Gıda Güvencesi, Gıda Güvenliği ve Çevre İçin Tarımsal Üretimde Yapay Zekâ Uygulamaları

Sinem ÖZDEMİR DURMUŞLAR
Uzman
Yenilik ve Girişimcilik Politikaları Birimi
sinem.durmuslar@izka.org.tr

Tarım sektörünün küresel gayri safi yurt içi hasıla payı diğer sektörlerden düşük olsa da hem dünya nüfusunun varlığı ve devamı hem de doğal kaynaklar ve çevre üzerindeki olumsuz etkileri açısından önemi tartışılmazdır. Tarım, yoksulluğun sona ermesi, refahın adil dağılımı ve artan gıda ihtiyacının karşılanmasında en önemli araçtır. 2050 yılında Dünya nüfusunun 9.8 milyara ulaşması beklenirken nüfusun %70’nin kentlerde yaşayacağı ve küresel gıda talebinin %50, hayvansal gıda talebinin ise %70 artacağı öngörülüyor. (WRI, 2018). Ancak mevcut gıda sistemi bu ihtiyacı karşılamada yetersiz kalmanın yanında hem dünya hem de insan sağlığı için bir tehdit oluşturuyor. Dünyadaki temiz su kaynaklarının %70’i tarımsal faaliyetlerde kullanılırken üretim aşamasında uygulanan sentetik kimyasallar su kaynaklarını kirletiyor, gıdalardaki kalıntılar insan sağlığı için büyük bir tehdit oluşturuyor. Gıda üretimine ilişkin çevresel etkilerin önemi ve büyüklüğü şekil-1’de yer almaktadır.   Dünya nüfusunun %8.9 u açlık yaşıyorken mevcut tarımsal sistemde çok büyük bedeller ile elde edilen ürünlerin üçte biri kaybediliyor.

Şekil-1: Gıda ve Tarımın Çevresel Etkileri( Our World In Data)

Tarımsal faaliyetler, bilim ve teknolojideki gelişmeler doğrultusunda geçmişten günümüze sürekli bir değişim içerisindedir. 2005 yılında büyük veri teriminin bilimsel literatüre girmesi, veri depolama ve işleme süreçlerinde yaşanan gelişmeler ile birlikte büyük veri, ekonomik ve sosyal hayatı pek çok alanda yeniden şekillendirmeye başladı.  Bu küresel değişimde tarım sektörü de yer aldı ve büyük veri tarım sektöründe bir üretim faktörü haline geldi. Önceki dönemlerde de veri, tarımsal girdiler ve çıktılar arasındaki ilişkinin belirlenebilmesi ve uygun politikaların geliştirilebilmesi için önemli bir bilgi kaynağı olarak görülüyordu ancak verinin toplanması ve analiz edilerek bilgiye ulaşılmasında kullanılan yöntemler karmaşık problemlere çözüm sağlamada ve çeşitli faktörler arasındaki ilişkileri modellemede yetersiz kalıyordu (Lioutasa ve Charatsaric, 2020).

Günümüzde makine öğrenmesi, doğal dil işleme, bilgisayarla görüyü kapsayan yapay zekâ uygulamaları, gıda-tarım iş modellerine entegre olmaya başladı. Uydu görüntüleri, uzaktan algılama sistemleri ve diğer donanım maliyetlerinin azalması yapay zekâ uygulamalarının tarım teknolojilerinde kullanımını daha ekonomik hale getirdi (IFC, 2020).  Tarımsal ekosistemlerin anlaşılabilmesi için çeşitli fiziksel özellikler ve durumlar süreli olarak görüntüleniyor, ölçülüyor ve verilerin ilişkisi ile bu ilişkilerden doğan sonuçlara yönelik analizler gerçekleştiriliyor. Araştırmalar yapay zekâ uygulamalarının tarımsal üretime entegrasyonu sayesinde sürdürülebilir kalkınma açısından önemli kazanımlar sağladığını gösteriyor. Çevresel etkilerin azaltılması, doğal kaynakların daha verimli kullanılması, verimlilik ve gelir artışı bu kazanımlar arasında yer alıyor.

Konstantinos G. Liakos ve arkadaşlarının 2018 yılında yayınladıkları makalede makine öğrenmesinin tarım sektöründe kullanımına ilişkin 40 akademik yayını inceleyerek yaptıkları sınıflandırmada uygulamalar ürün yönetimi, hayvancılık yönetimi, su yönetimi ve toprak yönetimi olmak üzere dört başlık altında ele alınıyor.

Ürün yönetimine yönelik uygulamalarda veriminin tahmin edilebilmesi, bitki hastalıkları, yabancı otlar, ürün kalitesi ile bitki türünün tespitine yönelik çalışmalar yer alıyor.  Makalede yer verildiği üzere, tarımda zirai hastalık ve zararlılarla mücadele için kullanılan pestisitlerin toprak ve su kaynaklarının kirlenmesi, biyoçeşitliliğin azalması, ekosistem hizmetlerinin1 zayıflaması, tarım ürünlerindeki kalıntılar nedeniyle gıda güvenliğinin sağlanamaması gibi olumsuz etkileri çok büyüktür.  Bu noktada kullanılan makine öğrenmesi, pestisitlerin yer ve zaman hedefli olarak kullanılmasını sağlıyor. Zirai hastalık ve zararlıların görüntü işleme sistemleri ile tespit ve ayırt edilmesini sağlayan uygulamalar, üretim alanında pestisit kullanılacak hedef alanın doğru olarak belirlenmesini mümkün kılarak pestisit kullanımını azaltıyor.

Yabancı otların doğru olarak tespitinde sensörlerle birlikte devreye giren makine öğrenme algoritmaları, doğru ve erken tespit sayesinde çevre etkisini azaltıyor.  İncelenen yayınlarda ışık spektrumları, doku tabakaları ve kamera görüntüleri gibi özellikler kullanılan makine algoritmaları sayesinde %98’e varan doğruluk oranları ile tespitlerin yapılabildiği belirtiliyor. Bir sonraki aşamada, tespit edilen yabancı ot ve hasta bitkileri yok eden robot ve araçların geliştirilmesi sayesinde mücadelenin pestisit kullanılmadan yapılması hedefleniyor.  Ürün kalitesi ile ilgili yapay zekâ uygulamalarında ise, temel yaklaşım ürün kalitesi ile ilişkili olan özelliklerin belirlenmesidir. Özelliklerin doğru olarak belirlenmesi ve sınıflandırılması hem ürün fiyatını olumu yönde etkiliyor hem de ürün israfını azaltıyor.

Hayvancılık yönetiminde kullanılan yapay zekâ uygulamalarında hayvan sağlığı ve üretim sürecine odaklanıldığı görülüyor. Hayvan davranışlarının gözlenmesine yönelik makine öğrenme yöntemleriyle hastalıkların erken aşamada belirlenmesi, beslenme şekillerinin hayvansal ürün verim ve kalitesine etkisinin tespiti sayesinde üretimi optimize edilmesini sağlayan uygulamalar bulunuyor.

Su ve toprak yönetimine yönelik yapay zekâ uygulamaları çevresel sürdürülebilirlik ve verimlilik açısından çok önemli olup kısıtlı su kaynaklarının verimlilik artışını da sağlayacak şekilde yönetimi oldukça zordur. Örneğin buharlaşma yoluyla su kaybı çok karmaşık bir süreçtir ve bitkinin su ihtiyacını miktar ve zaman açısında doğru tespit edebilmek adına çok önemlidir.  Bu kapsamda geliştirilen bir yapay zekâ uygulamasında 1951- 2010 yıllarına ilişkin 44 meteoroloji istasyonu verisi kullanılarak kurak ve yarı kurak iki iklimde aylık ortalama buharlaşma miktarı tahmin edilmiş. Toprak yönetimi kapsamında geliştirilen yapay zekâ uygulamalarında ise, toprağın durumu, sertliği, sıcaklığı ve nemi gibi özelliklerinin tahmin edilmesi hedefleniyor. Toprağın özelliklerine göre yapılan üretimde, girdiler optimize edilerek tarımın çevreye etkisi azaltılırken verim artışı sağlanıyor(Liakos ve diğerleri, 2018).

IFC tarafından yayınlanan “Tarım İşletmelerinde Yapay Zekâ Kullanımı Yükselen Pazarda Büyüyor” başlıklı yazıda günümüz gıda tarım iş modellerini dönüştürmekte olan yapay zekâ platformlarına yer veriliyor. Platformların işlevleri karar desteği, pazaryeri, lojistik ve altyapı, finansal hizmetler, hayvancılık çözümleri ve robotik ve malzeme olmak üzere yedi başlık altında toplanıyor. Platformlar bu işlevler kapsamında ekonomik, sosyal ve çevresel sürdürülebilirliğe çeşitli katkılar sağlıyor.   Örneğin pazaryeri işleviyle faaliyet gösteren,  Afrika’daki meyve ve sebze pazarındaki alıcı ve satıcıları eşleştirerek pazar aktörlerini bir araya getiren Twiga Foods isimli platform, küçük çiftçilerin alıcılara direk olarak ulaşmasını sağlıyor.   Çiftçiler için bu platform ürünlerin talep ekonomisi ile uyumlu olarak fiyatlandırıldığı, gelir artışı sağlayan şeffaf ve mobil bir pazar oluştururken, alıcılar açısından yüksek kalitede ürüne ulaşabilme avantajı sağlıyor. Platformun en çarpıcı katkısı ise, ürünlerin direkt satıcıya ulaşması sayesinde hasat sonrası ürün kayıplarını %30 oranlarından %5’e düşürüyor olması. Agrosmart isimli firma tarafından oluşturulan bir diğer platformda ise, sahadaki milyonlarca veri noktasından ve uydudan alınan veri makine öğrenimi ile konsolide edilerek hava tahmini, sulama önerisi, toprak koşulları gibi bilgileri sunarak çiftçilerin üretim performanslarını geliştiriyor, çevre etkilerini azaltıyor ve tüm gıda tarım değer zincirini destekliyor. Platformun işleyişi şekil-2’de yer almaktadır.

 

Şekil-2 Yapay Zekâ Destekli Platformun İşleyişi (Agrosmart)

Yapay zekânın tarım-gıda tedarik zincirine adaptasyonuna yönelik bilimsel araştırmalar ve kullanılmakta olan platformlar, bu uygulamaların sürdürülebilirlik açısından umut verici olduğunu gösteriyor. Ancak mevcut gıda tarım sisteminde yaşanan sorunların büyüklüğü düşünüldüğünde, daha etkin çözümlerin geliştirilmesi ihtiyacı devam ediyor.

Kaynakça

  • World Resource Institute, 2018, Creating a Sustainable Food Future
  • Lioutasa, E. D., Charatsaric, C.(2020), Big data in agriculture: Does the new oil lead to sustainability?, Geoforum 109, 1-3
  • International Finance Coorporation (2020), Artificial Intelligence in Agribusiness is Growing in Emerging Markets
  • Liakos, K.G., Busato, P., Moshou, D., Pearson, S., Bochtis,D. (2018), Machine Learning in Agriculture: A Review, Sensors 18, 2674.
  • Niesenbaum, R.A. (2019), The Integration of Conservation, Biodiversity and Sustainability, Sustainability,  2019, 11, 4676

Dipnot:

  1. Ekosistemlerde yer alan canlı ve cansız unsurlar arasındaki güçlü ilişki ve etkileşim ekosistem hizmetleri olarak adlandırılmaktadır. Enerji kaynakları, gıda, su, ilaç gibi malzemelerin sağlanmasından çeşitli döngüler ile hava ve suyun temizlenmesine kadar dolaylı ya da direk olarak fayda sağladığımız pek çok hizmeti kapsamaktadır(Niesenbaum ve diğerleri, 2019)