Pesach Benson • 16 Aralık 2025

Kudüs, 16 Aralık 2025 (TPS-IL) — Yeni bir İsrail çalışması, makine öğrenmesi modellerinin yakında yetiştiricilere bitkilerinin günlük ne kadar su kullandığını çok daha hassas bir şekilde tahmin etmeleri için bir yol sunabileceğini ve aynı zamanda bitki stresinin erken tespitinin temelini atabileceğini öne sürüyor.

Araştırma, günlük bitki terlemesine odaklandı; bu, suyun yapraklar aracılığıyla buharlaştığı bir süreç ve bir bitkinin aslında ne kadar su tükettiğinin kilit bir göstergesi. Terleme sulama planlamasının merkezinde yer alırken, bunu değerlendirmeye yönelik mevcut yöntemlerin çoğu, bitkinin kendi fizyolojik davranışından ziyade hava durumu verileri veya toprak nemi gibi dolaylı bilgilere dayanıyor.

Kudüs İbrani Üniversitesi’nde Prof. Menachem Moshelion’un denetiminde Shani Friedman ve Nir Averbuch liderliğindeki çalışma, yarı ticari sera koşullarında yetiştirilen domates, buğday ve arpa bitkilerinden yedi yıllık sürekli, yüksek çözünürlüklü ölçümlere dayanıyordu. Yüksek hassasiyetli bir yük hücresi lisimetre sistemi kullanarak ekip, bitki ağırlığındaki ince değişiklikleri gerçek zamanlı olarak kaydetti ve günlük terlemenin doğrudan ve olağanüstü doğru bir şekilde ölçülmesini sağladı.

Bu uzun vadeli, bitki düzeyindeki veri kümesi, kilit bir yeniliğe olanak sağladı: makine öğrenmesi modellerini, dolaylı çevresel vekil değişkenler yerine, sağlıklı, iyi sulanmış bitkilerin gerçekte nasıl davrandığına göre eğitmek. Ekip, verileri Random Forest ve XGBoost gibi modellere besleyerek, makine öğrenmesinin birden fazla mahsulde çevresel koşullar ve bitki özelliklerinden günlük terlemeyi güvenilir bir şekilde tahmin edebileceğini gösterdi.

Bağımsız testlerde, XGBoost modeli 0.82’lik bir R² değeri elde etti ve farklı iklim koşulları altında ve ayrı araştırma tesislerinde uygulandığında bile ölçülen terlemeye yakından uyum sağladı. Araştırmacılara göre, mahsuller ve ortamlar arasında genelleme yapabilme yeteneği, modellerin mahsule özgü gürültüden ziyade temel fizyolojik sinyalleri yakaladığını gösteriyor.

İki değişken özellikle etkili oldu: bitki biyokütlesi ve günlük sıcaklık. Friedman, “Bu değişkenler, bitkilerin ne kadar su tükettiğini sürekli olarak şekillendirdi. Sağlıklı, iyi sulanmış bir bitkinin belirli bir günde nasıl davranması beklendiğini anlamak, bir şeylerin ters gittiğini tespit etmemizi de sağlıyor.” dedi.

Bu konsept, çalışmanın bir başka yenilikçi yönünü temsil ediyor. Model, sağlıklı bir bitkinin ne yapması gerektiğini tahmin ettiği için, tahminden beklenmedik sapmalar stresin erken uyarı işaretleri olarak hizmet edebilir. Bu tür stresler, görünür belirtiler ortaya çıkmadan önce kuraklık, tuzluluk, hastalık, kök hasarı veya diğer çevresel baskılardan kaynaklanabilir.

Friedman, “Bir bitki modelin tahmin ettiğinden farklı davranırsa, bu sapma anormal veya sağlıksız bitki davranışının bir göstergesi olabilir.” dedi.

Hassas sulama üzerine araştırmaları yoğunlaşan Averbuch, bulguların veri odaklı araçların tarımda nasıl kullanılabileceğine dair bir değişime işaret ettiğini söyledi. “Bugün, sulama kararlarının çoğu hala dolaylı tahminlere dayanıyor. Bu model henüz sahaya hazır olmasa da, bulgular gelecekteki sistemlerin daha doğru sulama programlamasını desteklemek için fizyolojik tahminleri nasıl entegre edebileceğini gösteriyor.” dedi.

Mevcut yaklaşım, yetiştiriciler için tipik olarak mevcut olmayan lisimetre verilerine dayanırken, araştırmacılar bunu, sonunda daha pratik sensörlere uyarlanabilecek bitki odaklı karar araçlarına doğru kavramsal bir adım olarak görüyorlar.

Çalışma, Tel Aviv Üniversitesi’ndeki ayrı bir araştırma serasında yetiştirilen bitkiler üzerinde test edildiğinde de iyi performans göstererek, iklimler ve üretim sistemleri genelinde daha geniş uygulanabilirlik potansiyelini güçlendirdi.

Kısa vadede, çalışmanın yaklaşımı en çok araştırma ve kontrollü yetiştirme ortamlarında uygulanabilir. Model, sağlıklı bitkilerin belirli koşullar altında nasıl terlemesi gerektiğine dair hassas bir fizyolojik temel sağlayarak, araştırmacıların mahsul su kullanımını ölçmelerine, sulama algoritmalarını doğrulamalarına ve sera yönetimini iyileştirmelerine yardımcı olabilir. Tahmin edilen ve ölçülen terleme arasındaki sapmalar, görünür belirtiler ortaya çıkmadan önce ıslah denemelerinde veya deneysel sistemlerde bitki stresi için erken bir gösterge olarak da hizmet edebilir.

Uzun vadede, modelden elde edilen içgörüler, daha iyi sulama programlaması ve su tasarrufu sağlayan yetiştiriciler için daha gelişmiş hassas tarım araçlarına işaret ediyor. Benzer modeller saha hazır sensörlerle eşleştirildikçe, kuraklık, tuzluluk, hastalık veya kök hasarından kaynaklanan ortaya çıkan strese karşı yetiştiricileri uyaran erken uyarı sistemlerinin temelini de oluşturabilirler.

Çalışma, hakemli Plant, Cell & Environment dergisinde yayınlandı.