Bu makalemde, sağlıklı yaşam için gıda güvencesi, gıda güvencesi için etkin tarımsal üretim, etkin tarımsal üretim için de toprak veriminin yapay zekâ ve blok zinciri ortak teknolojik kullanımında nasıl sağlanabileceğini örnek bir kavram kanıtı uygulaması ile izah etmeye çalışacağım.
Tarımda yadsınamayacak gerçekler
Yeryüzünün doğal arazi örtüsü, ülkelerdeki büyük kentler, nüfus artışı ve göç nedeniyle dinamik bir kentleşme sürecine maruz kalmıştır. Bununla beraber geleneksel tarım uygulamaları, arazi örtüsü ve kullanımında önemli değişikliklere neden olmaktadır. Bu değişimler ise doğa ekosistemi üzerinde olumsuz etki yaratmaktadır.
“Dünyamızın üçte biri çölleşmenin etkisi altındadır. Dünyada her yıl 12 milyon hektar verimli alan yanlış kullanma sebebiyle insan eliyle oluşturulmuş çöller haline gelmektedir.” [1]
Ne yazık ki doğal arazi örtüsünün kentleşme ve geleneksel tarım uygulamaları ile verimsiz kullanımı, iklim krizini tetiklediği yadsınamaz bir gerçek haline gelmiştir.
Birleşmiş Milletler Dünya Meteoroloji Örgütü ve Birleşmiş Milletler Çevre Programı tarafından insan faaliyetlerinin neden olduğu iklim değişikliğinin etkilerini değerlendirmek üzere kurulan Hükümetlerarası İklim Değişikliği Paneli (IPCC – Intergovernmental Panel on Climate Change) iklim değişikliğinin bilimsel temelleri, etkileri ve gelecekteki riskleri ile uyum ve azaltım seçeneklerine ilişkin; İklim Değişikliği 2022: Etkiler, Adaptasyon ve Kırılganlık adlı 6’ncı değerlendirme raporunu (3068 sayfa) yayınladı.
IPCC raporuna göre; “ortaya çıkan sıcaklık artışı gıda üretimini, su kaynaklarını, insan sağlığını, kıyı yerleşimlerini, ulusal ekonomileri ve doğal dünyanın çoğunun hayatta kalmasını tehdit edecek.”
Peki neler yapabiliriz?
Anlaşılan, iklim değişikliğine uyum faaliyetlerini dikkate almamız gerekiyor.
Rapora göre bazı uyum fırsatları şunlar; tarımda su yönetimi, çiftliklerin çeşitlendirilmesi, doğal ormanların eski haline getirilmesi, yerli halkların haklarının tanınması, hem biyolojik çeşitliliğin hem de insanların korunması için ekosistemlerin restore edilmesi.
Uyum faaliyetlerinin, eşitlik ve adalete öncelik verildiğinde daha etkili olacağının da altı çizilmiş.
“Hakkaniyet, sosyal adalet ve iklim adaleti temelinde, insanların ve doğanın iklim değişikliğinin etkileriyle sürdürülebilir bir şekilde başa çıkmasına olanak verecek şekilde kalkınmanın koşullarını yaratır.” [2]
Peki, iklim değişikliğinin Türkiye yansımaları nedir?
Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü raporlarına göre Türkiye çölleşme ve kuraklıktan en fazla etkilenen ülkeler arasında yer almaktadır.
“Türkiye’de çölleşme sahalarının oluşumunda; toprak erozyonu özellikle, yarı kurak iklim şartlarının etkili olduğu alanlarda hatalı arazi kullanımı ve hatalı tarım uygulamaları, yanlış sulama teknikleri sonucu tuzlanma, bitkilerin yetişmesini engelleyen tuzlu, jipsli ve aşırı alkali reaksiyon gösteren ana materyaller, ormansızlaşma, aşırı otlatma ve üst toprağın kirlenmesi sayılabilir. Fakat asıl sebep, her geçen gün çoğalan nüfusun tabii kaynaklara gittikçe artan talebi ve baskısıdır.” [1]
Türkiye açısından erozyonun sebeplerini incelediğimizde insan faktörü ön plana çıkmaktadır.
İklim değişikliğinin, uluslararası tedarik zincirlerinde, piyasalarda, finans sektöründe ve ticarette yarattığı olumsuz etki, Türkiye’de tarım ürünlerine erişimin kısıtlanmasına, fiyatların artmasına ve Türkiye’nin ihracat piyasasına zarar vermesine neden olabilecektir.
Dolayısıyla tarımsal verimde düşüşler, tedarik zinciri kırılmaları, gıda fiyatlarındaki artış gibi iklim değişikliği kaynaklı ekonomik şoklar yaşamamız olasıdır.
Tarımsal gelişim uyum faaliyetlerinde yapay zeka & blok zinciri kullanımı
İklim değişikliği ile gelen kuraklık ve çölleşme, hızla artan nüfus karşısında endüstriyel gıda & hayvancılıkla oluşan gıda ve çevre kirlenmesine ve geleneksel tarım uygulamalarıyla büyüyen toprak erozyonuna karşı yapay zekâ & blok zinciri teknolojileri bize etkin kullanım alanları sunabilir.
Geleneksel tarım uygulamaları artık yerini, doğal arazi örtüsü ekosistemine önem veren ve gıda güvenliğini ön planda tutan İyi Tarım Uygulamalarına (GAP – Good Agricultural Practices) bırakmıştır.
İyi Tarım Uygulamaları FAO tarafından, “tarımsal üretim sisteminin sosyal açıdan yaşanabilir, ekonomik açıdan karlı ve verimli, insan sağlığını koruyan, hayvan sağlık ve refahı ile çevreye önem veren bir hale getirmek için uygulanması gereken işlemler” olarak tanımlanmaktadır. [3]
Sürdürülebilir iyi tarım uygulamalarının hem öncüsü hem de bileşeni saha düzeyinde agronomi yönetimidir. Agronomi, tarımda bitki üretme ve kullanma bilimi ve teknolojisidir.
Yer tabanlı ve uzaktan algılama (remote sensing) teknolojilerindeki ilerlemelerin yardımıyla, tarla düzeyinde agronomi yönetimi, çiftçilerin mahsul üretimini daha verimli bir şekilde yönetmek için tarla boyunca değişen koşulları gözlemlemelerine, ölçmelerine ve bunlara yanıt vermelerini sağlamaktadır.
Coğrafik ve mekânsal verilerin analizini gerektiren geniş ölçekli uygulamalarda önemli avantajlar sağlayan uzaktan algılama teknolojisi ve yüksek çözünürlüklü uydu verilerinin neler içerdiğine kısaca değinelim isterseniz.
Güneşten gelen elektromanyetik enerji bitkilere ulaştığında; enerjinin dalga boyuna ve bitkilerin özelliklerine bağlı olarak yansıtılan, emilen ve iletilen enerji arasındaki etkileşimler uzaktan algılama uyduları ile tespit edilebilir.
Aşağıdaki şekilde görüldüğü üzere; güneş (A), bitkilere (C) elektromanyetik enerji yayar (B). Elektromanyetik enerjinin bir kısmı yapraklardan iletilir. Uydudaki sensör yansıyan enerjiyi (D) tespit eder. Veriler daha sonra yer istasyonuna (E) iletilir. Veriler analiz edilir (F) ve saha haritalarında (G) gösterilir.
Böylelikle uzaktan algılama uydu verilerinden tarımsal vejetasyon endeksleri elde edilir. Vejetasyon endeksleri bitki örtüsündeki değişiklikleri izlememize imkân veren belirli elektromanyetik spektrum bantlarının kombinasyonlarıdır.
Tarımsal verim tahminleri de uydu görüntüleri kullanılarak geliştirildiğinde, temel olarak bitki fenolojisini izleyen, Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NDVI), Genişletilmiş Bitki Örtüsü Endeksi (EVI), Normalleştirilmiş Fark Su İndeksi (NDWI) gibi vejetasyon endeksleri elde edilir. Fenoloji, iklim şartları ve mevsim değişikliklerinin hayvan ve bitkiler üzerindeki etkilerini inceleyen bilim dalıdır.
Her mahsul için benzersiz olan ve tarihi mahsul fenolojisi ile verim verileri arasındaki ilişkiye dayanan mahsul katsayıları daha sonra mevcut mahsul için potansiyel verimi tahmin etmek amacıyla uygulanır.
Uydu verileri, arazideki değişiklikleri sürekli olarak izlemeyi de mümkün kılar. Ayrıca sürdürülebilir bir tarım için su, toprak ve hava tahmini, kalitesi, analizi gibi kilit kategorilerdeki ihtiyaçları karşılayan yapay zekâ algoritmaları ve mahsul karar haritaları kullanılabilir.
Mahsul karar haritaları, herhangi bir tarımsal izleme sisteminin temel bir katmanıdır ve gıda güvenliğini sağlamak için kritik öneme sahiptir.
Gelin tarımda agronomi yönetimi için yapay zekâ destekli algoritmalar neler olabilir kısaca göz atalım.
- Bitkisel üretim tahmini,
- Ekin hasarı ve durum değerlendirmesi,
- Bitkisel besin eksikliğinin tespiti,
- Ürün verimi modellemesi ve tahmini,
- Zararlılar ve hastalık istilası,
- Dikim/hasat tarihlerinin belirlenmesi,
- Kuraklıkların izlenmesi,
- Hava durumu verilerinin analizi,
- Toprak/Hava nemi tahmini,
- Mahsul durumu ve stres tespiti,
- Mahsul artırma/güçlendirme.
Peki, merkeziyetsiz blok zinciri teknolojileri tarımda hangi kullanım alanlarına uyumlanabilir?
Merkeziyetsiz blok zinciri tarım sektöründe; işlem maliyetlerini düşürme, lojistiği optimize etme, izlenebilirliği artırma, gıda güvenliği protokollerini geliştirme, gelişmiş veri yönetimi yeteneklerinin tedarik zinciri verimlilikleri yaratabileceğini ve işlemlerde sürtünmeyi nasıl azaltabileceğini anlattığım “Merkeziyetsizliğin Olası Teknik Alternatifleri” Uzmancoin makalemde bahsettiğim üzere çoklu-etmenli sistemler (MAS) ile kullanılabilir.
Blok zinciri, tarımsal ürünlerin güvenli üretimi ve tedarik zincirlerinde bilgi yönetimi sorunlarını gerçek zamanlı olarak aşağıdaki temel alanlarda çözecektir.
- Tohumdan gıda ürününe kadar süreçte, gıda kaynağı ve güvenilirliğinin doğrulanması, gıda israfının azaltılması gibi gıda ürünü izlenebilirliği,
- Ürünün hasattan tesise kadar yaşlanma süresi, üretim tesisinin ürünü ne kadar süreli tutabileceği, ürünün tesise giriş/çıkış zamanı arasında değişen hacmi, gıda üretim tesisinin sertifikaları, yetkilendirmeler, lisanslar ve inceleme sonuçları gibi şeffaflık ve sertifikasyon içeren tedarik zinciri verimliliği.
Tarımda yapay zeka & blok zinciri uygulaması kavram kanıtı örneği
Kavram kanıtı örneği olarak, aldığım BİL635–Deep Learning doktora dersinde yaptığım projeden bahsetmek istiyorum.
Daha önce bahsettiğim üzere gelişmekte olan ülkelerde büyük şehirler, nüfus artışı ve göçe bağlı olarak dinamik bir şehirleşme sürecine maruz kalmaktadır. Şehirleşme sürecinin ivmesine bağlı olarak sürekli inşa edilen yerleşim tesisleri, arazi örtüsü ve kullanımında önemli değişikliklere neden olmaktadır.
Bu değişimler genellikle doğal arazi örtüsü ve ekosistem üzerinde negatif etki etmektedir. Dolayısıyla şehirleşmeye bağlı değişimlerin düzenli takibi ve güncel durumun tespiti önem arz etmektedir.
Bu projede söz konusu probleme temel teşkil edecek uydu görüntüleri üzerinde yapay zekâ algoritmalarıyla arazi değişim tahminlemesi yapılmıştır. Projede 2019 yılı Marmaris bölgesi için uzaktan algılama uydu görüntülerine yapay zekâ derin sinir ağları ikili sınıflandırma (Deep Neural Network, Binary-classification) algoritmaları uygulanarak tarım ve yerleşim alanları basit düzeyde tahmin edilmeye çalışılmıştır.
Proje kapsamında Google Earth Engine (GEE) tarafından –kullanımı ücretsiz – sağlanan USGS Landsat 8 Level 2, Collection 2, Tier 1 veri seti kullanılmıştır.
Bu veri seti, Landsat 8 OLI / TIRS sensörlerinden atmosferik olarak düzeltilmiş yüzey yansımasıdır. Bu görüntüler 5 görünür ve yakın kızılötesi (VNIR) bant ve ortorektifleştirilmiş yüzey yansımasına işlenmiş 2 kısa dalga kızılötesi (SWIR) bant ve ortorektifleştirilmiş parlaklık sıcaklığına işlenmiş iki termal kızılötesi (TIR) bant içerir. [5]
Proje kapsamında, verileri paylaşmadan makine öğrenimi modellerinin blok zinciri güdümlü merkeziyetsiz olarak eğitimini sağlamak için bir kolektif makine öğrenme çerçevesi kullanılmıştır. Bu çerçeve, her düğümün yerel olarak bazı eğitim verilerine sahip olduğu bir dizi düğümün, eğitim verilerini paylaşmadan ortak bir makine öğrenimi modelini işbirliği içinde eğitmesini mümkün kılmaktadır.
Bahse konu kolektif makine öğrenme çerçevesi olarak Fetch.ai CoLearn (Collective Learning) kütüphanesini kullandım. CoLearn, FET Network üzerinde gizliliği koruyan merkezi olmayan makine öğrenimi görevlerini mümkün kılan bir kütüphanedir.
Blok zinciri aracılı kolektif öğrenme sistemi, birden fazla paydaşın merkezi bir otoriteye güvenmek zorunda kalmadan ve veri kümeleri hakkındaki hassas bilgileri diğer paydaşlara ifşa etmeden ortak bir makine öğrenimi modeli oluşturmasını sağlamaktadır.
Proje detayı ve ilgili kaynak kodlarını proje Github sayfasından inceleyebilirsiniz.
Sonuç
Uzaktan Algılama uydu verileriyle agronomi yönetimi çiftçilerin geniş alanları izlemelerine imkân verebilmektedir. Bu tür veriler, bitki sağlığı, toprak nemi gibi çıplak gözle görülmeyen bilgileri eşsiz bir doğrulukla sunarken, büyük arazileri gözlemlemenin tek yoludur.
Uzaktan algılama teknikleriyle elde edilen veriler, özellikle arazi örtüsü kullanımının zamansal değişiminin belirlenmesinde yaygın olarak kullanılmaktadır. Arazi örtü değişiminin kullanımında, o alanın zamanla başka arazi kullanımı ve bitki örtüsü sınıflarına dönüşüp dönüşmediği gözlenebilmektedir.
Uydu verileri benzeri görülmemiş bir hızda, yüksek hacimde ve dağıtık konumlarda üretildiğinde, merkezi makine öğrenimi için bulut gibi merkezi bir konumda toplanması, pratik olmasa da zorlu bir engeldir.
Merkezi bir makine öğrenimi yaklaşımında eğitim verileri, makine öğrenme modellerinin geliştirildiği, eğitildiği ve test edildiği merkezi bir konumda toplanır. Merkezi öğrenme yaklaşımının önündeki en büyük zorluklardan biri, çevremizdeki veri kaynaklarının çoğalması nedeniyle verilerin giderek daha dağıtık hale gelmesidir.
Veri egemenliği, güvenlik ve gizlilik, makine öğrenimi modellerini eğitmek için gereken büyük miktarda verinin aktarılması ve bir araya getirilmesi önünde engeller oluşturabilir. Buna ek olarak, toplanan verileri barındırmak ve işlemek için merkezi bir altyapının operasyonu ve maliyetleri de engelleyici olabilir.
Merkeziyetsiz yapay zekâ çözümleri, doğası gereği dağıtık veri yapılarında veri gizliliği ve güvenliği eksikliklerin üstesinden gelebilecektir. Bu konunun çözümsel detayları için Uzmancoin’de yayınlanmış bu makalemi okuyabilirsiniz.
Ulusal tarımsal kalkınmada yapay zekâ ve blok zinciri teknolojileri kullanımının bize gıda güvenliği, istihdam, kar ve arazi mülkiyetinde sosyal refah, eşitlik ve adalet sağlayabileceği alana özel projeler ortaya çıktıkça daha da netleşecektir.
Referanslar
[1] Türkiye’de Çölleşme ile Mücadele, T.C. Orman ve Su İşleri Bakanlığı, Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü.
[2] Climate Change 2022: Impacts, Adaptation and Vulnerability, IPCC 6ncı Değerlendirme Raporu.
[3] Good Agricultural Practices (GAPs) for sustainable improvement, FAO, The Food and Agriculture Organization of the United Nations.
[4] Merkeziyetsizliğin Olası Teknik Alternatifleri, Uzmancoin, Turgut Haspolat, Aralık 2022.
[5] Predicting Land Cover Change – by using remote sensing data within the act of compromising AI & Blockchain, Deep Learning Doctorate Course Project, Turgut Haspolat, Haziran 2021.
Daha Fazlasını Okuyun
