Tarımda Drone ve Uzaktan Algılama: NDVI, Uydu Görüntüleri ve Tarım 4.0 Rehberi
Bir tarlanın hangi bölümünün susuz kaldığını, hangi köşede besin eksikliği başladığını ya da hastalığın ilk nerede ortaya çıktığını yerden bakarak görmek çoğu zaman mümkün değildir. Sorun gözle fark edildiğinde ise verim kaybı çoktan başlamış olur. Drone (insansız hava aracı) ve uydu tabanlı uzaktan algılama, tarlaya yukarıdan ve insan gözünün göremediği dalga boylarında bakarak bu sorunları erkenden ortaya çıkarır. Bu teknolojiler, verinin tarımsal kararların merkezine yerleştiği Tarım 4.0 anlayışının en görünür parçalarıdır.
Bu rehberde uzaktan algılamanın fiziksel temelini, NDVI gibi vejetasyon indekslerinin ne anlattığını, uydu ve drone arasındaki farkları, sensör türlerini, sahadaki uygulama alanlarını, adım adım bir drone analiz iş akışını, Türkiye’deki mevzuat çerçevesini ve teknolojinin sınırlılıklarını hakemli bilimsel çalışmalar, FAO, Avrupa Uzay Ajansı ve Ankara Üniversitesi kaynaklarına dayanarak ele alıyoruz.
Kısa Cevap: Tarımda Uzaktan Algılama Nedir?
Uzaktan algılama, bitkilerin yansıttığı ışığın uydu, drone veya uçaklara takılı sensörlerle ölçülerek bitki sağlığı, su durumu ve gelişimi hakkında bilgi üretilmesidir. Sağlıklı bitkiler kırmızı ışığı güçlü biçimde emer, yakın kızılötesi (NIR) ışığı ise güçlü biçimde yansıtır; bu fark NDVI gibi indekslerle sayıya dönüştürülür [2].
- Uydu: Geniş alan, düzenli ve çoğu zaman ücretsiz veri (örneğin Sentinel-2: 10 m’ye kadar çözünürlük, yaklaşık 5 günde bir tekrar) [3].
- Drone: Santimetre düzeyinde çözünürlük, istenen zamanda uçuş, bulut altında çalışabilme [1].
- Kullanım alanları: Su stresi, besin durumu, yabancı ot ve hastalık tespiti, verim tahmini ve değişken oranlı uygulamalar [1].
Tarım 4.0 ve Hassas Tarım Nedir?
Tarım 4.0, sanayideki dördüncü sanayi devrimine benzer şekilde; sensörlerin, uyduların, insansız hava araçlarının, Nesnelerin İnterneti’nin (IoT), büyük verinin ve yapay zekânın tarımsal üretime entegre edilmesini ifade eder. Bu yaklaşımın temelinde hassas tarım vardır: Bir tarlayı tek ve homojen bir birim olarak değil, toprak, su ve bitki gelişimi bakımından farklılık gösteren küçük bölgelerin bir araya gelmesi olarak görmek ve her bölgeye ihtiyacı kadar girdi uygulamak.
| Evre | Temel özellik | Örnek teknolojiler |
|---|---|---|
| Tarım 1.0 | İnsan ve hayvan gücüne dayalı geleneksel tarım | El aletleri, hayvan gücüyle sürüm |
| Tarım 2.0 | Mekanizasyon ve kimyasal girdiler | Traktör, sentetik gübre ve tarım ilaçları |
| Tarım 3.0 | Konum bilgisine dayalı hassas tarım | GPS, otomatik dümenleme, verim haritalama |
| Tarım 4.0 | Veriye dayalı, bağlantılı ve kısmen otonom tarım | Drone, uydu görüntüleri, IoT sensörleri, yapay zekâ, otonom makineler |
FAO ve Uluslararası Telekomünikasyon Birliği’nin (ITU) ortak yayını, drone’ların tarımda giderek daha yaygın kullanıldığını ve tarımın dünyada drone teknolojisinin en büyük kullanım alanlarından biri hâline geldiğini vurgulamaktadır. Yayında bitki ve zararlı izleme, erken uyarı sistemleri, çeltik alanlarının haritalanması, tarım sigortası, afet riski haritalaması ve hayvan takibi gibi uygulamalara yer verilmekte; birçok ülkede drone kullanımını düzenleyen yasal çerçevenin eksikliği de önemli bir sorun olarak öne çıkarılmaktadır[4].
Uzaktan Algılamanın Bilimi: Bitkiler Işıkla Nasıl “Konuşur”?
Güneşten gelen ışık bir bitki yaprağına çarptığında bir kısmı emilir, bir kısmı geçer, bir kısmı da yansır. Yansıyan ışığın dalga boylarına göre dağılımı, yaprağın biyokimyasal ve yapısal durumu hakkında zengin bilgi taşır. Uzaktan algılama sensörleri bu yansımayı farklı dalga boylarında ölçer.
| Spektral bölge | Yaklaşık dalga boyu | Sağlıklı bitkideki davranış | Ne anlatır? |
|---|---|---|---|
| Mavi | 450–500 nm | Klorofil tarafından büyük ölçüde emilir | Pigment içeriği |
| Yeşil | 500–570 nm | Görece daha fazla yansır (yaprakların yeşil görünmesinin nedeni) | Klorofil yoğunluğu |
| Kırmızı | 620–700 nm | Fotosentez için klorofil tarafından güçlü biçimde emilir | Fotosentetik aktivite |
| Kırmızı kenar (red edge) | 700–740 nm | Kırmızıdan yakın kızılötesine yansımanın hızla arttığı geçiş bölgesi | Klorofil ve azot durumu, erken stres |
| Yakın kızılötesi (NIR) | 750–900 nm | Yaprağın iç hücre yapısı nedeniyle güçlü biçimde yansır | Bitki canlılığı ve biyokütle |
| Termal kızılötesi | 8–14 µm | Yaprak sıcaklığına bağlı ışıma | Terleme ve su stresi |
Not: Dalga boyu aralıkları sensöre göre değişen yaklaşık değerlerdir.
Bitki strese girdiğinde, örneğin susuz kaldığında veya hastalandığında, yaprakların iç yapısı ve klorofil içeriği değişir: Kırmızı ışığın emilimi azalır, yakın kızılötesi yansıması düşer. Su stresi altındaki bitkilerde gözenekler kapanıp terleme azaldığı için yaprak sıcaklığı da yükselir; bu değişim termal kameralarla ölçülebilir. Bu değişikliklerin önemli bir kısmı, bitkide gözle görülür belirtiler ortaya çıkmadan önce başlar.
NDVI ve Diğer Vejetasyon İndeksleri
Farklı dalga boylarındaki yansıma değerlerini tek bir sayıya dönüştüren matematiksel ifadelere vejetasyon indeksi denir. Bunların en bilineni olan Normalize Edilmiş Fark Vejetasyon İndeksi (NDVI), 1974 yılında NASA’nın ERTS-1 (sonradan Landsat 1) uydusu verileriyle Büyük Ovalar’daki bitki örtüsünü izleyen Rouse ve arkadaşlarının çalışmasıyla literatüre girmiştir[2].
NIR: yakın kızılötesi yansıma, Kırmızı: kırmızı bant yansıması. Değer −1 ile +1 arasındadır.
| NDVI aralığı | Genel yorum |
|---|---|
| 0’ın altı | Su, kar, bulut gibi bitki dışı yüzeyler |
| 0 – 0,2 | Çıplak toprak, kaya veya çok seyrek bitki örtüsü |
| 0,2 – 0,5 | Seyrek veya stres altındaki bitki örtüsü, erken gelişme dönemi |
| 0,5 ve üzeri | Yoğun ve sağlıklı bitki örtüsü |
Not: Genel bir yorum çerçevesidir. Eşikler ürüne, gelişme dönemine, sensöre ve bölgeye göre değişir; en doğru yorum aynı tarlanın farklı bölgelerini ve farklı tarihlerini karşılaştırarak yapılır.
| İndeks | Kullandığı bantlar | Güçlü olduğu alan |
|---|---|---|
| NDVI | NIR, kırmızı | Genel bitki canlılığı ve biyokütle; en yaygın indeks |
| GNDVI | NIR, yeşil | Klorofil ve azot durumuna daha duyarlı |
| NDRE | NIR, kırmızı kenar | Yoğun bitki örtüsünde azot durumu; NDVI’nin doygunluğa ulaştığı dönemlerde |
| SAVI | NIR, kırmızı + toprak düzeltme katsayısı | Bitki örtüsünün seyrek olduğu, toprağın göründüğü dönemler |
| Termal indeksler | Termal kızılötesi | Su stresi ve sulama zamanlaması |
Araştırma örneği: İndeksler bitki gelişimini ne kadar iyi tahmin eder?
Ankara Üniversitesi’nin “Tarımda İnsansız Hava Araçları” ders materyalinde aktarılan bir buğday çalışmasında, drone ile elde edilen GNDVI değerleri ile bitkinin yaprak alanı indeksi arasında R² = 0,85 düzeyinde güçlü bir ilişki bulunduğu bildirilmektedir [5]. Bu tür ilişkiler, havadan alınan görüntülerin tarladaki bitki gelişimini sayısal olarak tahmin etmede kullanılabileceğini gösterir. Ancak her ilişki belirli bir ürün, bölge ve dönem için geçerlidir; başka koşullara aktarılırken dikkatli olunmalıdır.
Uydu mu, Drone mu? Platformların Karşılaştırması
Uzaktan algılama verisi farklı platformlardan elde edilebilir ve her birinin güçlü ve zayıf yanları vardır. Doğru seçim; tarlanın büyüklüğüne, ihtiyaç duyulan ayrıntıya, izleme sıklığına ve bütçeye bağlıdır.
| Özellik | Uydu (örn. Sentinel-2) | Drone (İHA) | Yer sensörleri |
|---|---|---|---|
| Mekânsal çözünürlük | 10–60 m [3] | Santimetre düzeyi | Nokta ölçüm |
| Kapsama alanı | Çok geniş (290 km şerit genişliği) [3] | Tarla ölçeği | Tek nokta |
| Tekrar sıklığı | İki uyduyla yaklaşık 5 gün [3] | İhtiyaç duyulduğunda | Sürekli |
| Bulut etkisi | Bulutlu havada veri alınamaz | Bulutun altında uçabilir | Etkilenmez |
| Maliyet | Sentinel-2 verileri ücretsiz [3] | Cihaz, yazılım ve eğitim maliyeti | Sensör başına maliyet |
| En uygun kullanım | Bölgesel izleme, büyük tarlalar, zaman serisi | Ayrıntılı tarla analizi, bitki sayımı, hedefli uygulama | Toprak nemi, mikroklima |
Avrupa Birliği’nin Copernicus programı kapsamındaki Sentinel-2 uyduları, 13 spektral bant ile veri toplar; bu bantların dördü 10 m, altısı 20 m, üçü 60 m mekânsal çözünürlüğe sahiptir. İki uydu birlikte çalıştığında ekvatorda yaklaşık 5 günde bir aynı noktanın görüntülenmesi hedeflenir ve veriler tüm kullanıcılara ücretsiz sunulur[3]. Bu sayede küçük ve orta ölçekli çiftçiler bile, ücretsiz veya düşük maliyetli uygulamalar aracılığıyla tarlalarının NDVI haritalarına erişebilir.
Drone’lar ise çok daha yüksek çözünürlük sunar. Maes ve Steppe’nin Trends in Plant Science dergisinde yayımlanan derlemesine göre İHA tabanlı uzaktan algılama, son derece ince spektral, mekânsal ve zamansal ayrıntı sağlamasının yanı sıra bitki boyu verisi ve farklı bakış açılarından gözlem gibi ek bilgiler de üretebilmesiyle hassas tarımda önemli bir ilerlemeyi temsil etmektedir[1].
Drone Türleri ve Tarımsal Sensörler
| Tür | Avantajları | Sınırlılıkları | Uygun kullanım |
|---|---|---|---|
| Çok rotorlu (multikopter) | Dikey kalkış-iniş, havada asılı kalabilme, kolay kullanım | Uçuş süresi ve kapsama alanı sınırlı | Küçük-orta tarlalar, ayrıntılı inceleme, ilaçlama |
| Sabit kanatlı | Uzun uçuş süresi, geniş alan | Pist veya fırlatma gerektirir, havada asılı kalamaz | Büyük alanların haritalanması |
| Dikey kalkışlı sabit kanat (VTOL) | İki tipin avantajlarını birleştirir | Daha pahalı | Büyük ve engebeli araziler |
| Sensör | Ölçtüğü | Tarımsal kullanımı |
|---|---|---|
| RGB (normal) kamera | Görünür ışık | Bitki sayımı, çıkış kontrolü, hasar tespiti, 3B yüzey modeli ve bitki boyu |
| Multispektral kamera | Yeşil, kırmızı, kırmızı kenar, NIR bantları | NDVI, NDRE gibi indeksler; besin ve canlılık haritaları |
| Termal kamera | Yüzey sıcaklığı | Su stresi, sulama sistemi arızaları, sulama zamanlaması |
| Hiperspektral kamera | Yüzlerce dar spektral bant | Hastalık ve besin eksikliklerinin ayrıntılı tespiti (çoğunlukla araştırma amaçlı) |
| LiDAR | Lazerle mesafe ölçümü | Ağaç ve bitki yapısı, arazi modeli, meyve bahçelerinde taç hacmi |
Maes ve Steppe, gelecekteki çalışmalarda hiperspektral veya multispektral verilerin termal verilerle birleştirilmesini önermektedir. Çünkü farklı sensörler bitkinin farklı fizyolojik durumlarını yakalar ve birlikte kullanıldıklarında daha güvenilir sonuçlar verir[1].
Tarım drone’u seçerken nelere dikkat edilmeli?
- Kullanım amacı: Haritalama için kamera kalitesi ve uçuş süresi, ilaçlama için depo hacmi ve püskürtme sistemi önceliklidir.
- Sensör uyumluluğu: Multispektral veya termal sensörlerin takılabilirliği ve kalibrasyon desteği kontrol edilmelidir.
- Uçuş süresi ve batarya: Tarla büyüklüğüne göre kaç batarya gerekeceği hesaplanmalıdır.
- Yazılım ekosistemi: Uçuş planlama ve görüntü işleme yazılımlarının kullanım kolaylığı ve lisans maliyeti değerlendirilmelidir.
- Servis ve yedek parça: Türkiye’de teknik servis ve yedek parça erişimi olan markalar tercih edilmelidir.
- Mevzuata uygunluk: Cihazın kayıt ve izin süreçlerine uygunluğu satın almadan önce teyit edilmelidir.
Sahadaki Uygulama Alanları
Maes ve Steppe’nin derlemesi, İHA tabanlı uzaktan algılamanın başlıca tarımsal uygulamalarını kuraklık stresinin tespiti, yabancı ot ve patojen tespiti, besin durumu ve gelişme gücünün belirlenmesi ve verim tahmini olarak sınıflandırmaktadır[1].
1. Besin durumu ve değişken oranlı gübreleme
NDVI, GNDVI ve NDRE haritaları, tarlanın farklı bölgelerindeki bitki gelişimini ve dolaylı olarak azot durumunu gösterir. Bu haritalardan hazırlanan reçete haritaları, uyumlu gübre dağıtma makinelerine yüklenerek her bölgeye farklı miktarda gübre uygulanmasını sağlar. Ancak görüntüdeki zayıf gelişmenin nedeni yalnızca besin eksikliği olmayabilir; su, toprak yapısı veya hastalık da benzer bir görüntü oluşturabilir. Bu nedenle uzaktan algılama verisini toprak analizi ve saha kontrolüyle birlikte değerlendirmek gerekir.
2. Su stresi ve sulama yönetimi
Termal kameralar, su stresi altındaki bitkilerin daha sıcak yaprak yüzeyini tespit ederek sulama ihtiyacını ve sulama sistemlerindeki tıkanma veya kaçakları ortaya çıkarabilir. Kuraklık riskinin arttığı Türkiye’de bu, suyun verimli kullanımı açısından giderek önem kazanmaktadır. Kuraklıkla mücadele stratejilerini Tarımsal Kuraklıkta Verimi Koruma yazımızda, sulama konularını Sulama ve İklim kategorimizde bulabilirsiniz.
3. Hastalık, zararlı ve yabancı ot tespiti
Hastalık ve zararlı odakları çoğu zaman tarlada lekeler hâlinde başlar. Düzenli uçuşlarla elde edilen haritalar, bu odakların erken tespit edilmesini ve yalnızca sorunlu alanlara müdahale edilmesini mümkün kılar. Yüksek çözünürlüklü görüntüler, yabancı ot yoğunluğunun haritalanmasına ve bölgesel ilaçlamaya da olanak tanır. Bu yaklaşım, Entegre Zararlı Yönetimi (EZY) ilkeleriyle tam uyumludur: İzleme ve eşik değerlere dayalı müdahale.
4. Bitki sayımı ve çıkış kontrolü
Ekimden sonra RGB görüntülerle yapılan bitki sayımı, çıkış oranını ve boşlukları belirlemeye, gerekirse yeniden ekim kararı vermeye yardımcı olur. Meyve bahçelerinde ise ağaç sayısı, taç büyüklüğü ve eksik ağaçlar kolayca tespit edilir.
5. Verim tahmini, sigorta ve hasar tespiti
Sezon boyunca toplanan indeks verileri, verim tahmin modellerinde kullanılabilir. FAO-ITU yayınında yer verilen vaka çalışmaları, drone verilerinin tarım sigortası ve afet sonrası hasar tespitinde de kullanıldığını göstermektedir[4]. Dolu, sel veya don sonrasında hasarın hızlı ve objektif şekilde belgelenmesi, hem çiftçi hem sigortacı için zaman kazandırır.
6. Drone ile ilaçlama ve gübreleme
İlaçlama drone’ları, özellikle traktörün giremediği eğimli, ıslak veya engebeli alanlarda ve çeltik gibi su altındaki tarlalarda avantaj sağlar. Haritalarla birleştirildiğinde yalnızca gerekli alanlara uygulama yapılabilir. Ancak ilaçlama, ilaç sürüklenmesi, insan ve çevre sağlığı açısından hassas bir konudur ve Türkiye’de özel kurallara tabidir (aşağıdaki mevzuat bölümüne bakınız).
Meyve bahçeleri ve bağlarda kullanım
Çok yıllık bitkilerin yetiştirildiği meyve bahçeleri ve bağlarda uzaktan algılama, her ağacın veya asmanın ayrı ayrı izlenmesine olanak tanır. RGB ve LiDAR verileriyle ağaç boyu, taç çapı ve taç hacmi ölçülebilir; bu bilgiler budama, ilaçlama dozunun ayarlanması ve verim tahmininde kullanılır. Multispektral ve termal görüntüler ise sulama sisteminin tüm ağaçlara eşit su verip vermediğini, kök hastalıkları veya zararlılar nedeniyle zayıflayan ağaçları ortaya çıkarabilir. Bağcılıkta, asmanın gelişme gücüne göre parsellerin farklı kalite sınıflarına ayrılması ve hasadın buna göre planlanması da yaygınlaşan uygulamalar arasındadır. Bu tür çok yıllık sistemlerde yıllar boyunca biriken haritalar, işletmenin en değerli bilgi kaynaklarından birine dönüşür.
7. Hayvancılık ve mera yönetimi
Drone’lar mera bitki örtüsünün izlenmesi, otlatma planlaması ve geniş alanlarda hayvanların takibi için de kullanılmaktadır. Hayvancılıkta sensör ve veri tabanlı yönetimi Akıllı Hayvancılık: Çiftlikte IoT rehberimizde ayrıntılı olarak ele aldık.
Adım Adım Drone ile Tarla Analizi İş Akışı
- Amacı belirleyin: Gübre reçetesi mi, sulama kontrolü mü, hastalık taraması mı? Amaç, sensör ve uçuş zamanını belirler.
- Uçuşu planlayın: Uçuş yüksekliği, görüntü bindirme oranı (ön ve yan bindirme) ve rota, uçuş planlama yazılımıyla belirlenir. Yükseklik arttıkça kapsanan alan artar, çözünürlük düşer.
- Doğru zamanı seçin: Gölgeleri azaltmak için güneşin yüksek olduğu öğle saatleri ve ışık koşullarının değişmediği, rüzgârın düşük olduğu günler tercih edilir.
- Radyometrik kalibrasyon yapın: Multispektral sensörlerde uçuştan önce ve sonra kalibrasyon paneli görüntülenir; böylece farklı günlerde alınan veriler karşılaştırılabilir.
- Görüntüleri işleyin: Yüzlerce görüntü, fotogrametri yazılımıyla birleştirilerek tek bir ortomozaik harita ve gerekirse 3B yüzey modeli oluşturulur.
- İndeks haritalarını üretin: NDVI, NDRE veya termal haritalar hesaplanır ve tarla bölgelere ayrılır.
- Yerde doğrulayın: Haritada farklı görünen bölgelere gidilir; bitki, toprak ve gerekirse yaprak örnekleri incelenir. Bu “yer gerçeği” kontrolü vazgeçilmezdir.
- Karar verin ve uygulayın: Bulgulara göre reçete haritası hazırlanır ve değişken oranlı uygulama yapılır.
- Sonucu ölçün: Uygulamanın etkisi sonraki uçuşlar ve hasat verileriyle değerlendirilir.
Önemli: Harita, karar değil; karar destek aracıdır
Bir NDVI haritası yalnızca “burada bir fark var” der; farkın nedenini söylemez. Maes ve Steppe, alan çalışmalarında yaygın olarak kullanılan basit doğrusal regresyon yaklaşımları yerine, İHA verilerinin sağlam bitki gelişim ve aktarım modellerine entegre edilmesini ve başka mekânsal verilerle birleştirilmesini önermektedir [1]. Uygulamada bunun anlamı şudur: Haritayı toprak analizi, saha gözlemi, hava durumu ve geçmiş verim kayıtlarıyla birlikte yorumlayın.
Türkiye’de Drone Kullanımı ve Mevzuat
Türkiye’de insansız hava araçlarının kullanımı, sivil havacılık mevzuatı çerçevesinde Sivil Havacılık Genel Müdürlüğü (SHGM) tarafından düzenlenmektedir. Drone’ların ağırlık sınıfına göre kayıt, pilot yeterliliği ve uçuş izni gibi yükümlülükler bulunmaktadır. Tarımsal ilaçlama gibi bitki koruma uygulamalarında ise ayrıca Tarım ve Orman Bakanlığı’nın düzenlemeleri geçerlidir: Uygulamaların izinli ve ruhsatlı araçlarla, yetkili kişilerce ve belirlenen kurallar çerçevesinde yapılması gerekir.
Uçmadan önce kontrol edin
- Drone’unuzun SHGM kayıt ve pilot yeterlilik şartlarını karşıladığından emin olun.
- Uçuş yapacağınız bölgenin havalimanı, askeri bölge veya yasak saha kapsamında olup olmadığını kontrol edin.
- İlaçlama veya gübre uygulaması yapacaksanız il/ilçe tarım ve orman müdürlüğünden güncel izin ve ruhsat şartlarını öğrenin.
- Komşu arazilerin ve yerleşim alanlarının mahremiyetine ve güvenliğine özen gösterin.
Mevzuat sık güncellendiği için bu bilgiler genel çerçeve niteliğindedir; uygulama öncesinde güncel düzenlemeler mutlaka resmî kaynaklardan teyit edilmelidir.
Sınırlılıklar ve Dikkat Edilecekler
| Sınırlılık | Açıklama | Çözüm yaklaşımı |
|---|---|---|
| Bulut ve hava koşulları | Uydu görüntüleri bulutlu havada kullanılamaz; rüzgâr ve yağış drone uçuşunu engeller | Uydu ve drone verilerini birlikte kullanmak, uçuşları esnek planlamak |
| Kalibrasyon ve karşılaştırılabilirlik | Işık koşulları ve sensör farkları sonuçları etkiler | Kalibrasyon paneli, standart uçuş saatleri |
| Nedensellik sorunu | Harita farkı gösterir, nedeni açıklamaz | Saha doğrulaması, toprak ve yaprak analizleri |
| Model aktarılabilirliği | Bir ürün veya bölge için kurulan ilişki başka koşulda geçersiz olabilir [1] | Yerel kalibrasyon, sağlam bitki gelişim modelleri |
| Veri işleme yükü | Büyük görüntü dosyaları güçlü bilgisayar ve uzmanlık gerektirir | Bulut tabanlı işleme hizmetleri, eğitim |
| Batarya ve uçuş süresi | Çok rotorlu drone’larda kapsama alanı sınırlıdır | Yedek batarya, uygun uçuş planı veya sabit kanatlı platform |
| Maliyet | Cihaz, sensör, yazılım ve eğitim yatırımı | Hizmet satın alma, kooperatif kullanımı, ücretsiz uydu verisi |
| Mevzuat | Kayıt, izin ve ilaçlama kuralları | Güncel düzenlemelere uyum |
Hangi çiftçi için hangi çözüm?
| İşletme tipi | Önerilen başlangıç | Not |
|---|---|---|
| Küçük işletme | Ücretsiz Sentinel-2 verilerini kullanan mobil uygulamalar | Düşük maliyetle tarlayı haftalık izleme |
| Orta ölçekli işletme | Kritik dönemlerde drone hizmeti satın alma | Gübre ve ilaçlama kararlarında ayrıntılı harita |
| Büyük işletme / kooperatif | Kendi drone’u, eğitimli personel, değişken oranlı ekipman | Yatırımın geri dönüşü için düzenli kullanım şart |
| Örtüaltı üreticisi | İklim ve bitki sensörleri ile otomasyon | Kapalı alanlarda drone yerine sabit sensörler daha uygundur |
Seralarda ve topraksız sistemlerde veri tabanlı yönetimin nasıl yapıldığını Topraksız Tarım Nedir? ve Serada Çilek Yetiştiriciliği yazılarımızda; tarlada sensör, yapay zekâ ve otomasyon uygulamalarını ise Dijital Çiftliklerin Sırları yazımızda bulabilirsiniz.
Tarımsal Veri Yönetimi ve Veri Güvenliği
Drone ve uydu görüntüleri, sensör kayıtları ve verim haritaları bir araya geldiğinde işletmenin en değerli varlıklarından biri olan tarımsal veri oluşur. Bu verinin değer üretebilmesi için düzenli, karşılaştırılabilir ve güvenli şekilde saklanması gerekir. Her uçuşun tarihi, saati, kullanılan sensör ve kalibrasyon bilgileri kaydedilmeli; haritalar parsel sınırlarıyla eşleştirilerek yıllar içinde karşılaştırılabilir hâle getirilmelidir. Hizmet sağlayıcılarla çalışırken verilerin kime ait olduğu, nerede saklandığı, üçüncü kişilerle paylaşılıp paylaşılmayacağı ve hizmet sona erdiğinde verilerin nasıl teslim edileceği sözleşmede açıkça belirtilmelidir. Farklı cihaz ve yazılımlar arasında veri aktarımını kolaylaştırmak için yaygın ve açık dosya formatlarını destekleyen çözümler tercih edilmelidir. İyi yönetilen veri, yalnızca bugünkü kararları değil, gelecekteki planlamayı da güçlendirir.
Geleceğe Bakış: Yapay Zekâ ve Otonom Sistemler
Uzaktan algılamanın geleceği, verinin otomatik olarak yoruma dönüştürülmesinde yatıyor. Yapay zekâ tabanlı görüntü işleme algoritmaları; yabancı otları, hastalık belirtilerini ve bitki sayılarını giderek daha yüksek doğrulukla tanıyabilmektedir. Uydu, drone, yer sensörleri ve hava durumu verilerinin tek bir platformda birleştirilmesi, çiftçiye “hangi parsele, ne zaman, ne kadar” sorularının cevabını sunan karar destek sistemlerinin önünü açmaktadır. Otonom traktörler ve sürü hâlinde çalışan drone’lar ise bu kararların insan müdahalesi olmadan uygulanmasını mümkün kılacaktır. Ancak bu gelişmelerin tüm çiftçilere ulaşabilmesi için dijital altyapının, eğitimin ve uygun fiyatlı hizmet modellerinin de birlikte gelişmesi gerekmektedir.
Drone ve Uzaktan Algılama Kontrol Listesi
- ☐ Uzaktan algılamayı hangi kararım için kullanacağımı belirledim
- ☐ Ücretsiz uydu verilerini kullanarak başlamayı değerlendirdim
- ☐ İhtiyacıma uygun sensörü (RGB, multispektral, termal) seçtim
- ☐ SHGM kayıt ve izin şartlarını kontrol ettim
- ☐ İlaçlama için güncel Bakanlık kurallarını öğrendim
- ☐ Uçuşlarda kalibrasyon ve standart saatler uyguluyorum
- ☐ Harita bulgularını sahada doğruluyorum
- ☐ Toprak analizi ve verim kayıtlarıyla birlikte yorumluyorum
- ☐ Uygulamaların sonuçlarını ölçüyorum
Sık Sorulan Sorular
NDVI nedir ve nasıl hesaplanır?
NDVI, Normalize Edilmiş Fark Vejetasyon İndeksi’dir. Yakın kızılötesi yansıma ile kırmızı yansıma arasındaki farkın bu iki değerin toplamına bölünmesiyle hesaplanır ve -1 ile +1 arasında değer alır. Yüksek değerler genellikle yoğun ve sağlıklı bitki örtüsünü gösterir. İndeks 1974 yılında NASA verileriyle yapılan bir çalışmayla literatüre girmiştir.
Tarımda drone mu yoksa uydu görüntüsü mü kullanmalıyım?
Geniş alanların düzenli ve düşük maliyetle izlenmesi için uydu görüntüleri uygundur; örneğin Sentinel-2 verileri ücretsizdir ve yaklaşık 5 günde bir güncellenir. Santimetre düzeyinde ayrıntı, bitki sayımı, bulutlu havada çalışma veya hedefli uygulama gerekiyorsa drone daha uygundur. Birçok işletme için en iyi yaklaşım ikisini birlikte kullanmaktır.
Tarım drone’u hangi sensörleri kullanır?
En yaygın sensörler normal RGB kamera, multispektral kamera ve termal kameradır. Multispektral kamera NDVI gibi bitki sağlığı indeksleri, termal kamera ise su stresi tespiti için kullanılır. Araştırma amaçlı olarak hiperspektral kamera ve LiDAR da kullanılmaktadır.
Drone ile tarla ilaçlaması yapmak serbest mi?
Türkiye’de drone kullanımı Sivil Havacılık Genel Müdürlüğü düzenlemelerine, tarımsal ilaçlama ise ayrıca Tarım ve Orman Bakanlığı kurallarına tabidir. İlaçlama uygulamaları izinli ve ruhsatlı araçlarla, yetkili kişilerce yapılmalıdır. Güncel şartlar için il veya ilçe tarım ve orman müdürlüğüne başvurulmalıdır.
Uzaktan algılama küçük çiftçiler için uygun mu?
Evet. Ücretsiz Sentinel-2 uydu verilerini kullanan mobil uygulamalar sayesinde küçük çiftçiler de düşük maliyetle tarlalarının bitki sağlığı haritalarını takip edebilir. Daha ayrıntılı analiz gerektiğinde kendi drone’unu almak yerine hizmet satın almak ekonomik bir seçenektir.
NDVI haritası tek başına gübreleme kararı için yeterli mi?
Hayır. NDVI haritası tarlanın farklı bölgeleri arasındaki gelişme farkını gösterir ancak bu farkın nedenini açıklamaz. Zayıf gelişme besin eksikliğinden olduğu kadar su stresi, toprak sorunu veya hastalıktan da kaynaklanabilir. Bu nedenle haritalar saha kontrolü ve toprak analiziyle birlikte değerlendirilmelidir.
Sonuç: Gökyüzünden Gelen Veri, Tarlada Doğru Karar
Drone ve uydu tabanlı uzaktan algılama, tarlanın tamamını kısa sürede, insan gözünün göremediği ayrıntıda izleme imkânı sunarak Tarım 4.0’ın temel taşlarından biri hâline gelmiştir. Bilimsel çalışmalar bu teknolojilerin su stresi, besin durumu, yabancı ot ve hastalık tespiti ile verim tahmininde güçlü araçlar olduğunu göstermektedir. Ücretsiz uydu verileri sayesinde bu teknolojiye erişim artık yalnızca büyük işletmelerle sınırlı değildir.
Ancak en gelişmiş harita bile tek başına karar vermez. Başarı; doğru sorunun sorulmasına, verinin saha gözlemi ve toprak analiziyle doğrulanmasına, mevzuata uyulmasına ve uygulama sonuçlarının ölçülmesine bağlıdır. Tarım teknolojileri hakkındaki diğer rehberlerimiz için Tarım Teknolojileri & Dijitalleşme kategorimizi ziyaret edebilirsiniz.
Kaynaklar
- Maes, W. H. ve Steppe, K. (2019). Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture. Trends in Plant Science, 24(2), 152–164. PubMed PMID: 30558964. doi.org/10.1016/j.tplants.2018.11.007
- Rouse, J. W., Haas, R. H., Schell, J. A. ve Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS-1 Symposium, NASA Goddard Space Flight Center, Cilt 1, Bölüm A. ntrs.nasa.gov
- Avrupa Uzay Ajansı (ESA) / Copernicus. Sentinel-2 veri koleksiyonu ve görev özellikleri. Copernicus Data Space Ecosystem. dataspace.copernicus.eu
- FAO ve ITU (2018). E-agriculture in Action: Drones for Agriculture. Birleşmiş Milletler Gıda ve Tarım Örgütü ve Uluslararası Telekomünikasyon Birliği, Bangkok. fao.org
- Beyaz, A. Tarımda İnsansız Hava Araçları (ZTM-460) ders materyali. Ankara Üniversitesi Açık Ders Malzemeleri. acikders.ankara.edu.tr
Son güncelleme: 8 Ekim 2026. Bu içerik, hakemli bilimsel yayınlar, FAO, Avrupa Uzay Ajansı ve Ankara Üniversitesi kaynakları esas alınarak hazırlanmıştır; bilgilendirme amaçlıdır. Drone kullanımı ve tarımsal ilaçlamaya ilişkin mevzuat değişebileceğinden uygulama öncesinde güncel resmî düzenlemeler teyit edilmelidir.
