🌱  TOPRAK TAHLİLİ TAHMİN MODÜLÜ

TEMEL ÖZELLİKLER

TarımAsistan® tarafından geliştirilen bu modül, Türkiye ve dünya genelinde öncü bir dijital dönüşüm adımıdır.

Toprak analizi yapılmamış arazilerde, laboratuvar analizine ihtiyaç duymadan toprak özelliklerini tahmin etme imkanı sağlar. Bu sayede çiftçiler, tarım danışmanları ve yatırımcılar, herhangi bir parselin toprağını tanımadan üretim kararı alma riskinden kurtulur.

Bu modül yalnızca bir tahmin sistemi değil;

• Yüksek doğruluklu makine öğrenmesi modelleri,
• Bölgesel, pedojeolojik ve uzaktan algılama verileriyle desteklenmiş,
• On binlerce örnekten öğrenmiş,
• Araziye özel çözümler sunan bir dijital tarım devrimidir.

TarımAsistan®’ın Toprak Tahlili Tahmin Modülü, üç önemli avantaja sahiptir:

1. Geniş veri çeşitliliği:

• Jeolojik pedo-katman haritaları,
• 10.000’den fazla analiz edilmiş laboratuvar verisi,
• HWSD, ISRIC, FAO organik karbon gibi küresel veri setleri, Tarım ve Orman Bakanlığı Arazi Kullanım Kabiliyet Sınıflandırma haritaları,
• Uydu ve ürün desenlerinden elde edilen ürün canlılığı geçmişi.

2. Derinlik ve parsel bazlı tahmin:

• 0-120 cm derinliğe kadar ayrıntılı, üç katmanlı tahmin (yüzey, orta ve derin katman).

3. Gelişmiş yapay zeka mimarileri:

• CNN yapısıyla mekânsal özelliklerin (topoğrafya, jeoloji) öğrenilmesi,
• RNN/LSTM yapılarıyla zaman serili uydu verilerinin işlenmesi,

Böylece mekânsal ve zamansal veri uyumu sağlanır.

Bu güçlü kombinasyon, küresel akademik projelerin ötesine geçerek pratik ve uygulanabilir bir sistem sunmaktadır.

Metodoloji

1. Girdi Verileri

• Toprak analizinin doğrudan yapılmadığı bir parsel için sistem aşağıdaki veri kaynaklarını birleştirerek dijital bir "toprak profili" oluşturur:
• • Pedojeolojik Katman Haritası: Toprağın jeolojik geçmişi ve oluşum özellikleri.
  • 10.000+ Parsel Laboratuvar Verisi: Fiziksel ve kimyasal analizleri yapılmış parsellerin güçlü veri seti.
  • HWSD, ISRIC ve AKUP Verileri: Küresel ve Ülkesel toprak veri tabanları (organik madde, doku, besin elementleri vb.).
  • Geçmiş Ürün Deseni: Parselde yıllar içinde yetiştirilen ürünler ve bu ürünlerin toprakla ilişkisi.
  • FAO Organik Karbon Haritası: Toprak sağlığı için önemli bir gösterge olarak entegre edilir.

2. Modelleme Süreci

• Veri seti üzerinde şu yapay zeka teknikleri uygulanmıştır:
• • Convolutional Neural Networks (CNN): Uydu görüntüleri ve mekânsal veri desenlerini öğrenmek için.
  • Recurrent Neural Networks (RNN): Zaman serisi halindeki geçmiş üretim desenlerini ve yıllık değişimleri işlemek için.
  • Karar Ağaçları ve Regresyon Modelleri: Detaylı mikro ve makro element tahmini.

Model, bu farklı veri türlerini (coğrafi, sayısal, görüntüsel, zamansal) birleştiren hibrit bir mimari ile eğitilmiştir.

3. Çıktılar ve Kullanım Senaryoları

• Modülün sunduğu öngörüler:
• • Azot, fosfor, potasyum, pH, organik madde vb. temel analiz değerleri
  • Doku sınıfı (killi, tınlı vb.)
  • Mikro elementler (Zn, Fe, Cu vb.)*Tarla Koşullarında ek cihaz gerektirir.
  • Potansiyel ürün önerileri
  • Gübreleme ve toprak işleme stratejileri

Katkıları Nelerdir?

• Analiz maliyetlerini düşürür.
• Kırsal bölgelerdeki analiz erişimsizliği sorununu ortadan kaldırır.
• Kuraklık, asidifikasyon ve organik madde eksikliği gibi problemlere önceden uyarılar sağlar.
• Modüler sistemin diğer bileşenleriyle (ürün önerisi, gübreleme planı, verim analizi vb.) tam entegrasyon sunar.

Benzersiz mi?

Mevcut Küresel Durum

• Globalde, makine öğrenimi (RF, CNN, RNN) ile toprak özellik tahmini yapan birçok akademik proje ve dijital toprak haritaları bulunmaktadır. Örneğin OECD bütçeli AgroLens (Avrupa'da sentinels & LUCAS verisiyle) toprak besin öngörüsü sunmaktadır. (Bkz: https://arxiv.org/abs/2503.22276)
• ABD Arkansas Tarımsal Araştırma Enstitüsü'nün pratik tahmin modelleriyle organik madde ve toprak tekstürü kestirimi yapılmaktadır. (Bkz: https://news.uark.edu/articles/70469/soil-testing-time-saver-predicts-key-soil-health-characteristics)
• Makineler ve derin öğrenme kullanılarak özellikle toprak tekstürü, tuzluluk ve organik karbon gibi parametreler tahmin edilebilmektedir. (Bkz: https://www.nature.com/articles/s41598-024-69464-7) ve (https://www.mdpi.com/2504-2289/7/2/113)

Çoğu sistem tek bir veri kaynağına dayanıyor (uydu + sınırlı laboratuvar örnekleri). 

Derinlik bazlı tahmin, parsel ölçeğinde çok katmanlı analiz ve laboratuvar destekli 10.000+ veri kullanımı nadir görülüyor.

Yaptığımız araştırmalar sonucunda, bu kadar çeşitli veriyi birleştiren, ülke bazlı jeoloji + geçmiş ürün + küresel veri seti + makine öğrenmesi mimarisi kullanan entegre bir sistemin ne Türkiye’de ne de dünyada ticari olarak erişilebilir başka bir örneği bulunmamaktadır. Bu yönüyle TarımAsistan’ın bu modülü, sadece teknik değil stratejik olarak da öncü bir çözümdür.

ÖRNEKLER