Tarımda robotik, otonom araçlar ve görüntü işleme: bugün sahada olan ve hâlâ laboratuvarda kalan

Tarım robotları artık yalnız fuar standlarında değil, bazı tarlalarda da çalışıyor. Ancak "robot" başlığı altında toplanan teknolojilerin olgunluk düzeyi birbirinden çok farklı: kimi yıllardır yaygın, kimi ilk ticari adımlarını atıyor, kimi hâlâ deneme parsellerinde. Bu rehber, Avrupa Parlamentosu Araştırma Servisi (EPRS/STOA), Avrupa Komisyonu Ortak Araştırma Merkezi (JRC) ve FAO yayınlarına ve hakemli çalışmalara dayanarak hangi çözümün bugün satın alınabildiğini, hangisinin izlenmeye değer olduğunu özetliyor.

Neden şimdi gündemde?

İki itici güç öne çıkıyor: işgücü ve girdi maliyeti. EPRS/STOA'nın 2023 çalışması, ABD'de meyve üretiminde işçiliğin toplam üretim maliyetinin çoğu zaman yüzde 40-60'ını oluşturduğunu ve Avrupa'daki durumun buna oldukça benzediğini aktarıyor. Aynı çalışmaya göre girdi fiyatları artarken portakal ve mandalina satış fiyatları yaklaşık 20 yıl yerinde saydığı için İspanya narenciye sektörü ciddi baskı altında (EPRS/STOA, 2023). Kozan portakalı gibi emek yoğun bir üründe bu tablo tanıdık.

FAO'ya göre otonom tarla robotları ticari kullanıma ancak çok yakın zamanda girdi; daha çok yüksek gelirli ülkelerde, örneğin Fransa'da organik sebze ve şeker pancarında çapalama için kullanılıyor ve bu tür makineler geliştiren 40'tan fazla girişim var. Küçük ölçekli üreticilerde benimsenme ise yok denecek kadar az (FAO, 2022).

Olgunluk haritası

Akıllı püskürtme: ilaç yalnız yabancı ota

Mantık basit: herbisit toprağa ya da kültür bitkisine değil, yalnız yabancı otun bulunduğu yere gider. Derin öğrenme, kameraların yabancı otu kültür bitkisinden ayırma başarısını belirgin biçimde artırdı; marulda yabancı otu makine görüşüyle bulup ilaçlayan "see and spray" teknolojisi bunun bilinen örneği. Brezilya'da geliştirilen otonom bir bahçe püskürtücüsü saatte 15 km hıza çıkabiliyor ve bitki örtüsü olmayan yerde püskürtmeyi kesiyor (EPRS/STOA, 2023).

Tasarruf ne kadar? Hakemli bir derlemeye göre yama püskürtme, çeşitli ürünlerde herbisitte en az yüzde 50 tasarruf sağladı ve izleyen yıllarda ek yabancı ot kontrol maliyeti doğurmadı. Aynı derleme önemli bir engelin altını çiziyor: çoğu sistem kendi bilişim protokolünü kullandığı için farklı üreticilerin sensörü ile ekipmanı birbirine bağlanamıyor; tak-çalıştır standartları benimsemeyi hızlandırır ve işletme maliyetini düşürür (Gerhards vd., 2022). Drone ile ilaçlamanın kuralları platformumuzdaki ayrı rehberde ele alınıyor.

Görüntüyle hastalık tespiti: laboratuvar ile bahçe arasındaki fark

Kontrollü koşullarda çekilmiş 54.306 yaprak fotoğrafıyla eğitilen bir derin öğrenme modeli, 14 ürün ve 26 hastalığı ayırt etmede test setinde yüzde 99,35 doğruluğa ulaştı. Aynı model, farklı koşullarda çekilmiş görüntülerde yüzde 31 civarına düştü. Yazarlar modelin tek yaprak ve düz zemin koşuluna bağlı olduğunu, pek çok hastalığın yaprağın üst yüzü dışında da belirti verdiğini not ediyor (Mohanty vd., 2016). EPRS/STOA da derin öğrenme algoritmalarını yeterince eğitmek için farklı yer, mevsim ve çeşitlerden çok sayıda etiketli görüntü gerektiğini, spektral görüntülemenin özellikle sera ve dikey tarımda patojen tespiti için umut verdiğini belirtiyor (EPRS/STOA, 2023). Pratik sonuç: bu araçlar ön uyarı için yararlı, ama teşhis bir ziraat mühendisinin ya da laboratuvarın onayını gerektirir.

Hasat robotları neden hâlâ zor?

Seçici hasat, meyveyi bulmayı, ona yaklaşmayı ve bitkiye zarar vermeden koparmayı gerektirir. 50 hasat robotunu inceleyen bir derlemeye göre ortalama başarı konum belirlemede yüzde 85, koparmada yüzde 75, toplam hasatta yüzde 66 idi; meyve başına ortalama döngü süresi 33 saniyeydi ve robotların hiçbiri ticarileşmemişti (Bac vd., 2014). Ekonomik tablo da temkinli: 18 çalışmayı inceleyen bir derleme, hepsinin otomasyonun kârlı olduğu bazı senaryolar bulduğunu, ancak çoğunun prototip verilerine ya da tasarım hedeflerine ulaşılacağı varsayımına dayandığını ve hepsinin gelişmiş ülkelerde yapıldığını gösteriyor (Lowenberg-DeBoer vd., 2020).

Maliyet, mevzuat ve diğer sınırlamalar

• Fiyat algısı: Yunanistan'ın da içinde olduğu dokuz AB ülkesinde 1.444 çiftçiyle yapılan JRC anketinde katılımcıların yüzde 77'si tam otomatik tarla robotlarını (çapa üniteleri, ot robotları) pahalı ya da çok pahalı buldu. Bu robotların benimsenmesinde öz kaynak payı yüzde 40'ın altında kaldı; kiralama ya da leasing yüzde 27 pay aldı (JRC, 2025).
• Gözetim kuralları: Bazı ülkelerde otonom makinelerin başında sürekli bir kişinin bulunması gerekiyor; bu durumda klasik makine daha avantajlı olabiliyor. Hız sınırları da kârlılığı düşürebiliyor (FAO, 2022).
• AB makine mevzuatı: 14 Ocak 2027'den itibaren uygulanacak (AB) 2023/1230 sayılı Makine Tüzüğü, otonom mobil makineler için uzaktan gözetim işlevini tanımlıyor: bu işlev yalnız makineyi durdurma, başlatma ya da güvenli konuma alma komutuna izin veriyor ve işlev etkin değilse makine çalışamıyor (AB, 2023).
• Beceri: AB'de 2016'da tarım işletmesi yöneticilerinin yüzde 57,9'u 55 yaş ve üzerindeydi, yüzde 68,3'ü yalnız pratik deneyime sahipti; EPRS/STOA bu nedenle güçlü bir yayım ağı ve eğitim öneriyor (EPRS/STOA, 2023).

Kozan ve Larissa'daki işletme için başlangıç noktaları

1. Olgun teknolojiyle başlayın: GNSS dümenleme ve kesit kontrolünde bindirme azaldığı için girdi tasarrufu hemen görülür (FAO, 2022).
2. Pahalı ekipmanı ortak kullanın: EPRS/STOA, yüksek maliyetin üretici birlikleri, kooperatifler ya da hizmet sağlayıcılar aracılığıyla paylaşılabileceğini belirtiyor.
3. Satın almadan önce kendi bahçenizde ya da tarlanızda gösterim isteyin; yabancı ot yoğunluğu, sıra aralığı ve toprak koşulu sonucu belirler.
4. Veri ve uyumluluk sorusunu baştan sorun: makinenin hangi veri biçimini kullandığı, başka markanın sensörüyle çalışıp çalışmadığı ve verinin kime ait olduğu yazılı olmalı.

Kaynaklar

1. FAO, 2022. The State of Food and Agriculture 2022: Leveraging automation in agriculture for transforming agrifood systems, Bölüm 2: The state of digital automation technologies and robotics in agriculture (erişim 29 Eylül 2026)
2. Avrupa Parlamentosu EPRS/STOA, 2023. Artificial intelligence in the agri-food sector: Applications, risks and impacts (PE 734.711) (erişim 29 Eylül 2026)
3. Avrupa Komisyonu JRC, 2025. Tur Cardona vd., The state of digitalisation in EU agriculture: Insights from farm surveys (JRC141259) (erişim 29 Eylül 2026)
4. Bac, van Henten, Hemming ve Edan, 2014. Harvesting robots for high-value crops: state-of-the-art review and challenges ahead, Journal of Field Robotics 31(6) (erişim 29 Eylül 2026)
5. Gerhards vd., 2022. Advances in site-specific weed management in agriculture: A review, Weed Research 62(2) (erişim 29 Eylül 2026)
6. Mohanty, Hughes ve Salathé, 2016. Using deep learning for image-based plant disease detection, Frontiers in Plant Science 7 (erişim 29 Eylül 2026)
7. Lowenberg-DeBoer, Huang, Grigoriadis ve Blackmore, 2020. Economics of robots and automation in field crop production, Precision Agriculture 21 (erişim 29 Eylül 2026)
8. Avrupa Birliği, 2023. (AB) 2023/1230 sayılı Makine Tüzüğü (EUR-Lex) (erişim 29 Eylül 2026)