""
if model_name == 'EfficientNetB0':
base_model = EfficientNetB0(include_top=False, weights='imagenet',
input_shape=(img_size, img_size, 3))
else:
base_model = ResNet50(include_top=False, weights='imagenet',
input_shape=(img_size, img_size, 3))
base_model.trainable = False
inputs = tf.keras.Input(shape=(img_size, img_size, 3))
x = base_model(inputs, training=False)
x = layers.GlobalAveragePooling2D()(x)
x = layers.Dropout(0.2)(x)
outputs = layers.Dense(len(CLASS_NAMES), activation='softmax')(x)
model = tf.keras.Model(inputs, outputs)
model.compile(
optimizer=optimizers.Adam(1e-4),
loss='categorical_crossentropy',
metrics=['accuracy', 'precision', 'recall']
)
return model
def train_model(data_dir: str, model_save_path: str = 'tilletia_model.h5',
epochs: int = DEFAULT_EPOCHS):
"""Modeli eğitir ve kaydeder"""
train_ds, val_ds = build_datasets(data_dir)
model = create_model()
callbacks_list = [
callbacks.EarlyStopping(patience=5, restore_best_weights=True), callbacks.ModelCheckpoint(model_save_path, save_best_only=True),
callbacks.ReduceLROnPlateau(factor=0.5, patience=3)
]
history = model.fit(
train_ds,
validation_data=val_ds,
epochs=epochs,
callbacks=callbacks_list
)
return history, model
def predict_image(model: tf.keras.Model, image_bytes: bytes) -> Dict[str, Any]:
"""Görüntüyü işler ve tahmin yapar"""
img = Image.open(io.BytesIO(image_bytes)).convert('RGB')
img = img.resize((DEFAULT_IMG_SIZE, DEFAULT_IMG_SIZE))
img_array = np.array(img) / 255.0
img_array = np.expand_dims(img_array, axis=0)
predictions = model.predict(img_array)
predicted_class = CLASS_NAMES[np.argmax(predictions[0])]
confidence = float(np.max(predictions[0]))
return {
'tahmin': predicted_class,
'güven': confidence,
'detaylar': {
'sınıflar': CLASS_NAMES,
'olasılıklar': predictions[0].tolist()
}
}
def create_gradcam_heatmap(model: tf.keras.Model, img_array: np.ndarray):
"""Grad-CAM ile görsel açıklama oluşturur"""
last_conv_layer = next(layer for layer in model.layers[::-1]
if hasattr(layer, 'filters'))
grad_model = tf.keras.models.Model(
[model.inputs],
[last_conv_layer.output, model.output]
)
with tf.GradientTape() as tape:
conv_outputs, predictions = grad_model(img_array)
loss = predictions[:, np.argmax(predictions[0])]
grads = tape.gradient(loss, conv_outputs)
pooled_grads = tf.reduce_mean(grads, axis=(0, 1, 2))
conv_outputs = conv_outputs[0]
heatmap = conv_outputs @ pooled_grads[..., tf.newaxis]
heatmap = tf.squeeze(heatmap)
heatmap = tf.maximum(heatmap, 0) / tf.math.reduce_max(heatmap)
return heatmap.numpy()
FastAPI uygulaması
app = FastAPI(title="Tilletia AI API", description="Buğday Sürme Hastalığı Teşhis API")
@app.post("/tahmin")
async def tahmin_yap(file: UploadFile = File(...)):
"""Görüntü yükleme ve tahmin endpoint'i"""
try:
image_bytes = await file.read()
model = tf.keras.models.load_model('tilletia_model.h5')
result = predict_image(model, image_bytes)
return JSONResponse(content=result)
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
@app.get("/durum")
async def durum():
"""API durum endpoint'i"""
return {"durum": "çalışıyor", "model": "yüklü"}
def main():
"""Ana CLI fonksiyonu"""
parser = argparse.ArgumentParser(description='Tilletia AI Sistemi')
parser.add_argument('--mod', type=str, required=True,
choices=['egitim', 'api', 'tahmin'])
parser.add_argument('--veri_dizini', type=str, default='./veri')
parser.add_argument('--model_yolu', type=str, default='tilletia_model.h5')
parser.add_argument('--epoch', type=int, default=DEFAULT_EPOCHS)
parser.add_argument('--port', type=int, default=8000)
args = parser.parse_args()
if args.mod == 'egitim':
print("Model eğitimi başlatılıyor...")
train_model(args.veri_dizini, args.model_yolu, args.epoch)
print("Eğitim tamamlandı!")
elif args.mod == 'api':
print(f"API başlatılıyor: http://localhost:{args.port}")
uvicorn.run(app, host="0.0.0.0", port=args.port)
elif args.mod == 'tahmin':
print("Tahmin modu - geliştirme aşamasında")
if __name__ == "__main__":
main()
Kurulum ve Kullanım:
- Gerekli kütüphaneleri yükleyin:
pip install tensorflow fastapi uvicorn pillow matplotlib scikit-learn opencv-python - Veri dizinini oluşturun:
veri/
train/
sağlıklı/
sürme/ - Modeli eğitin:
python tilletia_ai_fullstack.py --mod egitim --veri_dizini ./veri - API'yi başlatın:
python tilletia_ai_fullstack.py --mod api --port 8000
Özellikler:
- Veri artırma ve ön işleme
- Transfer öğrenme (EfficientNetB0/ResNet50)
- Model eğitim ve değerlendirme
- REST API endpoint'leri
- Grad-CAM görselleştirme
- Türkçe dokümantasyon
Not: Bu kod örnek amaçlıdır. Gerçek uygulamada veri doğrulama, hata yönetimi ve güvenlik önlemleri eklemeniz gerekir.
Mobil Uygulamalar ve Dijital Araçlar - Teşhis Uygulamaları:
- Plantix, AgroVisio, TarımCepte, CHATGPT
- Fotoğraf tabanlı tanı
- Anlık öneri sistemleri - Tarım Yönetim Sistemleri:
- Tarla kayıt tutma
- İlaçlama takibi
- Hasat planlaması
Uygulama Değerlendirmesi ve İzleme
Başarı Kriterleri
Kabul Edilebilir Hastalık Seviyeleri:
- Hastalıklı başak oranı: %1 veya altı
- Ekonomik zarar eşiği: %5
- Sertifikasyon standartları: %0.5
İzleme Dönemleri:
- Sarı olum döneminden hasat sonrasına kadar
- Hasat öncesi son kontrol kritik
- Depolama sürecinde devam eden izleme
Kalite Kontrol Sistemleri - Laboratuvar Analizleri:
- Spor sayımı ve identifikasyon
- Çimlenme testleri
- Moleküler tanı konfirmasyonu - Tarla Değerlendirmeleri:
- Sistematik örnekleme
- GPS tabanlı haritalama
- Veri tabanı oluşturma
Gelecek Perspektifleri
Teknolojik Gelişmeler - Gen Editleme:
- CRISPR-Cas9 teknolojisi
- Hassas genetik müdahaleler
- Hızlı çeşit geliştirme - Nanoteknoloji:
- Nano-enkapsüle ilaç sistemleri
- Hedeflenmiş teslimat
- Çevre dostu formülasyonlar - Otomasyon:
- Robotik ilaçlama sistemleri
- Otonom tarla izleme
- Yapay zeka destekli karar alma
Sürdürülebilir Tarım - Entegre Mücadele:
- Bütüncül yaklaşım
- Çevresel etki minimizasyonu
- Ekonomik optimizasyon - Ekolojik Denge:
- Yararlı organizma korunması
- Biyoçeşitlilik artırma
- Doğal düzenlemelerin desteklenmesi
Küresel İklim Değişikliği Etkisi - Hastalık Dağılımında Değişimler:
- Coğrafi yayılım alanlarının genişlemesi
- Yeni ırk gelişimlerinin hızlanması
- Mücadele stratejilerinin güncellenmesi - Adaptasyon Stratejileri:
- İklim-akıllı tarım uygulamaları
- Esnek çeşit portföyü
- Risk yönetim sistemleri
Buğday sürme hastalıkları, modern tarım teknolojilerinin gelişmesi ile birlikte kontrol altına alınabilir hale gelmiş olmakla beraber, sürekli dikkatli takip ve gözetim gerektiren önemli tarımsal problemler arasında yer almaya devam etmektedir.
Temel Öneriler: - Tohum Güvenliği: Her koşulda sertifikalı ve ilaçlı tohum kullanımının sürdürülmesi
- Teknoloji Entegrasyonu: Modern teşhis ve izleme teknolojilerinin yaygınlaştırılması
