- Tarımda yapay zeka; uydu görüntüsü, toprak sensörü, meteoroloji kaydı ve geçmiş verim defterini birleştirerek rekolte ve hastalık riski için sayısal tahmin üretir.
- Konya, Türkiye tarım arazisinin %7,84'üne ve 149.232 kayıtlı çiftçiye sahip; şeker pancarında %30, havuçta %72 payla ülke sofrasının merkezinde.
- Konya-Karapınar'da Sentinel-2A görüntüleriyle yapılan akademik çalışma, ürün desenini %82 genel doğrulukla haritalamayı başardı.
- Tarım Reformu Genel Müdürlüğü, uzaktan algılama ve yapay zeka destekli ürün izlemeyi 2025 üretim yılında ilk kez uygulamaya aldı.
- Başlangıç noktası model değil veridir: parsel sınırı, ekim tarihi ve dürüst verim kaydı olmadan hiçbir tahmin güvenilir olmaz.
Tarımda yapay zeka, uydu ve drone görüntülerini, toprak nemi ölçümlerini, meteoroloji kayıtlarını ve geçmiş yılların verim defterlerini birlikte işleyerek "bu tarla bu sezon ne kadar verecek?" ya da "bu parselde hastalık riski yükseliyor mu?" sorularına sayısal tahmin üreten sistemlerin ortak adıdır. Konya Ovası için bu tahminler akademik bir merak değil; suyun, gübrenin ve ilacın nereye harcanacağını belirleyen bütçe kararlarının girdisidir.
Konya İl Tarım ve Orman Müdürlüğü'nün Temmuz 2025 tarihli Konya Tarımı raporuna göre il topraklarının %46,10'u (1.882.592 hektar) tarım arazisi. Bu, Türkiye'nin toplam tarım alanının %7,84'ü demek. Aynı raporda Çiftçi Kayıt Sistemi ve Türkvet'e kayıtlı 149.232 üretici görünüyor. Ovanın uzun yıllar yağış ortalaması ise yalnızca 329,6 milimetre. Yani Konya, Türkiye'nin en büyük tarım arazisini ülkenin en kısıtlı yağışlarından biriyle işliyor. Tahmin hatasının bedelini bu kadar ağır ödeyen ikinci bir havza yok.
Tarımda yapay zeka Konya için neden kritik?
Konya'da yanlış tahmin doğrudan suya yazılır. Ova, dışarıdan beslenen bir akarsuya sahip olmadığı için açık kapatılırken yeraltına iniliyor. Konya Teknik Üniversitesi Obruk Uygulama ve Araştırma Merkezi Müdürü Prof. Dr. Fetullah Arık'ın aktardığına göre ilin kuzeyinde açılan üretim kuyuları 400-450 metre seviyesine ulaşmış durumda ve rekor yağışlı bir dönem bile düşüşü yalnızca yavaşlatabildi. Yapay zeka burada suyu çoğaltmaz; yalnızca her damlanın nereye gideceğini isabetli seçtirir. Tasarrufun kaynağı teknolojinin kendisi değil, kararın isabetidir — bu mantığın sulama tarafındaki karşılığını Konya'da akıllı sulama ile su tasarrufu yazısında ayrıntılı ele almıştık.
Bu tabloyu somutlaştıran şey Konya'nın ülke üretimindeki ağırlığı. Aşağıdaki paylar, İl Müdürlüğü'nün 2024 verilerine dayanan resmî tablosundan:
| Ürün | Konya üretimi (ton) | Türkiye üretimi (ton) | Konya payı |
|---|---|---|---|
| Havuç | 638.800 | 892.155 | %71,60 |
| Şeker pancarı | 6.971.829 | 23.000.000 | %30,31 |
| Mısır (dane) | 2.011.729 | 8.100.000 | %24,84 |
| Kuru fasulye | 55.545 | 279.000 | %19,91 |
| Arpa | 891.907 | 8.100.000 | %11,01 |
| Buğday | 1.824.540 | 20.800.000 | %8,77 |
Türkiye'de tüketilen havucun yaklaşık dörtte üçü, şeker pancarının üçte biri bu ovadan çıkıyor. Konya'da bir rekolte sapması il ekonomisinde değil, ülke fiyatlarında karşılık buluyor. Nitekim il, 2023 TÜİK Gayrisafi Yurtiçi Hasıla verilerine göre 100,87 milyar TL tarımsal üretim değeriyle Türkiye birincisi.
Rekolte tahmini gerçekte ne kadar doğru çalışıyor?
Bağımsız akademik ölçüm var ve doğrudan Konya'dan. Torunlar, Tuğaç ve Duyan'ın 2021'de Türkiye Uzaktan Algılama Dergisi'nde yayımladığı çalışmada Karapınar ilçesinde Sentinel-2A uydu görüntüleri nesne tabanlı sınıflandırmayla işlendi; NDVI ve DDVI bitki indisleri yardımcı veri olarak kullanıldı. Sonuç: ürün deseni haritası %82 genel doğruluk, 0,76 Kappa katsayısı.
Bu rakamı doğru okumak gerekiyor. %82, "tahmin on seferde sekiz tutar" demek değil; sınıflandırılan parsellerin %82'sinde uydunun okuduğu ürünün sahadaki ürünle eşleştiği anlamına geliyor. Yani teknoloji, ovanın tamamını tek tek gezmeden makul bir isabetle okuyabiliyor — ama her beş parselden birinde yanılıyor. Karar verirken bu pay ihmal edilmemeli.
Mekanizma şu mantığa dayanır: bitki, sağlıklıyken kızılötesi ışığı güçlü yansıtır, strese girdiğinde bu yansıma düşer. Sentinel-2 gibi uydular aynı tarlayı birkaç günde bir geçtiği için her parsel bir "yansıma zaman serisi" biriktirir. Model, geçmiş yılların bu eğrilerini gerçekleşen verimle eşleştirerek öğrenir ve yeni sezonun eğrisine bakıp tahmin üretir. Kritik nokta şu: model, geçmiş verim kaydınız yoksa öğrenecek bir şey bulamaz.
Hastalık tahmini nasıl mümkün oluyor?
Hastalık tahmini iki ayrı sinyali birleştirir: bitkinin görüntüsü ve havanın durumu. Buğdayda sarı pas (Puccinia striiformis) bunun tipik örneğidir. Tarım ve Orman Bakanlığı il müdürlüklerinin uyarılarına göre hastalık, ilkbaharda sıcaklığın 10-15 °C bandına girdiği ve nispi nemin yükseldiği dönemde başlıyor; en ağır kaybı dane dolum evresinde veriyor, çünkü daneler küçük ve buruşuk kalarak hem verimi hem hektolitre ağırlığını düşürüyor.
Buradaki asıl kazanç zamandır. Sarı pas gözle görülür hale geldiğinde yayılım çoktan başlamıştır. Meteoroloji verisiyle beslenen bir risk modeli ise "önümüzdeki günlerde şu parsellerde koşullar uygun" uyarısını belirtiler çıkmadan verebilir; drone görüntüsü de tarlanın hangi köşesinden başladığını gösterir. Böylece ilaç tüm tarlaya değil, riskin yoğunlaştığı bölgeye gider.
| Yaklaşım | Ne zaman haber verir | Pratik sonuç |
|---|---|---|
| Gözle kontrol | Belirti çıktıktan sonra | Geniş alana ilaç, kayıp kısmen gerçekleşmiş |
| Meteoroloji tabanlı risk modeli | Belirtiden önce, koşullar oluşurken | Hedefli ve zamanında müdahale |
| Drone/uydu görüntüsü | Erken stres evresinde | Tarla içinde bölgesel müdahale, daha az ilaç |
Buradaki görüntü işleme yaklaşımı, aslında Konya'nın fabrikalarında yıllardır kullanılan yöntemin tarlaya taşınmış hâli: kamera bir yüzeyi tarıyor, model kusurlu olanı işaretliyor. Döküm hattında çatlak arayan sistemle buğday yaprağında püstül arayan sistem aynı mantığı paylaşıyor — nitekim Konya sanayisinde yapay zekanın 9 kullanım alanı yazısındaki kalite kontrol örnekleri bu akrabalığı gösteriyor. Fark, tarlada ışığın ve arka planın kontrol edilememesinde; bu da tarımsal modellerin fabrikadakilere kıyasla neden daha çok veriye ihtiyaç duyduğunu açıklıyor.
Tohumculukta yapay zeka ne işe yarar?
Konya'nın tohumdaki ağırlığı da resmî kayıtta duruyor: 2024'te il 278.483 ton sertifikalı tohum üretti; Türkiye toplamı 1.303.038 ton. Yani ülke sertifikalı tohum üretiminin yaklaşık %21'i Konya'dan çıkıyor. Şehirde ayrıca Tarım ve Orman Bakanlığı'na bağlı Bahri Dağdaş Uluslararası Tarımsal Araştırma Enstitüsü bulunuyor; enstitü kendi tescilli çeşitlerinin elit ve orijinal kademe tohumluk üretimini yapıyor ve bünyesinde bir gen bankası barındırıyor.
Islah, özünde uzun bir eleme işidir: binlerce hattı yıllarca deneyip kurağa ve hastalığa dayanıklı olanı seçmek. Darboğaz ise ölçümdür. Deneme parsellerinde her hattın boyu, örtü oranı ve stres tepkisi geleneksel olarak elle, tek tek ve göz kararına açık biçimde kaydedilir; ıslahçıların "fenotipleme darboğazı" dediği şey budur. Yapay zekanın buradaki katkısı yeni bir çeşit bulmak değil, bu elemeyi hızlandırmaktır: deneme parsellerinin drone ile haftalık görüntülenmesi, yüzlerce hattın gelişimini tek uçuşta ve aynı ölçütle sayısallaştırır; modeller de hangi hattın stres altında ayakta kaldığını hasadı beklemeden işaret eder.
Bunun Konya'daki karşılığı somut. Bahri Dağdaş Enstitüsü, Uluslararası Kışlık Buğday Islah Programı'nın (IWWIP) Türkiye ayağını yürütüyor ve buğday, arpa, nohut, fasulye gibi ürünlerde ıslah programları taşıyor. Bir buğday çeşidinin tescile ulaşması tipik olarak on yılı aşan bir süreç; yağışın 330 milimetre bandında seyrettiği bir havzada kuraklığa dayanıklı çeşit arayışı tercih değil zorunluluk olduğuna göre, bu döngüde kazanılan her sezon doğrudan kazanç hanesine yazılır.
Devlet bu veriyi zaten kullanıyor mu?
Kullanmaya başladı. Tarım Reformu Genel Müdürlüğü, uydu görüntüleri, coğrafi bilgi sistemleri, mobil uygulamalar ve yapay zekayı birlikte çalıştıran ürün izleme sistemini 2025 üretim yılında ilk kez uygulamaya aldı; sistem, referans parsellerden toplanan verilerle makine öğrenmesi modellerini besliyor ve Çiftçi Kayıt Sistemi beyanlarının doğruluk kontrolünde kullanılıyor. Genel Müdürlük 2026 planlamaları için 12 bölgede teknik değerlendirme toplantıları yürüttü.
Bunun üretici açısından anlamı açık: parsel beyanı artık yalnızca kâğıt üzerinde kalmıyor, uydudan da okunuyor. Beyan ile sahadaki ürünün örtüşmesi giderek daha fazla önem kazanıyor. Aynı disiplin, işletmenin kendi tahmin modelinin de temelini kuruyor.
Konyalı bir üretici nereden başlamalı?
Yanlış başlangıç, yazılım satın almakla başlamaktır. Doğru başlangıç, önümüzdeki sezonun verisini düzgün tutmakla başlar. Model, kendisine verilen geçmişten daha iyisini öğrenemez; kayıt yoksa en pahalı sistem bile tahmin değil temenni üretir. Bu yüzden ilk yıl hedef tahmin almak değil, tahmin edilebilir bir veri seti biriktirmektir.
| Adım | Ne yapılır | Süre |
|---|---|---|
| 1. Parseli tanımla | Sınırları, ekim tarihini, çeşidi kayda geç | 1 sezon |
| 2. Verimi dürüst yaz | Hasat sonucunu parsel bazında tut, ortalamayla geçiştirme | Her hasat |
| 3. Ücretsiz uyduyla başla | Sentinel-2 görüntüleri açık erişimli; önce izle, sonra yatırım yap | 1 sezon |
| 4. Tek parselde pilot kur | Tüm ovaya değil, bir tarlaya uygula ve sonucu ölç | 3-6 ay |
| 5. Sulamayla birleştir | Tahmin ancak uygulamaya bağlanınca para kazandırır | Sonraki sezon |
İlk iki adım hiçbir yatırım gerektirmez, ama en çok atlanan adımlardır. Parsel bazında tutulmayan verim kaydı, sonraki yıl modele "bu tarla ortalama verdi" demekten başka bir şey söyleyemez; oysa modelin öğrenmesi gereken tam olarak tarlalar arasındaki farktır. Hangi kaydın kullanılabilir sayıldığını yapay zeka için veri hazırlığı kontrol listesi yazısında maddeler hâlinde bulabilirsiniz.
Dördüncü adımdaki pilot mantığı da tesadüfi değil: tek parselde ölçülen sonuç, tüm işletmeye yayılan bir yatırımın riskini önceden görünür kılar. Bu yaklaşımın sektörden bağımsız çerçevesi KOBİ'ler için yapay zeka rehberimizde anlatılıyor. Sensör ve drone yatırımının finansmanı gündeme geldiğinde ise bölgesel hibe ve destek koşullarını derlediğimiz MEVKA destekleriyle dijital dönüşüm rehberi başlangıç noktası olabilir.
Sınırları nedir?
Dürüst olmak gerekirse bu teknoloji bir sigorta değil. Karapınar çalışmasındaki %82'lik doğruluk iyi bir sonuç, ama %100 değil; dolu, don ve ani kuraklık gibi olaylar hiçbir modelin önceden bilemeyeceği kırılmalar üretir. Uydu görüntüsü bulutlu günlerde kesilir. Küçük ve parçalı parsellerde uydunun çözünürlüğü yetersiz kalabilir, bu da drone gerektirir.
Bu yüzden doğru beklenti şudur: yapay zeka Konya Ovası'nda rekolteyi garanti etmez, kararın isabet oranını yükseltir. Suyun 400 metrenin altına indiği bir havzada, isabet oranındaki birkaç puanlık iyileşme bile sezon sonunda hem su hem para olarak geri döner. Başlamak için bütçe değil, düzgün tutulmuş bir kayıt defteri gerekiyor.