1. Anasayfa
2. Sayfalar
3. Yapay Zeka Tarlaya İndi: ChatGPT Bir Çiftliği Yönetebilir mi?

Öğr.Gör. Türkay PEKTÜRK

Tarım, insanlık tarihinin en eski mesleklerinden biri olsa da günümüzde belki de en karmaşık karar alma süreçlerini barındırıyor. Bir çiftçi her sezon tarlasını nasıl hazırlayacağına, hangi tohumu ekeceğine, ne zaman sulayacağına ve zararlılarla nasıl mücadele edeceğine karar vermek zorundadır. Üstelik tüm bu kararlar hava durumu, toprak sağlığı, piyasa fiyatları ve geçmiş yılların verileri gibi sürekli değişen dinamiklere bağlıdır. Bugüne kadar tarımsal karar alma süreçleri genellikle çiftçilerin kendi deneyimlerine veya ziraat mühendislerinin ve komşularının tavsiyelerine dayanıyordu. Geçmişte geliştirilen tarımsal karar destek sistemleri (ADSS) ise genellikle esneklikten yoksundu; statik verilere dayanıyor ve gerçek zamanlı değişimlere hızla uyum sağlayamıyordu.

Ancak günümüzde, tüm bu çoklu veri akışlarını (metin, görüntü, sensör verisi) anında analiz edebilen yeni ve heyecan verici bir teknoloji var: Üretken Yapay Zeka (Generative AI). Peki, devasa verilerle eğitilmiş bir dil modeli olan ChatGPT, deneyimli çiftçilerle rekabet ederek gerçek bir mısır tarlasını yönetebilir mi?

TAPS Yarışması ve "20 Numaralı Parsel" Deneyi

Nebraska-Lincoln Üniversitesi'nden araştırmacılar bu iddialı sorunun cevabını bulmak için bilim dünyasında ses getirecek bir saha çalışmasına imza attılar. 2024 yılının Mart ayında başlayan ve tüm bir mısır yetiştirme sezonunu kapsayan bu çalışmada, OpenAI tarafından geliştirilen ChatGPT-4o yapay zeka modeli bir "tarım danışmanı" olarak kullanıldı. Üniversitenin TAPS (Tarımsal Performans Çözümleri Testi) programı kapsamında düzenlenen yarışmada, deneyimli çiftçiler tarafından yönetilen 31 mısır parselinin arasına, yapay zeka destekli kararlarla yönetilen "20 Numaralı Parsel" de dahil edildi.

Araştırmacılar, sisteme geçmiş tarım kararlarını, ekim öncesi toprak sağlığı laboratuvar raporlarını, uydu görüntülerini ve gerçek zamanlı toprak nemi sensör verilerini sağladılar. Sistemin dışarıdan anlık web araması yapması bilerek kapatıldı; böylece modelin sadece kendisine verilen verileri kullanarak nasıl mantıksal kararlar üretebileceği test edildi. Çalışma boyunca, "döngüde insan" (human in the loop) yaklaşımı benimsenerek, yapay zekanın ürettiği sonuçlar uzmanlar tarafından denetlendi ve uygulandı.

Tohum Seçimi ve Örtü Bitkisinin Yönetimi

Sezonun ilk kritik kararlarından biri, toprağı erozyondan korumak ve su tutma kapasitesini artırmak için kış aylarında ekilen "örtü bitkisinin" ne zaman sonlandırılacağıydı. Yapay zeka, toprak analizlerini ve haftalık yağış verilerini inceleyerek, maliyetleri düşürmek ve nemi korumak adına bu işlemin tam mısır ekimi sırasında yapılmasını önerdi. Ancak model, sulama maliyetlerini ve suyun bulunabilirliğini hesabına katmadığı için araştırmacılar (insan inisiyatifi ile) su tasarrufu sağlamak adına bu kararı iki hafta erkene çektiler.

Tohum seçimi aşamasına gelindiğinde ise ChatGPT-4o yeteneklerini tam anlamıyla sergiledi. Geçmiş yılların rekolte verilerini ustalıkla analiz eden model, verimi yüksek ve girdisi düşük olan "Channel 211-70TRERIB" hibrid mısır tohumunu, hektar başına 79.100 tohum (yaklaşık 32.000 tohum/akre) düşecek şekilde ekmeyi önerdi. Yapay zekanın bu tercihi, yarışmadaki en deneyimli çiftçilerin çoğunun mantığıyla örtüşen, oldukça isabetli ve pratik bir seçimdi.

Uzaydan Gelen Verilerle Gübreleme, Sensörlerle Sulama

Geleneksel karar destek sistemleri genellikle sadece sayısal verileri işleyebilirken, ChatGPT-4o gibi çok modlu (multimodal) modeller grafik boyutundaki haritaları ve tabloları okuyabiliyor. Mısırların büyüme evresinde, araştırmacılar dron ve uydular aracılığıyla alınan bitki örtüsü endeksi (NDVI) haritalarını PDF ve görsel formatlarında yapay zekaya sundular. ChatGPT-4o, hangi parselin ne kadar azota ihtiyaç duyduğunu oldukça iyi analiz ederek, bitkilerin ihtiyacına uygun, mantıklı ve pratik bir sıvı gübreleme (fertigasyon) takvimi oluşturmayı başardı.

Sulama (irigasyon) konusunda ise modele, toprağın 15, 45 ve 75 cm derinliklerinde bulunan sensörlerden gelen gerçek zamanlı nem verileri ile toprak özellikleri iletildi. Model, toprak nemini ideal eşikler arasında tutacak mantıklı sulama kararları aldı ve aşırı uç olaylardan kaçındı. Ancak yapay zekanın internet bağlantısı kapalı olduğu için gelecekteki hava durumu ve yağmur tahminlerini görememesi büyük bir dezavantaj yarattı. İnsanlar yağmur yağacağını bildiklerinde sulamayı ertelerken, model bu veriden yoksun olduğu için bazı dönemlerde tarlayı fazladan suladı.

Tarımsal İlaçlamada "Soğukkanlı" Rasyonellik

Tarımda en çok masraf yapılan ve çevreye etkisi en yüksek alanlardan biri de böcek ve hastalıklara karşı yapılan ilaçlamadır (kemigasyon). Temmuz ayında tarlada yapılan zararlı böcek taraması raporları ChatGPT-4o'ya yüklendi. Model raporu analiz ettiğinde, tarladaki enfeksiyon oranının %4 civarında olduğunu belirterek bu oranın "ekonomik zarar eşiği" olan %5-8 bandının altında kaldığını fark etti. Sonuç olarak yapay zeka, hiçbir böcek ilacının (insektisit) kullanılmamasına karar vererek gereksiz kimyasal kullanımının ve ekstra maliyetin önüne geçen son derece rasyonel bir reçete yazdı.

Hasat Zamanı: Yapay Zeka Çiftçileri Yenebildi mi?

Sezon sonu geldiğinde elde edilen sonuçlar hem umut verici hem de öğreticiydi. Deneyimli çiftçiler tarafından yönetilen parsellerde ortalama verim hektar başına 16.575 kilogram seviyesinde kalırken; ChatGPT-4o destekli "20 Numaralı Parsel", hektar başına 17.436 kilogram mısır üreterek 31 usta çiftçinin tarlası arasında rekolte bazında 8. sıraya yerleşti. Yapılan istatistiksel analizler, yapay zekanın elde ettiği bu yüksek verimin tesadüf olmadığını, ortalama bir çiftçiden anlamlı derecede daha fazla ürün elde edildiğini kanıtladı. Agronomik (tarımsal) verimlilik açısından bakıldığında da sistem 13. sırada yer alarak oldukça rekabetçi bir duruş sergiledi.

Ancak işin ekonomik ve kaynak kullanımı boyutunda yapay zekanın öğrenmesi gereken bazı dersler vardı. Modelin hava durumu tahminlerine erişememesi nedeniyle ortalamadan daha fazla sulama yapması, Sulama Suyu Kullanım Verimliliğini (IWUE) düşürdü. Ayrıca, ürünler hasat edildiğinde yapay zekadan bir pazarlama stratejisi alınmayıp ürünlerin o günkü spot piyasa fiyatından hemen satılması, ton başına elde edilen gelirin ortalamanın altında kalmasına sebep oldu. Yani yapay zeka harika bir ürün yetiştirmişti, ancak karlılık oranında zirveye oynayamamıştı.

Tarımın Geleceğinde Bizi Neler Bekliyor?

Bu çarpıcı araştırma, üretken yapay zeka modellerinin tarımsal kararlarda ne kadar hızlı, mantıklı ve uygulanabilir çözümler üretebildiğini gösteren ilk gerçek dünya çalışmalarından biridir. Sonuçlar açıkça gösteriyor ki; yapay zeka, insan hızından çok daha kısa sürede karar verebiliyor ve verileri birleştirmede üstün yetenekler sergiliyor.

Araştırmacılar, bu sistemlerin henüz bir çiftçinin yerini tamamen alamayacağını, ancak gelecekte çiftçilerin en büyük dijital asistanları olacağını vurguluyor. İlerleyen yıllarda, yapay zeka sistemleri bölgesel hava durumu modelleriyle doğrudan entegre olacak, haritaları ve uzamsal (spatial) verileri doğrudan okuyarak akıllı traktörlere nokta atışı gübreleme ve ilaçlama komutları gönderebilecek. Görünüşe göre geleceğin çiftçisi, elinde çapası olan bir işçi değil; tarlasındaki dronlardan, sensörlerden ve uydulardan akan verileri kendi dilinden anlayan bir yapay zeka asistanıyla sohbet ederek yöneten bir veri ustası olacak.

Kaynak

Chamara, Nipuna & Pan, Yu & Taghvaeian, Saleh & Walters, Cory & Proctor, Chris & Rudnick, Daran & Redfearn, Daren & Luck, Joe & Ge, Yufeng. (2026). Can generative AI make farming decisions? Current status and future pathways – A case study in row crop production with ChatGPT. Artificial Intelligence in Agriculture. https://doi.org/10.1016/j.aiia.2026.03.008

Mayıs 2026 Bülten