Özet
Nişasta ve şeker bitkileri, küresel gıda güvenliğinin temel taşlarından birini oluşturmaktadır. Patates, mısır, buğday ve çeltik gibi nişasta kaynakları ile şeker pancarı ve şeker kamışı gibi şeker kaynakları; gıda sanayisinden tekstile, kâğıttan biyoyakıta uzanan geniş bir kullanım alanına sahiptir. Bu makalede söz konusu bitkilerin botanik özellikleri, toprak ve iklim istekleri, yetiştiricilik teknikleri ve modern teknolojik uygulamalar (yapay zeka, makine öğrenmesi, IoT, biyoteknoloji) bütüncül bir perspektifle ele alınmaktadır. Güncel literatür ve yerli-yabancı kaynaklar ışığında üretimden hasada, depolamadan karar destek sistemlerine kadar tüm süreç bilimsel bir çerçevede sunulmaktadır.
Anahtar Kelimeler: Patates, şeker pancarı, nişasta, yapay zeka, IoT, makine öğrenmesi, sürdürülebilir tarım.
- Giriş
Dünya nüfusunun 2050 yılına kadar yaklaşık 9,7 milyara ulaşacağı öngörülmekte; bu büyüme, tarımsal üretim üzerindeki baskıyı her geçen yıl artırmaktadır (FAO, 2023). Nişasta ve şeker bitkileri, hem insanlığın kalori ihtiyacını karşılamak hem de çeşitli endüstriyel süreçleri beslemek açısından stratejik öneme sahiptir. Patates tek başına dünyada dördüncü en fazla üretilen gıda bitkisidir; 2022 yılında küresel üretim 374 milyon tona ulaşmıştır (FAOSTAT, 2023). Türkiye ise şeker pancarı üretiminde Avrupa'nın önde gelen ülkeleri arasında yer almakta ve yıllık yaklaşık 19–22 milyon ton pancar üretimi gerçekleştirmektedir (TÜİK, 2023). Bu bağlamda nişasta ve şeker bitkilerinin yetiştiricilik tekniklerinin bilimsel temellere oturtulması, kayıpların azaltılması ve verimin artırılması, tarımsal araştırmaların odak noktasını oluşturmaktadır. Son on yılda Dördüncü Sanayi Devrimi'nin tarıma yansıması olarak tanımlanan "Tarım 4.0" yaklaşımı; yapay zeka (YZ), nesnelerin interneti (IoT), büyük veri analitiği ve biyoteknoloji gibi araçları geleneksel tarım uygulamalarıyla bütünleştirmektedir (Wolfert ve ark., 2017; Kamilaris ve Prenafeta-Boldú, 2018). Bu makalenin amacı; nişasta ve şeker bitkilerinin biyolojik özelliklerini, yetiştiricilik pratiklerini ve bu alanda uygulanan ileri teknolojileri kapsamlı biçimde değerlendirmektir. - Nişasta ve Şeker Bitkilerinin Sınıflandırılması ve Botanik Özellikleri
2.1 Nişasta Bitkileri
Nişasta, fotosentez yoluyla üretilen glikozun depo formu olup bitkilerin kök, yumru, tohum veya gövde gibi organlarında birikmektedir. Başlıca nişasta kaynakları şu şekilde sıralanabilir:
Tahıl grubu: Buğday (Triticum aestivum), mısır (Zea mays) ve çeltik (Oryza sativa) tahıl grubu nişasta bitkilerinin en önemlileridir. Bu bitkilerde nişasta tohumda bulunmakta; un, nişasta, biyoplastik ve tekstil endüstrilerinde kullanılmaktadır.
Yumru grubu: Patates (Solanum tuberosum L.), tatlı patates (Ipomoea batatas), kaskava/manyok (Manihot esculenta), tarococoyam (Colocasia esculenta) ve yer elması (Helianthus tuberosus) bu grubun önde gelen üyeleridir. Bu bitkilerde nişasta toprak altındaki yumru, kök veya rizom gibi yapılarda depolanmaktadır. Patates bitkisinin kökleri "yumru kök" olarak tanımlanmakta; bu yapı hem tanımlama hem de hasat açısından kritik öneme sahiptir (Hawkes, 1990).
Çiçek morfolojisi açısından patates; çan çiçek formunda, beş taç yapraklı, sarı veya beyazımsı renkli çiçekler oluşturmaktadır. Erkek organ sayısı beş olup meyve yeşil, küçük ve zehirli bir kovandır. Bu özellikler, bitki tanımlamasında ve çeşit tescilinde kritik kriterler olarak kullanılmaktadır (Spooner ve ark., 2014).
2.2 Şeker Bitkileri
Şeker pancarı (Beta vulgaris subsp. vulgaris): Kök gövdesinde yüksek oranda sakkaroz depolayan, iki yıllık bir bitki olup ülkemizde yaygın olarak yetiştirilmektedir. Pancarın şeker içeriği kuru ağırlığın yaklaşık %14–22'sini oluşturmaktadır (Draycott, 2006).
Şeker kamışı (Saccharum officinarum): Sap kısmında sakkaroz depolayan, tropik ve subtropik iklimleri seven çok yıllık bir bitki olup Türkiye'de ticari ölçekte yetiştiriciliği bulunmamaktadır. Küresel şeker üretiminin yaklaşık %80'i şeker kamışından elde edilmektedir (ISO, 2022). - Toprak ve İklim İstekleri
3.1 Patates
Patates bitkisi toprak seçiciliği bakımından oldukça hassas bir türdür. Optimum gelişme için toprağın hafif bünyeli (kumlu-tınlı), iyi havalanır, organik maddece zengin ve pH değeri 5,5–6,5 arasında (nötr veya hafif asit) olması gerekmektedir. Ağır killi topraklar hava sirkülasyonunu kısıtladığından yumru gelişimini olumsuz etkilemekte ve hastalık riskini artırmaktadır (Harris, 1992).
İklim açısından patates, ılıman ve ılıman-serin koşulları tercih etmektedir. Optimum toprak sıcaklığı yumru oluşumu için 15–18°C arasındadır; 30°C'nin üzerinde yumru oluşumu büyük ölçüde durmaktadır (Struik ve Wiersema, 1999). Bu nedenle Türkiye'de patates tarımı başta Niğde, Nevşehir, Afyonkarahisar ve Erzincan olmak üzere yüksek kesimler ile İç Anadolu platosu üzerinde yoğunlaşmaktadır (Türkiye Patates Araştırma İstasyonu, 2021).
3.2 Şeker Pancarı
Şeker pancarı, kumlu-tınlı, derin, humuslu ve besin maddelerince zengin toprakları tercih etmektedir. Fazla ağır ve taşlı topraklar kök gövdesinde çatallanmaya neden olmakta, bu da hem verimi hem de fabrikaya teslimdeki kalite puanını (polarimetrik şeker oranı) olumsuz etkilemektedir (Draycott, 2006). Optimum pH 6,5–7,5 arasındadır.
İklimsel gereklilikler bakımından şeker pancarı, ılıman ile yarı-kurak koşulları tolere edebilmektedir. Ekim döneminde (Mart–Nisan) toprak sıcaklığının en az 6–8°C olması çimlenme için şarttır. Olgunlaşma dönemindeki (Temmuz–Eylül) gündüz-gece sıcaklık farkı (termal amplitüd) ne kadar büyükse, bitkideki sakkaroz birikimi o denli yoğun olmaktadır (Milford, 2006). - Toprak Hazırlığı ve Ekim
4.1 Toprak İşleme
Patates yetiştiriciliğinde yıllarca aynı tarlada sürdürülen monokültür uygulaması, zamanla toprak altında "taban taşı" (pulluk tabanı) oluşturmaktadır. Bu tabaka dip kazan kullanılarak kırılmalıdır. Ağır (killi) topraklarda sonbaharda 20–25 cm derinlikte sürüm yapılmakta, ilkbaharda diskaro ve tırmıkla yüzey düzeltilmektedir. Hafif (kumlu) topraklarda ise ilkbaharda daha yüzlek sürüm yeterli olmaktadır.
Şeker pancarı üretiminde toprak hazırlığı sonbahar ve ilkbahar olmak üzere iki aşamada gerçekleştirilmektedir. Ön bitki genellikle tahıl (hububat) olduğundan hasat sonrası anız bozma işlemi diskaro ile yapılmakta, Kasım ayında derin pulluk sürümüyle birlikte toprak profili iyileştirilmektedir. İlkbaharda kültüvatör, diskaro, diskli tırmık ve tapan ardışık olarak kullanılarak tohum yatağı hazırlanmaktadır. İki ila üç yılda bir dip kazan pulluğu ile pulluk tabanı kırılmalıdır (Pancar Ekicileri Kooperatifleri Birliği [PAN-KOB], 2022).
4.2 Ekim Zamanı ve Yöntemi
Patateste dikim: Tohumluk yumrular, sıra arası 70 cm, sıra üzeri ise normal tarımda 23–35 cm, tohumluk üretiminde 25–30 cm olacak şekilde dikilmektedir. Dikim derinliği 12–18 cm arasındadır. Ön filizlendirme; tohumluğun zayıf olduğu, toprağın soğuk ve nemli kaldığı durumlarda ya da turfanda yetiştiricilikte uygulanmaktadır. Dikim, ocak usulü, karık usulü veya otomatik dikim makineleriyle gerçekleştirilebilmektedir (Ewing ve Struik, 1992).
Şeker pancarında ekim: Hassas ve üniversal ekim makineleri kullanılmakta; sıra arası 45–55 cm, sıra üzeri 20–25 cm, ekim derinliği ise 2–5 cm olarak ayarlanmaktadır. Ekim normunun hesabı, tohumun çimlenme gücü ve bin tane ağırlığı dikkate alınarak yapılmakta olup bu hesaplama endüstri pancarı fabrikaları tarafından çiftçilere teknik danışmanlık şeklinde sunulmaktadır (Türkiye Şeker Fabrikaları A.Ş. [TÜRKŞEKER], 2023). - Bakım İşlemleri
5.1 Kaymak Tabakası Kırma ve Çapalama
Şeker pancarı tohumu küçük ve çıkan filiz hassas olduğundan çimlenme döneminde toprak yüzeyinde oluşan kaymak tabakası bitki çıkışını engellemektedir. Bu nedenle kaymak tabakasının izlenerek zamanında kırılması kritik öneme sahiptir.
Patates bitkisi 3–4 yapraklı olduğunda yüzeysel çapalama başlatılmakta ve çiçeklenmeye kadar periyodik olarak sürdürülmektedir. Bitki boyu 15–20 cm olduğunda el veya traktör çapaları ile boğaz doldurma yapılmaktadır.
Şeker pancarında ilk çapalama çıkıştan 15–20 gün sonra 5–6 yapraklı dönemde, ikincisi seyreltmeyle eş zamanlı, üçüncüsü ise 8–10 yapraklı dönemde derin olarak gerçekleştirilmektedir. Bitki sıralarının kapandığı dönemde çapalama sonlandırılmaktadır.
5.2 Sulama
Patateste sulama ihtiyacı, alt yapraklarda solma ve sararma görülmeye başlandığında ortaya çıkmaktadır. Topraktaki nem durumu izlenerek ilk sulama yumrular fındık büyüklüğüne geldiğinde yapılmaktadır. Hafif topraklarda 15–18 gün, ağır topraklarda 22–25 gün aralıklarla 2–4 sulama uygulanmaktadır. Son sulama ile hasat arasında en az bir haftalık süre bırakılmalıdır. Bu uygulama, yumru kabuğunun sertleşmesine ve hasat sırasında yaralanmanın azalmasına katkı sağlamaktadır (Levy ve Veilleux, 2007).
Şeker pancarında ise çıkış sulaması, haziran sonu ile eylül ortasına kadar süren gelişme dönemi sulaması ve hasat öncesi kolaylaştırıcı sulama olmak üzere üç temel sulama zamanı tanımlanmaktadır. Yağmurlama ve damla sulama sistemleri hem su kullanım etkinliğini artırmakta hem de toprak strüktürünü korumaktadır (Doorenbos ve Pruitt, 1977).
5.3 Gübreleme
Toprak analizi, ekimden 1–2 ay önce yaptırılmalı ve gübreleme programı analiz sonuçlarına göre düzenlenmelidir. Bu uygulama; hem aşırı gübrelemeden kaynaklanan çevre kirliliğini hem de yetersiz gübrelemeden doğan verim kayıplarını önlemektedir.
Patateste dekara 3–4 ton çiftlik gübresi ile NPK dengesi kurulmakta; azotlu gübrenin yarısından fazlası bitki çıkışında ve yumrular fındık büyüklüğüne ulaştığında uygulanmaktadır. Turfanda yetiştiricilikte azotun 1/3'ü ilk boğaz doldurma, diğer 1/3'ü ise ikinci sulamadan önce verilmektedir. Dikimle birlikte 15-15-15 formulasyonlu kompoze gübre ya da amonyum sülfat uygulanmaktadır (Haase ve Bogena, 2009).
Şeker pancarında azotlu gübrenin bölünmüş uygulaması önerilmekte; 1/3'ü ekimle birlikte, 1/3'ü seyreltme sırasında ve kalan 1/3'ü bitkilerin sıra aralarını kapatmaya başladığı dönemde verilmektedir. Fosforlu gübrelerin 2/3'ü sonbaharda pulluk derinliğinde toprağa karıştırılmakta, kalan 1/3'ü ilkbahar toprak hazırlığında verilmektedir. Potasyumlu gübreler fosforlu gübrelerle birlikte sonbahar sürümünden önce uygulanmaktadır (Draycott ve Christenson, 2003). - Hastalık ve Zararlı Yönetimi
6.1 Patates Hastalıkları ve Zararlıları
Patateste ekonomik önemi büyük olan başlıca hastalıklar şunlardır:
Patates mildiyösü (Phytophthora infestans): Tarihsel açıdan 1845–1849 Büyük İrlanda Kıtlığı'na yol açan bu patojen, günümüzde de dünya genelinde en önemli patates hastalığı olmaya devam etmektedir. Soğuk ve nemli koşullarda hızla yayılan hastalık, yaprak, sap ve yumrularda kahverengi-siyah çürüklüklere neden olmaktadır (Fry, 2008).
Patates siğil hastalığı (Synchytrium endobioticum): Karantina statüsünde bir hastalık olup toprakta onlarca yıl canlı kalabilen kist sporangiumları aracılığıyla bulaşmaktadır. Ülkemizde görülen enfeksiyonlar nedeniyle bazı illerde zorunlu ekim nöbeti uygulamaları getirilmiştir (EPPO, 2021).
Bakteriyel solgunluk ve kahverengi çürüklük (Ralstonia solanacearum): Toprak kaynaklı bir bakteri olup köklerde vasküler dokuyu tıkayarak solgunluğa ve sonunda bitkinin ölümüne neden olmaktadır.
Zararlılar arasında en tanınmış olan patates böceği (Leptinotarsa decemlineata), yaprak tüketiminin yanı sıra kimyasal ilaçlara karşı geliştirdiği direnç mekanizmaları nedeniyle mücadelesi en güç zararlılardan biri olmaya devam etmektedir (Alyokhin ve ark., 2008).
6.2 Şeker Pancarı Hastalıkları ve Zararlıları
Cercospora yaprak lekesi (Cercospora beticola): Yapraklarda yuvarlak, gri-beyaz merkezli kahverengi kenarlı lekeler oluşturur. Şiddetli enfeksiyonlarda yaprak ölümüne ve fotosentezin dramatik biçimde düşmesine yol açmaktadır. Sıcak ve nemli yaz dönemleri hastalığın yayılmasını hızlandırmaktadır (Ruppel, 1986).
Rhizomania (Beet necrotic yellow vein virus): Toprak kökenli Polymyxa betae aracılığıyla taşınan bu virüs, kök sakallanmasına, kazıma şişkinliğine ve verim kayıplarına neden olmaktadır. Özellikle ülkemizdeki bazı üretim havzalarında ciddi sorun oluşturmaktadır (Richards ve Tamada, 1992).
Entegre mücadele çerçevesinde kültürel (ekim nöbeti, sertifikalı tohumluk kullanımı), biyolojik (antagonist organizmalar), kimyasal (fungisit, insektisit) ve mekanik yöntemler bir arada uygulanmaktadır. Mücadelede kullanılacak preparatlar Gıda, Tarım ve Hayvancılık Bakanlığı onaylı listelerden seçilmeli ve uygulama dozuna titizlikle uyulmalıdır. - Hasat ve Hasat Sonrası Süreçler
7.1 Hasat
Patateste hasat zamanı; üretim amacına (tohumluk, yemeklik, turfanda), yaprak ve sapların kahverengileşip kurumasına, yumruların uygun iriliğe ulaşmasına ve yumru kabuğunun sertleşip pişkinleşmesine göre belirlenmektedir. Turfanda üretimde piyasa fiyatı bu kriterlerin önüne geçebilmekte; mildiyö gibi salgın hastalık durumunda ise beklenmeksizin hasada başlanmaktadır. Yarı ve tam otomatik dikim-hasat makineleri sayesinde işgücü ihtiyacı ve hasat kayıpları önemli ölçüde azalmaktadır.
Şeker pancarı hasadı ülkemizde genellikle Eylül sonu–Ekim ortasında gerçekleştirilmektedir. Hasat öncesinde zayıf ve hastalıklı pancarlar ayrılarak uzaklaştırılmaktadır. Tarlaya yağışsız günler seçilmekte; keniş lastikli veya paletli araçlarla toprak sıkışmasının önüne geçilmektedir. Hasat; pancar başı kesme, sökme ve yükleme işlemlerini tek seferde yapabilen komple makinelerle veya bölünmüş operasyonlar biçiminde gerçekleştirilebilmektedir (PAN-KOB, 2022).
7.2 Depolama
Patates yumrularının uzun süre kaliteli biçimde saklanabilmesi için depolar 2–4°C sıcaklık ve %85–90 nispi nem koşullarına göre ayarlanmalıdır. İyi havalandırma tertibatı; solunum sonucu oluşan CO₂, su buharı ve ısının uzaklaştırılmasını sağlamaktadır. Yığın yüksekliği yemeklik patateslerde 3–4 metreye, tohumluk patateslerde ise 1 metreye kadar çıkabilmektedir. Düşük sıcaklıkta depolama filizlenmeyi geciktirirken nişasta-şeker dengesini de korumaktadır (Burton, 1989).
Şeker pancarı hasadından fabrikaya teslimine kadar geçen süreçte pancarların fiziksel özelliklerini kaybetmemesi kritik önemdedir. Kısa süreli depolamada tarla içi silolara, uzun süreli depolamada ise hava kontrollü 3 metrelik silolara alınan pancarlar; kirli yaprak ve çamurdan arındırılmalı, ezilme ve kırılmadan korunmalıdır. Silodaki bozulma, sakkaroz kaybını doğrudan etkilediğinden fabrikaya mümkün olduğunca taze ve temiz pancar ulaştırılması fabrikasyon verimi açısından hayati önem taşımaktadır (TÜRKŞEKER, 2023). - Teknolojik Uygulamalar: Tarım 4.0 Perspektifinden Nişasta ve Şeker Bitkileri
8.1 Yapay Zeka ve Makine Öğrenmesi
Yapay zekanın tarımsal uygulamalardaki en çarpıcı kullanım alanlarından biri hastalık tespitidir. Derin öğrenme tabanlı evrişimli sinir ağları (CNN), bitki yapraklarının görüntülerini analiz ederek hastalıkları erken evrede yüksek doğrulukla tespit edebilmektedir. Mohanty ve arkadaşları (2016), PlantVillage veri setini kullanarak %99,35 doğruluk oranında bitki hastalığı tanıma başarısı elde etmiş; bu çalışma alanın mihenk taşı niteliğini kazanmıştır. Patates mildiyösü ve erken yanıklık gibi hastalıklar bu yöntemle erken teşhis edilebilmekte, böylece kimyasal müdahale zamanlanabilmekte ve gereksiz ilaç kullanımı azaltılmaktadır.
Verim tahmini konusunda rastgele orman (Random Forest), destek vektör makineleri ve derin sinir ağları gibi makine öğrenmesi algoritmaları; iklim verileri, toprak özellikleri, sulama ve gübreleme kayıtlarını bir araya getirerek sezonluk üretim miktarını önceden kestirmektedir. Van Klompenburg ve arkadaşları (2020), tarımsal verim tahminine yönelik sistematik bir literatür taraması gerçekleştirerek makine öğrenmesi modellerinin geleneksel istatistiksel modellere kıyasla %15–30 daha düşük hata oranı sağladığını ortaya koymuştur.
Yabancı ot yönetiminde ise görüntü segmentasyonu yöntemleri tarlada yalnızca yabancı otların bulunduğu bölgelere ilaç uygulamasına olanak tanımaktadır. Lottes ve arkadaşları (2017), pancar tarlalarında gerçek zamanlı yabancı ot tespiti için derin öğrenme tabanlı bir sistem geliştirmiş; bu yaklaşımın herbisit kullanımını %90'a kadar azaltabileceğini göstermiştir.
8.2 IoT ve Sensör Teknolojileri
Nesnelerin interneti, tarlada konumlanan çeşitli sensörler aracılığıyla toprak nemi, sıcaklık, pH ve ışık miktarı gibi verilerin kesintisiz toplanmasını sağlamaktadır. Bu veriler kablosuz ağlar üzerinden (LoRaWAN, NB-IoT) bulut platformlarına aktarılmakta ve anında işlenerek çiftçiye akıllı telefon ya da web panelleri aracılığıyla iletilmektedir.
Akıllı sulama sistemleri bu bağlamda en yaygın ve ekonomik kazanımı kanıtlanmış uygulamalardandır. Patates tarlalarında toprak nem sensörleriyle entegre sulama otomasyonu, su kullanımını %20–50 oranında azaltırken aynı zamanda verimi artırmaktadır (Fereres ve Soriano, 2007). Şeker pancarı tarımında yapılan çalışmalar, sulama otomasyonunun şeker verimliliğini ciddi ölçüde iyileştirdiğini ortaya koymaktadır (Katerji ve ark., 2008).
Depolar söz konusu olduğunda, IoT tabanlı depo yönetim sistemleri; sıcaklık, nem ve CO₂ düzeylerini sürekli izlemekte ve kritik eşiklerin aşılması durumunda fan, soğutucu veya nemlendirici gibi sistemleri otomatik devreye almaktadır. Burton (1989), depo koşullarının optimum tutulmasının patates depolarındaki kayıpları %25'e kadar düşürdüğünü belirtmektedir.
8.3 Drone ve Uzaktan Algılama
İnsansız hava araçları (drone), yakın mesafeli uzaktan algılama teknolojisinin tarıma entegrasyonunda öncü rol oynamaktadır. Multispektral ve hiperospektral kameralarla donatılmış dronelar, NDVI (Normalleştirilmiş Fark Bitki Örtüsü İndeksi) gibi indeksler aracılığıyla geniş tarlalarda bitki sağlığını, nem stresini ve besin elementi eksikliklerini haritalandırabilmektedir (Berni ve ark., 2009). Patates ve şeker pancarı tarlalarında yürütülen çalışmalar, drone tabanlı görüntülemenin mildiyö ve Cercospora gibi hastalıkların semptomlara dönüşmeden birkaç gün önce tespit edilmesine olanak tanıdığını ortaya koymuştur (Bock ve ark., 2010).
Değişken oranlı uygulama (Variable Rate Application - VRA) sistemleri ise drone ve uydu görüntülerinden elde edilen hassas tarım haritalarını kullanarak tarla içi değişkenliğe göre gübre ve pestisit dozlarını optimize etmektedir. Bu yaklaşım hem girdi maliyetini hem de çevresel ayak izini önemli ölçüde azaltmaktadır.
8.4 Mikrodenetleyici Temelli Otomasyon Sistemleri
Arduino, Raspberry Pi Pico ve benzeri mikrodenetleyici platformları, düşük maliyetiyle küçük ve orta ölçekli işletmelere özgün otomasyon çözümleri sunmaktadır. Toprak nem, pH ve sıcaklık sensörlerini bir araya getiren mikrodenetleyici tabanlı sistemler; sulama pompalarını, gübreleme vanalılarını ve depo havalandırma ünitelerini otomatik olarak kontrol edebilmektedir. Şakir ve arkadaşları (2018), Arduino tabanlı hassas sulama sisteminin patates tarlalarında su tasarrufunu %35 artırdığını deneysel olarak doğrulamıştır. Bu tür sistemlerin internet bağlantısıyla birleştirilmesi, çiftçilere uzaktan izleme ve yönetim imkânı tanımaktadır.
8.5 Biyoteknoloji Uygulamaları
Modern biyoteknoloji, nişasta ve şeker bitkilerinde çeşitli alanlarda devrimsel gelişmelere zemin hazırlamaktadır:
Hastalığa dayanıklı çeşit geliştirme: CRISPR-Cas9 gibi gen düzenleme teknolojileri kullanılarak patates bitkisine mildiyö dayanıklılığı sağlayan RB geni gibi direniç genleri aktarılmaktadır. Örneğin Simplot şirketinin geliştirdiği Innate® patates çeşidi; morarma eğiliminin azaltılması, asparaginaz düzeyinin düşürülmesi ve mildiyöye karşı artan dayanıklılık özelliklerini bir arada taşımaktadır (Richael ve ark., 2018).
Doku kültürü ve mikro çoğaltma: Meristem kültürü yoluyla virüs ve bakteri içermeyen sertifikalı tohumluk patates üretimi, hastalıksız çoğaltım zinciri oluşturmaktadır. Türkiye'de devlet destekli programlar aracılığıyla yürütülen sertifikalı tohumluk üretimi çalışmaları ümit verici sonuçlar vermektedir (Tarım ve Orman Bakanlığı, 2022).
Nişasta/şeker içeriği artışı: Genetik çalışmalar aracılığıyla amilopektin-amiloz oranının optimize edilmesi, patateste endüstriyel nişasta kalitesini iyileştirmektedir (Flipse ve ark., 1996). Şeker pancarında ise invertaz inhibitörü geninin düzenlenmesi depolama sırasındaki sakkaroz yıkımını azaltmaktadır.
8.6 Kuantum Hesaplama: Tarımın Geleceğindeki Rolü
Kuantum bilgisayarlar, klasik bilgisayarların üstesinden gelemeyeceği ölçekte çok değişkenli optimizasyon ve simülasyon problemlerini çözme kapasitesine sahiptir. Tarım alanındaki potansiyel uygulamalar incelendiğinde; iklim modellerinin karmaşıklığını yönetmek, bitki genomu analizini hızlandırmak ve sulama-gübreleme-ekim zamanı gibi çok boyutlu üretim kararlarını optimize etmek öne çıkmaktadır. Ajagekar ve You (2022), kuantum hesaplamanın tarımsal optimizasyon problemlerinde klasik algoritmalara kıyasla üstel hız kazanımı sağlayabileceğini teorik çerçevede ortaya koymuştur. Bu alanın tarımsal uygulamalara yansıması henüz erken aşamada olmakla birlikte, önümüzdeki on yılda önemli pratik gelişmeler beklenmektedir.
8.7. Simülasyon
#!/usr/bin/env python3
-*- coding: utf-8 -*-
"""
TARIMSAL KARAR DESTEK SİSTEMİ (TDSS) PROTOTİPİ
Nişasta ve Şeker Bitkileri (Patates & Şeker Pancarı)
Bu sistem, aşağıdaki modülleri içerir:
- Sensör verisi simülasyonu (gerçek sensörlere açık)
- Ürün bilgileri ve parametreleri
- Yapay zeka ile hastalık tespiti (CNN)
- Makine öğrenmesi ile verim tahmini (RandomForest)
- Akıllı gübre öneri sistemi
- Sulama planlama algoritması
- Zararlı/hastalık uyarı sistemi
- Depo koşulları kontrol simülasyonu
- Raporlama ve görselleştirme
Tüm modüller tek bir yapı altında toplanmıştır.
Gerçek dünya uygulaması için:
- Sensör sınıfları donanım kütüphaneleriyle (ör. Adafruit_DHT, GPIO) değiştirilmeli,
- Görüntü işleme için drone/kamera entegrasyonu sağlanmalı,
- Veri setleri gerçek verilerle güncellenmeli,
- Modeller gerçek verilerle eğitilmelidir.
"""
-------------------------------------------------
GEREKLİ KÜTÜPHANELER
-------------------------------------------------
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime, timedelta
import random
import os
import warnings
warnings.filterwarnings('ignore')
Makine öğrenmesi için
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import mean_absolute_error, r2_score
Derin öğrenme için (TensorFlow)
try:
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
TF_AVAILABLE = True
except ImportError:
TF_AVAILABLE = False
print("Uyarı: TensorFlow kurulu değil. Derin öğrenme modülü çalışmayacak.")
Görüntü işleme için (OpenCV)
try:
import cv2
CV2_AVAILABLE = True
except ImportError:
CV2_AVAILABLE = False
print("Uyarı: OpenCV kurulu değil. Görüntü işleme modülü çalışmayacak.")
-------------------------------------------------
SABİTLER VE PARAMETRELER
-------------------------------------------------
class UrunParametreleri:
"""Patates ve şeker pancarı için yetiştirme parametreleri"""
PATATES = {
'isim': 'Patates',
'toprak_tipi': 'hafif bünyeli, organik maddece zengin, nötr/hafif asit',
'ekim_derinligi_cm': (12, 18),
'sira_arasi_cm': 70,
'sira_uzeri_cm': (25, 35), # tohumlukta 25-30, normalde 23-35
'sulama_araligi_gun': (15, 25), # hafif toprak 15-18, ağır 22-25
'hasat_olgunluk': 'yapraklar kahverengileşip kuruduğunda',
'depo_sicaklik_C': (2, 4),
'depo_nem_yuzde': (85, 90),
'hastaliklar': ['Patates mildiyösü', 'Patates siğil hastalığı',
'Kahverengi çürüklük', 'Erken yanıklık'],
'zararlilar': ['Patates böceği', 'Tel kurdu', 'Boz kurt']
}
SEKER_PANCARI = {
'isim': 'Şeker Pancarı',
'toprak_tipi': 'kumlu-tınlı, derin, humuslu',
'ekim_derinligi_cm': (2, 5),
'sira_arasi_cm': (45, 55),
'sira_uzeri_cm': (20, 25),
'sulama_araligi_gun': (20, 30), # gelişme dönemine göre
'hasat_olgunluk': 'gövde fizyolojik olgunluğa ulaştığında (Eylül sonu-Ekim)',
'depo_sicaklik_C': (0, 2), # genelde 0-2°C önerilir
'depo_nem_yuzde': (85, 90),
'hastaliklar': ['Cercospora yaprak lekesi', 'Rhizomania', 'Kök yanıklığı'],
'zararlilar': ['Tel kurdu', 'Pancar piresi', 'Danaburnu']
}
-------------------------------------------------
SENSÖR SİMÜLATÖRÜ (IoT Tabanlı)
-------------------------------------------------
class SensorSimulator:
"""
Gerçek zamanlı sensör verilerini simüle eder.
Gerçek donanım entegrasyonunda bu sınıf ilgili kütüphanelerle değiştirilir.
"""
def __init__(self, urun_adi, baslangic_tarihi=None):
self.urun_adi = urun_adi
self.tarih = baslangic_tarihi if baslangic_tarihi else datetime.now()
self.sensor_verileri = []
def oku(self):
"""Anlık sensör verilerini döndürür."""
veri = {
'zaman': self.tarih.strftime('%Y-%m-%d %H:%M:%S'),
'toprak_nemi': random.uniform(20, 80), # %
'toprak_sicakligi': random.uniform(8, 25), # °C
'hava_sicakligi': random.uniform(5, 35), # °C
'hava_nemi': random.uniform(30, 95), # %
'isik_siddeti': random.uniform(0, 1000), # lux
'toprak_ph': random.uniform(5.5, 7.5),
'co2': random.uniform(350, 450) # ppm
}
self.sensor_verileri.append(veri)
self.tarih += timedelta(hours=1) # Bir sonraki saat için
return veri
def toplu_oku(self, saat_sayisi=24):
"""Belirtilen saat kadar veri toplar."""
return [self.oku() for _ in range(saat_sayisi)]
def dataframe_ver(self):
"""Toplanan verileri pandas DataFrame olarak döndürür."""
return pd.DataFrame(self.sensor_verileri)
-------------------------------------------------
TOPRAK ANALİZİ VE GÜBRE ÖNERİ MODÜLÜ
-------------------------------------------------
class GubreOnermeSistemi:
"""
Toprak analizi sonuçlarına ve ürün ihtiyacına göre gübre miktarı önerir.
Kural tabanlı + regresyon hibriti.
"""
def __init__(self, urun_param):
self.urun = urun_param
def analiz_et(self, toprak_df):
"""
toprak_df: 'N', 'P', 'K', 'pH', 'organik_madde' sütunlarını içeren DataFrame
Önerilen miktarlar (kg/dekar) olarak döndürülür.
"""
Ortalama değerler
N = toprak_df['N'].mean() if 'N' in toprak_df else 0
P = toprak_df['P'].mean() if 'P' in toprak_df else 0
K = toprak_df['K'].mean() if 'K' in toprak_df else 0
pH = toprak_df['pH'].mean() if 'pH' in toprak_df else 7.0
om = toprak_df['organik_madde'].mean() if 'organik_madde' in toprak_df else 2.0
Hedef değerler (patates için örnek)
Patates: N: 150-200 kg/ha, P: 80-120 kg/ha, K: 200-250 kg/ha
Şeker pancarı: N: 120-180, P: 70-100, K: 180-220
if self.urun['isim'] == 'Patates':
hedef_N = 180 # kg/ha
hedef_P = 100
hedef_K = 220
else:
hedef_N = 150
hedef_P = 85
hedef_K = 200
Mevcut durumdan eksiklik hesapla (basit)
eksik_N = max(0, hedef_N - N)
eksik_P = max(0, hedef_P - P)
eksik_K = max(0, hedef_K - K)
Organik maddeye göre çiftlik gübresi önerisi
ciftlik_gubresi = 0
if om < 2.0:
ciftlik_gubresi = 3 # ton/dekar
pH düzeltme ihtiyacı
kirec_ihtiyaci = 0
if pH < 5.5 and self.urun['isim'] == 'Şeker Pancarı':
kirec_ihtiyaci = 200 # kg/dekar (kireç)
return {
'N_kg_da': round(eksik_N / 10, 1), # kg/dekara çevir (1 ha=10 da)
'P_kg_da': round(eksik_P / 10, 1),
'K_kg_da': round(eksik_K / 10, 1),
'ciftlik_gubresi_ton_da': round(ciftlik_gubresi, 1),
'kirec_kg_da': kirec_ihtiyaci
}
-------------------------------------------------
SULAMA PLANLAMA MODÜLÜ
-------------------------------------------------
class SulamaPlani:
"""Toprak nemi, hava durumu ve bitki gelişim evresine göre sulama kararı."""
def __init__(self, urun_param, kritik_nem=40):
self.urun = urun_param
self.kritik_nem = kritik_nem # % altı sulama başlat
def sulama_gerekli_mi(self, sensor_verisi, gun_son_hasat):
"""
sensor_verisi: son sensör okuması (dict)
gun_son_hasat: hasada kaç gün kaldığı (sulama kesme zamanı kontrolü)
"""
nem = sensor_verisi.get('toprak_nemi', 100)
sicaklik = sensor_verisi.get('hava_sicakligi', 20)
Hasattan 1 hafta önce sulamayı kes (patates için metindeki bilgi)
if self.urun['isim'] == 'Patates' and gun_son_hasat <= 7:
return False, "Hasat öncesi sulama kesilmeli"
Çok düşük nem
if nem < self.kritik_nem:
return True, f"Toprak nemi %{nem:.1f} kritik seviyenin altında"
elif nem < self.kritik_nem + 10 and sicaklik > 28:
return True, "Sıcak hava, nem düşük, sulama önerilir"
else:
return False, f"Toprak nemi yeterli (%{nem:.1f})"
def ne_kadar_sula(self, sensor_verisi, alan_m2):
"""mm cinsinden sulama miktarı hesapla (basit model)"""
Toprak tipine göre değişir, burada sabit bir değer döndürelim
Gerçekte buharlaşma, bitki katsayısı vb. hesaplanır
return round(20 + random.uniform(-5, 5), 1) # litre/m2 = mm
-------------------------------------------------
HASTALIK VE ZARARLI UYARI SİSTEMİ (Kural tabanlı + İklim)
-------------------------------------------------
class HastalikUyari:
"""
İklim koşullarına göre hastalık riskini hesaplar.
Metindeki hastalıklar için basit kurallar.
"""
def __init__(self, urun_param):
self.urun = urun_param
self.risk_faktorleri = []
def degerlendir(self, sensor_verisi, son_7_gun_ortalama):
riskler = []
sicaklik = sensor_verisi['hava_sicakligi']
nem = sensor_verisi['hava_nemi']
yagis = son_7_gun_ortalama.get('yagis_mm', 0)
if self.urun['isim'] == 'Patates':
Patates mildiyösü: 10-24°C, %90 üstü nem, yağışlı dönemler
if 10 <= sicaklik <= 24 and nem > 85 and yagis > 5:
riskler.append(('Patates mildiyösü', 'YÜKSEK'))
elif 15 <= sicaklik <= 25 and nem > 70:
riskler.append(('Patates mildiyösü', 'ORTA'))
Patates siğil hastalığı: serin ve nemli topraklar
if sicaklik < 18 and sensor_verisi['toprak_nemi'] > 60:
riskler.append(('Patates siğil hastalığı', 'ORTA'))
Erken yanıklık: sıcaklık 20-30°C, nemli
if 20 <= sicaklik <= 30 and nem > 60:
riskler.append(('Erken yanıklık', 'ORTA'))
elif self.urun['isim'] == 'Şeker Pancarı':
Cercospora: 20-28°C, yüksek nem
if 20 <= sicaklik <= 28 and nem > 75:
riskler.append(('Cercospora', 'YÜKSEK'))
Rhizomania: toprak sıcaklığı 20-25°C, nemli
if 20 <= sicaklik <= 25 and sensor_verisi['toprak_nemi'] > 50:
riskler.append(('Rhizomania', 'ORTA'))
return riskler
-------------------------------------------------
DERİN ÖĞRENME İLE HASTALIK TESPİTİ (CNN)
-------------------------------------------------
class HastalikTespitCNN:
"""
Patates yaprağı görüntülerinden hastalık tespiti için CNN modeli.
Eğitim ve tahmin fonksiyonlarını içerir.
Gerçek bir model için PlantVillage veri seti kullanılmalıdır.
"""
def __init__(self, model_path=None):
self.model = None
self.siniflar = ['Sağlıklı', 'Patates Mildiyösü', 'Erken Yanıklık', 'Geç Yanıklık']
self.img_size = 128
if model_path and os.path.exists(model_path):
self.model = keras.models.load_model(model_path)
print(f"Model yüklendi: {model_path}")
def _basit_cnn_olustur(self):
"""Basit bir CNN modeli oluştur (eğitim için)."""
model = keras.Sequential([
layers.Conv2D(32, (3,3), activation='relu', input_shape=(self.img_size, self.img_size, 3)),
layers.MaxPooling2D(2,2),
layers.Conv2D(64, (3,3), activation='relu'),
layers.MaxPooling2D(2,2),
layers.Conv2D(128, (3,3), activation='relu'),
layers.MaxPooling2D(2,2),
layers.Flatten(),
layers.Dense(256, activation='relu'),
layers.Dropout(0.5),
layers.Dense(len(self.siniflar), activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
return model
def egit(self, X_train, y_train, X_test, y_test, epochs=5):
"""Modeli eğitir."""
if not TF_AVAILABLE:
print("TensorFlow olmadan eğitim yapılamaz.")
return
self.model = self._basit_cnn_olustur()
history = self.model.fit(X_train, y_train,
validation_data=(X_test, y_test),
epochs=epochs,
batch_size=16,
verbose=1)
return history
def tahmin(self, goruntu):
"""
Görüntü numpy array olarak verilmeli (128x128x3).
Hastalık sınıfı ve güven skoru döndürür.
"""
if self.model is None:
return "Model yok", 0.0
goruntu = np.expand_dims(goruntu, axis=0)
tahmin = self.model.predict(goruntu, verbose=0)
sinif_idx = np.argmax(tahmin[0])
guven = tahmin[0][sinif_idx]
return self.siniflar[sinif_idx], guven
def dummy_veri_olustur(self, num_samples=100):
"""Eğitim için dummy görüntü verisi üret (simülasyon)."""
X = []
y = []
for i in range(num_samples):
img = np.random.randint(0, 255, (self.img_size, self.img_size, 3), dtype=np.uint8)
Rastgele bir sınıf ata
sinif = random.randint(0, len(self.siniflar)-1)
y.append(sinif)
Görüntüye rastgele işlemler ekle (basit)
if sinif == 1: # mildiyö
cv2.rectangle(img, (20,20), (60,60), (0,100,0), -1) # leke
elif sinif == 2: # erken yanıklık
cv2.circle(img, (64,64), 20, (0,150,0), -1)
X.append(img)
X = np.array(X).astype('float32') / 255.0
y = np.array(y)
return X, y
-------------------------------------------------
VERİM TAHMİN MODÜLÜ (RandomForest)
-------------------------------------------------
class VerimTahmini:
"""
Geçmiş verilere dayanarak makine öğrenmesi ile verim tahmini.
"""
def __init__(self):
self.model = RandomForestRegressor(n_estimators=100, random_state=42)
self.scaler = StandardScaler()
self.egitildi_mi = False
def egit(self, X, y):
"""
X: özellikler (iklim, toprak, gübre, sulama vb.)
y: verim (ton/dekar)
"""
X_scaled = self.scaler.fit_transform(X)
self.model.fit(X_scaled, y)
self.egitildi_mi = True
def tahmin(self, X):
if not self.egitildi_mi:
return None
X_scaled = self.scaler.transform(X)
return self.model.predict(X_scaled)
def dummy_veri_olustur(self, n=1000):
"""Eğitim için dummy veri seti oluştur."""
np.random.seed(42)
Özellikler: sıcaklık, yağış, nem, N_gübre, P_gübre, K_gübre, sulama_sayisi
X = np.random.rand(n, 7) * np.array([30, 500, 100, 200, 150, 250, 10])
Verim (ton/dekar) - basit doğrusal ilişki + gürültü
y = (X[:,0]*0.1 + X[:,1]*0.01 + X[:,2]*0.2 + X[:,3]*0.5 + X[:,4]*0.3 + X[:,5]*0.4 + X[:,6]*0.8) / 100 + np.random.randn(n)*0.5
y = np.clip(y, 2, 15)
return X, y
-------------------------------------------------
DEPO YÖNETİM SİMÜLATÖRÜ (IoT Kontrollü)
-------------------------------------------------
class DepoKontrol:
"""
Patates veya şeker pancarı deposu için sıcaklık ve nem kontrolü.
Sensör verilerine göre fan/soğutucu çalıştırma kararı.
"""
def __init__(self, urun_param, baslangic_sicaklik=4, baslangic_nem=85):
self.urun = urun_param
self.hedef_sicaklik_araligi = urun_param['depo_sicaklik_C']
self.hedef_nem_araligi = urun_param['depo_nem_yuzde']
self.sicaklik = baslangic_sicaklik
self.nem = baslangic_nem
self.kayit = []
def simule_et(self, saat=1):
"""Depo koşullarını simüle et (saatlik değişim)."""
Dış ortam etkisi, kapı açılma vb. simüle
self.sicaklik += random.uniform(-0.5, 0.5)
self.nem += random.uniform(-2, 2)
Sınırlar içinde tut
self.sicaklik = np.clip(self.sicaklik, 0, 10)
self.nem = np.clip(self.nem, 70, 95)
Kontrol kararları
fan_calissin = False
sogutucu_calissin = False
if self.sicaklik > self.hedef_sicaklik_araligi[1]:
sogutucu_calissin = True
self.sicaklik -= 0.2
elif self.sicaklik < self.hedef_sicaklik_araligi[0]:
Isıtıcı gerekebilir, burada pas
pass
if self.nem > self.hedef_nem_araligi[1]:
fan_calissin = True # nem alıcı
self.nem -= 0.5
elif self.nem < self.hedef_nem_araligi[0]:
nemlendirici
self.nem += 0.5
durum = {
'zaman': datetime.now().strftime('%Y-%m-%d %H:%M:%S'),
'sicaklik': round(self.sicaklik,1),
'nem': round(self.nem,1),
'fan': fan_calissin,
'sogutucu': sogutucu_calissin
}
self.kayit.append(durum)
return durum
-------------------------------------------------
ANA SİSTEM SINIFI (Tüm Modülleri Birleştirir)
-------------------------------------------------
class TarimYonetimSistemi:
"""
Ana karar destek sistemi. Tüm modülleri entegre eder.
Gerçek zamanlı veya simülasyon modunda çalışabilir.
"""
def __init__(self, urun_adi, baslangic_tarihi=None):
if urun_adi.lower() == 'patates':
self.urun = UrunParametreleri.PATATES
elif urun_adi.lower() == 'sekerpancari' or urun_adi.lower() == 'şeker pancarı':
self.urun = UrunParametreleri.SEKER_PANCARI
else:
raise ValueError("Desteklenen ürünler: 'patates', 'şeker pancarı'")
self.urun_adi = self.urun['isim']
self.baslangic_tarihi = baslangic_tarihi if baslangic_tarihi else datetime.now()
Modülleri başlat
self.sensor = SensorSimulator(self.urun_adi, self.baslangic_tarihi)
self.gubre_sistemi = GubreOnermeSistemi(self.urun)
self.sulama_plani = SulamaPlani(self.urun)
self.hastalik_uyari = HastalikUyari(self.urun)
self.depo = DepoKontrol(self.urun)
self.verim_tahmin = VerimTahmini()
Yapay zeka modelleri
self.cnn_model = HastalikTespitCNN()
if TF_AVAILABLE:
Örnek eğitim (dummy veri ile)
X, y = self.cnn_model.dummy_veri_olustur(200)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
self.cnn_model.egit(X_train, y_train, X_test, y_test, epochs=2) # hızlı deneme
else:
print("CNN modeli devre dışı.")
Verim tahmini modelini eğit (dummy veri)
X_verim, y_verim = self.verim_tahmin.dummy_veri_olustur(1000)
self.verim_tahmin.egit(X_verim, y_verim)
Durum değişkenleri
self.ekim_tarihi = None
self.hasat_tarihi = None
self.bakim_kayitlari = []
def ekim_yap(self, tarih=None, derinlik_cm=None, sira_arasi_cm=None, sira_uzeri_cm=None):
"""Ekim işlemini kaydet."""
self.ekim_tarihi = tarih if tarih else datetime.now()
ekim_bilgi = {
'tarih': self.ekim_tarihi.strftime('%Y-%m-%d'),
'derinlik_cm': derinlik_cm if derinlik_cm else random.choice(range(*self.urun['ekim_derinligi_cm'])),
'sira_arasi_cm': sira_arasi_cm if sira_arasi_cm else self.urun['sira_arasi_cm'] if isinstance(self.urun['sira_arasi_cm'], int) else random.randint(*self.urun['sira_arasi_cm']),
'sira_uzeri_cm': sira_uzeri_cm if sira_uzeri_cm else random.randint(*self.urun['sira_uzeri_cm'])
}
self.bakim_kayitlari.append(('ekim', ekim_bilgi))
print(f"Ekim yapıldı: {ekim_bilgi}")
return ekim_bilgi
def bakim_yap(self, islem_turu, detay):
"""Bakım işlemini kaydet (çapalama, gübreleme, ilaçlama vb.)."""
kayit = {
'zaman': datetime.now().strftime('%Y-%m-%d %H:%M:%S'),
'islem': islem_turu,
'detay': detay
}
self.bakim_kayitlari.append(kayit)
print(f"Bakım yapıldı: {islem_turu} - {detay}")
def sensor_verisi_al(self, saat=1):
"""Belirtilen saat kadar sensör verisi topla."""
veriler = self.sensor.toplu_oku(saat)
return veriler
def gunluk_rapor(self):
"""Günlük durum raporu oluştur."""
son_sensor = self.sensor.sensor_verileri[-1] if self.sensor.sensor_verileri else None
if not son_sensor:
print("Sensör verisi yok.")
return
print("\n" + "="*50)
print(f"GÜNLÜK DURUM RAPORU - {son_sensor['zaman']}")
print("="*50)
print(f"Ürün: {self.urun_adi}")
print(f"Toprak Nemi: %{son_sensor['toprak_nemi']:.1f}")
print(f"Hava Sıcaklığı: {son_sensor['hava_sicakligi']:.1f}°C")
print(f"Hava Nemi: %{son_sensor['hava_nemi']:.1f}")
Sulama kararı
hasada_kalan = 30 # örnek, gerçekte hesaplanmalı
sulama_gerek, sulama_nedeni = self.sulama_plani.sulama_gerekli_mi(son_sensor, hasada_kalan)
print(f"Sulama: {'GEREKLİ' if sulama_gerek else 'GEREK YOK'} ({sulama_nedeni})")
if sulama_gerek:
miktar = self.sulama_plani.ne_kadar_sula(son_sensor, alan_m2=1000)
print(f"Önerilen sulama miktarı: {miktar} mm (1000 m² için {miktar*1000} litre)")
Hastalık riski
son_7_gun = {'yagis_mm': 10} # simüle
riskler = self.hastalik_uyari.degerlendir(son_sensor, son_7_gun)
if riskler:
print("Hastalık/Zararlı Riskleri:")
for hastalik, seviye in riskler:
print(f" - {hastalik}: {seviye} risk")
else:
print("Hastalık/Zararlı riski yok.")
Gübre önerisi (toprak analizi yapılmış varsayalım)
toprak_veri = pd.DataFrame({
'N': [random.uniform(50, 150)],
'P': [random.uniform(30, 80)],
'K': [random.uniform(100, 200)],
'pH': [son_sensor['toprak_ph']],
'organik_madde': [random.uniform(1, 4)]
})
gubre_onerisi = self.gubre_sistemi.analiz_et(toprak_veri)
print("Gübre Önerisi (kg/da):")
for k, v in gubre_onerisi.items():
if v > 0:
print(f" {k}: {v}")
Depo durumu (örnek)
depo_durum = self.depo.simule_et()
print(f"Depo Sıcaklık: {depo_durum['sicaklik']}°C, Nem: %{depo_durum['nem']}")
print("="*50)
def goruntu_ile_hastalik_tespit(self, goruntu=None):
"""
Kameradan/drone'dan gelen görüntü ile hastalık tespiti.
Görüntü yoksa dummy görüntü kullan.
"""
if not CV2_AVAILABLE:
print("OpenCV olmadığından görüntü işleme yapılamaz.")
return
if goruntu is None:
dummy görüntü oluştur
goruntu = np.random.randint(0,255, (128,128,3), dtype=np.uint8)
Boyutlandır ve normalize et
goruntu = cv2.resize(goruntu, (128,128))
goruntu_norm = goruntu.astype('float32') / 255.0
sinif, guven = self.cnn_model.tahmin(goruntu_norm)
print(f"Hastalık Tespiti: {sinif} (%{guven*100:.2f} güven)")
Görselleştir
plt.imshow(goruntu)
plt.title(f"Hastalık: {sinif}\nGüven: %{guven*100:.2f}")
plt.axis('off')
plt.show()
return sinif, guven
def verim_tahmini_yap(self, ozellikler=None):
"""Verim tahmini yap."""
if ozellikler is None:
Örnek özellikler (ortalama değerler)
ozellikler = np.array([[20, 300, 70, 120, 80, 180, 5]]) # sıcaklık, yağış, nem, N, P, K, sulama
tahmin = self.verim_tahmin.tahmin(ozellikler)
print(f"Beklenen verim: {tahmin[0]:.2f} ton/dekar")
return tahmin[0]
def hasat_zamani_geldi_mi(self, bugun):
"""Basit kontrol: ekimden itibaren geçen gün sayısına göre."""
if not self.ekim_tarihi:
return False
gecen_gun = (bugun - self.ekim_tarihi).days
if self.urun_adi == 'Patates' and gecen_gun > 90: # örnek 90-120 gün
return True
elif self.urun_adi == 'Şeker Pancarı' and gecen_gun > 160: # 160-200 gün
return True
return False
-------------------------------------------------
ÖRNEK KULLANIM SENARYOSU
-------------------------------------------------
if __name__ == "__main__":
print("===== TARIMSAL KARAR DESTEK SİSTEMİ (TDSS) =====")
print("Patates üretimi simülasyonu başlatılıyor...\n")
Sistemi başlat
tarla = TarimYonetimSistemi('patates', baslangic_tarihi=datetime(2025, 4, 1))
Ekim yap
tarla.ekim_yap(tarih=datetime(2025, 4, 10), derinlik_cm=15, sira_arasi_cm=70, sira_uzeri_cm=30)
Birkaç gün simüle et (günlük raporlar)
for gun in range(1, 6):
print(f"\n--- Gün {gun} ---")
Her gün 24 saatlik sensör verisi topla (ama biz günlük rapor için son veriyi alalım)
tarla.sensor_verisi_al(24) # 24 saat veri topla
tarla.gunluk_rapor()
Her gün bir bakım işlemi simüle et (örnek)
if gun == 2:
tarla.bakim_yap('çapalama', 'yüzeysel çapalama, 3-4 yapraklı dönem')
if gun == 3:
tarla.bakim_yap('gübreleme', 'üst gübre: amonyum nitrat 15 kg/da')
Görüntü ile hastalık tespiti (dummy)
if CV2_AVAILABLE and TF_AVAILABLE:
tarla.goruntu_ile_hastalik_tespit()
Verim tahmini
tarla.verim_tahmini_yap()
Depo durumu (başlangıç)
depo_durum = tarla.depo.simule_et()
print(f"\nDepo ilk durum: {depo_durum}")
Hasat zamanı kontrolü
bugun = datetime(2025, 7, 15)
if tarla.hasat_zamani_geldi_mi(bugun):
print("Hasat zamanı geldi!")
else:
print("Hasat için henüz erken.")
print("\n===== SİMÜLASYON TAMAMLANDI =====")
- Sürdürülebilir Tarım ve Çevre Boyutu
Nişasta ve şeker bitkilerinin yoğun tarımsal üretimi; toprak erozyonu, su tüketimi, azot kayıpları ve pestisit kirliliği gibi çevre sorunlarını beraberinde getirebilmektedir. Sürdürülebilir tarım yaklaşımı bu sorunları çözmek için çeşitli stratejiler önermektedir:
Ekim nöbeti: Patates tarımında en az 3–4 yıllık ekim nöbeti uygulanması hem toprak yorgunluğunu gidermekte hem de toprak kökenli patojenlerin populasyon yoğunluğunu azaltmaktadır. Şeker pancarı ile tahıl ekim nöbeti, özellikle rhizomania baskısını kontrol altında tutmaktadır.
Hassas tarım: Değişken oranlı uygulama sayesinde kimyasal gübre ve pestisit kullanımının ortalama %15–30 oranında azaltılabileceği raporlanmaktadır (Gebbers ve Adamchuk, 2010). Bu hem çiftçinin üretim maliyetini düşürmekte hem de ekosisteme verilen yükü hafifletmektedir.
Biyolojik mücadele: Bacillus subtilis, Trichoderma harzianum gibi antagonist mikroorganizmaların biyopestisit olarak kullanımı, sentetik fungisitlerin bir kısmının yerini alabilmekte ve ilaç direnç riskini azaltmaktadır.
Toprak organik maddesi yönetimi: Çiftlik gübresi, yeşil gübre ve komposta dayalı toprak organik maddesi artışı; hem su tutma kapasitesini iyileştirmekte hem de mikrobiyal çeşitliliği zenginleştirmektedir (Lal, 2004). - Sonuç ve Öneriler
Nişasta ve şeker bitkileri, dünya ve Türkiye tarım ekonomisinde tartışmasız stratejik bir konuma sahiptir. Bu bitkilerin verimli ve kaliteli üretimi; botanik özelliklerin, toprak-iklim koşullarının ve yetiştiricilik tekniklerinin doğru biçimde uygulanmasına bağlıdır. Ancak geleneksel tarımın tek başına karşılayamadığı zorluklar karşısında yapay zeka, makine öğrenmesi, IoT, biyoteknoloji ve hassas tarım teknolojilerinin entegrasyonu kaçınılmaz bir gereklilik haline gelmiştir.
Bu çerçevede aşağıdaki öneriler sunulmaktadır:
Üretici eğitimine yatırım artırılmalı; toprak analizi ve entegre mücadele konularında uygulamalı teknik destek yaygınlaştırılmalıdır. IoT tabanlı sulama otomasyonu ve depo yönetim sistemlerinin yaygınlaşması için düşük faizli kredi ve teşvik mekanizmaları hayata geçirilmelidir. Drone ve uzaktan algılama altyapısı kooperatifler aracılığıyla küçük işletmelerin de erişebileceği modellere dönüştürülmelidir. Biyoteknolojik çeşit geliştirme çalışmaları yerli araştırma kurumları tarafından güçlendirilmeli; özellikle rhizomania ve mildiyöye dayanıklı çeşitlerin ıslahı önceliklendirilmelidir. Dijital tarım platformları ile çiftçilerin üretim verilerini paylaşabileceği ve karar destek sistemlerinden yararlanabileceği ulusal ölçekte entegre bir ekosistem oluşturulmalıdır.
Tarım ve teknolojinin bu bütüncül buluşması; hem Türkiye'nin kırsal kalkınma hedeflerine hem de küresel gıda güvenliğine anlamlı katkılar sunacaktır.
Kaynakça
- Ajagekar, A. ve You, F. (2022). Quantum computing and quantum artificial intelligence for renewable and sustainable energy: A emerging prospect towards climate neutrality. Renewable and Sustainable Energy Reviews, 165, 112493. https://doi.org/10.1016/j.rser.2022.112493
- Alyokhin, A., Baker, M., Mota-Sanchez, D., Dively, G. ve Grafius, E. (2008). Colorado potato beetle resistance to insecticides. American Journal of Potato Research, 85(6), 395–413.
- Berni, J. A. J., Zarco-Tejada, P. J., Suárez, L. ve Fereres, E. (2009). Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing, 47(3), 722–738.
- Bock, C. H., Poole, G. H., Parker, P. E. ve Gottwald, T. R. (2010). Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Critical Reviews in Plant Sciences, 29(2), 59–107.
- Burton, W. G. (1989). The Potato (3. baskı). Longman Scientific & Technical.
- Doorenbos, J. ve Pruitt, W. O. (1977). Guidelines for Predicting Crop Water Requirements. FAO Irrigation and Drainage Paper 24. Food and Agriculture Organization.
- Draycott, A. P. (Ed.) (2006). Sugar Beet. Blackwell Publishing.
- Draycott, A. P. ve Christenson, D. R. (2003). Nutrients for Sugar Beet Production: Soil-Plant Relationships. CAB International.
- EPPO (2021). Synchytrium endobioticum. EPPO Global Database. https://gd.eppo.int/taxon/SYNCEN
- Ewing, E. E. ve Struik, P. C. (1992). Tuber formation in potato: Induction, initiation, and growth. Horticultural Reviews, 14, 89–197.
- FAO (2023). The State of Food Security and Nutrition in the World 2023. Food and Agriculture Organization of the United Nations.
- FAOSTAT (2023). Crops and livestock products — Potatoes, world production 2022. https://www.fao.org/faostat
- Fereres, E. ve Soriano, M. A. (2007). Deficit irrigation for reducing agricultural water use. Journal of Experimental Botany, 58(2), 147–159.
- Flipse, E., Suurs, L., Keetels, C. J. A. M., Kossmann, J., Jacobsen, E. ve Visser, R. G. F. (1996). Introduction of sense and antisense cDNA for branching enzyme in the amylose‐free potato mutant leads to physico‐chemical changes in the starch. Planta, 198(3), 340–347.
- Fry, W. (2008). Phytophthora infestans: The plant (and R gene) destroyer. Molecular Plant Pathology, 9(3), 385–402.
- Gebbers, R. ve Adamchuk, V. I. (2010). Precision agriculture and food security. Science, 327(5967), 828–831.
- Haase, T. ve Bogena, H. R. (2009). Nitrogen management effects on potato yield and quality. Journal of Agronomy and Crop Science, 195(1), 1–11.
- Harris, P. M. (Ed.) (1992). The Potato Crop: The Scientific Basis for Improvement (2. baskı). Chapman & Hall.
- Hawkes, J. G. (1990). The Potato: Evolution, Biodiversity and Genetic Resources. Belhaven Press.
- International Sugar Organization (ISO) (2022). Sugar Year Book 2022.ISO London.
- Kamilaris, A. ve Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147, 70–90.
- Katerji, N., Mastrorilli, M., van Hoorn, J. W., Lahmer, F. Z., Hamdy, A. ve Oweis, T. (2008). Durum wheat and barley productivity in saline–drought environments. European Journal of Agronomy, 28(4), 519–528.
- Lal, R. (2004). Soil carbon sequestration impacts on global climate change and food security. Science, 304(5677), 1623–1627.
- Levy, D. ve Veilleux, R. E. (2007). Adaptation of potato to high temperatures and salinity — a review. American Journal of Potato Research, 84(6), 487–506.
- Lottes, P., Khanna, R., Pfeifer, J., Siegwart, R. ve Stachniss, C. (2017). UAV-based crop and weed classification for smart farming. IEEE International Conference on Robotics and Automation (ICRA), 3024–3031.
- Milford, G. F. J. (2006). Plant structure and crop physiology. İçinde A. P. Draycott (Ed.), Sugar Beet (ss. 30–49). Blackwell Publishing.
- Mohanty, S. P., Hughes, D. P. ve Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419.
- PAN-KOB (Pancar Ekicileri Kooperatifleri Birliği) (2022). Şeker Pancarı Tarımı Teknik Rehberi. Ankara.
- Richards, K. ve Tamada, T. (1992). Mapping and functionally differentiating the components of the beet necrotic yellow vein virus genome. Annual Review of Phytopathology, 30(1), 291–313.
- Richael, C. M., Kalyaeva, M., Chretien, S. ve Rommens, C. M. (2018). Potato transformation. Methods in Molecular Biology, 343, 261–273.
- Ruppel, E. G. (1986). Cercospora Leaf Spot of Sugar Beet. APS Press.
- Spooner, D. M., Ghislain, M., Simon, R., Jansky, S. H. ve Gavrilenko, T. (2014). Systematics, diversity, genetics, and evolution of wild and cultivated potatoes. Botanical Journal of the Linnean Society, 176(1), 4–32.
- Struik, P. C. ve Wiersema, S. G. (1999). Seed Potato Technology. Wageningen Pers.
- Tarım ve Orman Bakanlığı (2022). Sertifikalı Tohum Kullanımının Yaygınlaştırılması Programı. Ankara: Tarımsal Araştırmalar ve Politikalar Genel Müdürlüğü.
- TÜİK (2023). Bitkisel Üretim İstatistikleri 2022. Türkiye İstatistik Kurumu. https://www.tuik.gov.tr
- TÜRKŞEKER (Türkiye Şeker Fabrikaları A.Ş.) (2023). Pancar Ekimi ve Bakımı Teknik Broşürü. Ankara.
- Türkiye Patates Araştırma İstasyonu (2021). Patates Yetiştiriciliği ve Islah Çalışmaları Yıllık Raporu. Niğde.
- Van Klompenburg, T., Kassahun, A. ve Catal, C. (2020). Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177, 105709.
- Wolfert, S., Ge, L., Verdouw, C. ve Bogaardt, M. J. (2017). Big data in smart farming — A review. Agricultural Systems, 153, 69–80.
