Akıllı Tarımda Dönüm Noktası: Makine Öğrenimi ve NLP ile Verim Tahmini

Tarım, yüzyıllardır insanlığın temel geçim kaynaklarından biri olmuş olsa da, günümüzde karşılaştığı zorluklar hiç olmadığı kadar karmaşık hale geldi. Değişen iklim koşulları, toprak verimliliğindeki dalgalanmalar ve dalgalı piyasa talepleri, çiftçileri sürekli yeni stratejiler geliştirmeye zorluyor. Ancak bu zorlukların üstesinden gelmek için artık teknoloji devreye giriyor. Makine öğrenimi ve doğal dil işleme (NLP) teknolojilerini birleştiren yeni bir proje, çiftçilere hem mevcut hem de gelecekteki tarımsal kararlarını daha bilinçli bir şekilde alma fırsatı sunuyor.

Projeyi geliştiren ekip, Chityala Akshitha, Kapa Keerthi Reddy ve Kannayavandla Sahasri'den oluşuyor. Ayrıca projenin mimari ve geliştirme süreçlerinde rehberlik eden Chanda Rajkumar'a da özel teşekkürlerini ileten ekip, makine öğrenimi ve NLP'nin tarımdaki potansiyelini ortaya koymayı hedefliyor. Peki, bu sistem nasıl çalışıyor ve çiftçilere ne gibi avantajlar sağlıyor?

Tarımın Karmaşık Dünyasına Veri Bilimiyle Işık Tutmak

Geleneksel tarım uygulamaları, çoğunlukla deneyim ve sezgilere dayalı kararlarla ilerlerken, modern tarım artık veri odaklı bir yaklaşıma geçiş yapıyor. Ancak burada karşılaşılan en büyük sorunlardan biri, çok çeşitli veri kaynaklarının — hava durumu raporları, toprak analizleri, uzman görüşleri, çiftçi geri bildirimleri ve piyasa eğilimleri — bir araya getirilip anlamlı hale getirilmesinin zorluğudur. Proje ekibi, bu sorunun üstesinden gelmek için hem yapılandırılmış hem de yapılandırılmamış verileri aynı anda işleyebilen bir sistem geliştirmiş durumda.

Sistemin çalışma prensibi oldukça basit: Çiftçiler, toprak tipi, iklim koşulları ve ekilecek ürün hakkında temel bilgiler girdikten sonra, makine öğrenimi modeli bu verileri analiz ederek gelecekteki verim tahmininde bulunuyor. Aynı zamanda, NLP teknolojisi sayesinde tarımsal raporlar, çiftçi geri bildirimleri ve piyasa haberleri gibi metinsel veriler de işlenerek, çiftçilere hem sayısal hem de niteliksel öneriler sunulabiliyor. Örneğin, sistem yalnızca "Bu yıl buğday ekimi verimli olmaz" demekle kalmıyor, aynı zamanda nedenini de açıklayarak alternatif önerilerde bulunuyor.

Veri Yönetimi ve Tahmin Mekanizmasının Arka Planı

Bu projenin kalbinde, MongoDB tabanlı bir veri yönetim sistemi yer alıyor. Kullanıcıların girdiği toprak koşulları, iklim verileri ve ürün seçimleri doğrudan MongoDB'ye kaydediliyor. Ardından, makine öğrenimi modelleri bu verileri analiz ederek potansiyel riskleri ve verim tahminlerini hesaplıyor. Aynı zamanda, NLP modülleri sayesinde çiftçilerin gönderdiği metinsel geri bildirimler de işlenerek, yaygın sorunlar ve çözüm önerileri ortaya çıkarılıyor.

Veritabanında yer alan koleksiyonlar arasında şunlar bulunuyor:

• users: Kullanıcı profilleri ve tercihlerinin saklandığı koleksiyon.
• feedback: Çiftçilerin ürün, toprak ve hava durumu hakkındaki notlarını içeren koleksiyon.
• crop_prices: Tarihsel ve güncel ürün fiyatlarının takip edildiği koleksiyon.
• crop_predictions: Makine öğrenimi tarafından yapılan ürün önerileri ve tahminlerin yer aldığı koleksiyon.
• disease_diagnosis: Bitki hastalıklarının teşhis edildiği ve önerilerin sunulduğu koleksiyon.
• price_predictions: Yapay zeka tarafından tahmin edilen gelecekteki ürün fiyatlarına dair veriler.
• dashboard_stats: Sistemdeki genel istatistiklerin ve eğilimlerin izlendiği koleksiyon.

Proje kapsamında kullanılan temel kod parçaları arasında Python tabanlı MongoDB bağlantı ayarları ve Flask framework'ü yer alıyor. Örneğin, MongoDB'ye bağlanmak için kullanılan bağlantı dizesi şu şekilde:

from pymongo import MongoClient

app = Flask(__name__)

client = MongoClient(
    "mongodb+srv://dakshayani:dakshi19@myatlasclusteredu.wizq9sn.mongodb.net/myDB?retryWrites=true&w=majority",
    tls=True,
    tlsCAFile=certifi.where()
)

db = client["myDB"]
collection = db["feedback"]
app.secret_key = 'replace-this-with-a-secure-key'

Gerçek Zamanlı Veri Analizi ve Tahmin Süreci

Sistemin en güçlü yönlerinden biri, gerçek zamanlı veri toplama ve analiz yeteneğine sahip olması. Çiftçiler, mobil veya masaüstü arayüz üzerinden sistemle etkileşime geçerek anında tahminler alabiliyor. Örneğin, bir çiftçi "Ankara bölgesinde bu yıl domates ekimi yapmak istiyorum, toprak pH değeri 6.5 ve geçen ay yağış miktarı 120 mm" gibi bir sorgu girdiğinde, sistem anında:

• Toprak ve iklim verilerini analiz ediyor.
• Geçmiş yıllardaki domates verimleriyle karşılaştırma yapıyor.
• Bölgedeki piyasa fiyatlarını değerlendiriyor.
• NLP modülleriyle tarımsal raporları tarayarak olası riskleri belirliyor.

Tüm bu adımların sonunda, sistem çiftçiye hem sayısal bir verim tahmini sunuyor hem de ekim zamanı, sulama miktarı ve olası hastalıklar hakkında önerilerde bulunuyor. Bu sayede, tarımsal kararlar yalnızca tahminlere değil, bilimsel verilere dayalı olarak alınabiliyor.

Gelecekte Tarımın Dönüşümü: Veriden Karara

Bu proje, tarım sektöründe veri biliminin gücünü ortaya koyan önemli bir adım olarak öne çıkıyor. Makine öğrenimi ve NLP'nin birleşimi, çiftçilerin karşılaştığı belirsizlikleri önemli ölçüde azaltırken, kaynakların daha verimli kullanılmasını da sağlıyor. Gelecekte, bu tür sistemlerin yaygınlaşmasıyla birlikte tarımın daha sürdürülebilir ve verimli hale gelmesi bekleniyor.

Ancak projenin başarısı, yalnızca teknolojik altyapıya değil, aynı zamanda çiftçilerin bu sistemlere güvenmesine ve düzenli veri girişi yapmasına da bağlı. Ekip, ilerleyen dönemlerde sistemin daha da geliştirilmesi ve farklı bölgelerdeki çiftçilere ulaşılması için çalışmalarını sürdürüyor. Tarımın geleceği artık sadece toprağın değil, aynı zamanda verinin de doğru şekilde işlenmesine bağlı olacak gibi görünüyor.