Dikey Tarımda Yapay Zekâ: Verim, Enerji ve Karlılık

Market raporları, dikey tarım pazarının 2030’lara kadar güçlü bir bileşik büyüme eğilimine girdiğini söylüyor. Benim gördüğüm asıl mesele şu: Dikey tarımı büyüten şey yalnızca “şehirde marul yetiştirmek” fikri değil; kontrollü ortam tarımını (CEA) yönetilebilir ve ölçülebilir hale getiren veri. Veri varsa yapay zekâ var. Yapay zekâ varsa, birim metrekareden aldığınız ürün, harcadığınız enerji ve yakaladığınız kalite standardı bambaşka bir yere gidiyor.

Türkiye’de 2025’in sonuna gelirken tablo tanıdık: şehirleşme artıyor, taze ve izlenebilir gıdaya talep yükseliyor, su maliyeti ve enerji fiyatları yatırım kararlarını doğrudan etkiliyor. Dikey tarımın “pahalı bir hobi” gibi algılandığı dönem kapanıyor; doğru otomasyon ve yapay zekâ ile kurgulandığında perakende, restoran zincirleri ve kurumsal tedarik için ciddi bir üretim modeli haline geliyor.

Bu yazı, “Tarım ve Akıllı Tarım Teknolojilerinde Yapay Zekâ” serisinin bir parçası olarak dikey tarımı AI ile verimli işletme perspektifinden ele alıyor: hangi iş kalemlerinde kazanım sağlanır, enerji ve verim nasıl dengelenir, hangi metriklerle yönetmek gerekir ve sahada nereden başlanır.

Dikey tarım neden şimdi hızlanıyor?

Dikey tarımın hızlanmasının net bir nedeni var: arazi kıtlığı ve tedarik zinciri kırılganlığı şehirlerde görünür hale geldi. İç mekânda, katmanlı raf sistemleriyle üretim; hava koşullarından bağımsız, yıl boyu hasat ve şehir merkezine yakın dağıtım anlamına geliyor.

Daha kısa tedarik zinciri iki kritik fayda getiriyor:

• Fire azalıyor: Hasat–raf arası süre kısaldıkça ürün kaybı düşüyor.
• Kalite standardı yükseliyor: Aynı çeşit, aynı reçete, aynı koşullar; özellikle perakende için değerli.

Bir de işin sürdürülebilirlik tarafı var. Dikey tarım sistemleri (hidroponik/aeroponik + LED + iklim kontrol) doğru tasarlanırsa su tüketimini ciddi ölçüde aşağı çekebilir. Ancak burada dürüst olmak lazım: Su tarafında avantaj kolay; enerji tarafında avantaj “kendi kendine” gelmiyor. Enerji maliyeti kontrol edilmezse, kârlılık zorlanır. Bu noktada yapay zekâ devreye giriyor.

Yapay zekâ dikey tarımın neresinde “para kazandırır”?

Dikey tarımda yapay zekâ en çok şu üç alanda somut değer üretir: enerji optimizasyonu, verim tahmini ve reçete optimizasyonu, hastalık/strese erken uyarı. Yani “güzel raporlar” değil; doğrudan operasyonel maliyet ve satış kalitesi.

1) Enerji optimizasyonu: LED ve iklim kontrolünde akıllı senaryolar

Dikey tarımın maliyet merkezinde genellikle aydınlatma (LED) ve HVAC vardır. Yapay zekâ, burada iki işi aynı anda yapar:

1. Talep tahmini: Günün saatine, dış sıcaklığa, iç nem yüküne ve üretim aşamasına göre enerji ihtiyacını öngörür.
2. Kontrol optimizasyonu: Işık spektrumu/fotoperiyot, fan hızı, soğutma kapasitesi ve nem alma gibi parametreleri hedef KPI’lara göre ayarlar.

Pratikte hedef KPI şudur: kWh/kg ürün (veya kWh/hasat). Yapay zekâ ile yönetilen tesislerde “kWh/kg” metriğini aşağı çeken yaklaşım, çoğu zaman üretimi kısmak değil; gereksiz tepe tüketimleri düzleştirmek ve bitki ihtiyacına uymayan fazla aydınlatmayı azaltmaktır.

Alıntılanabilir cümle: Dikey tarımda kârlılık, çoğu zaman LED’in ne kadar parlak olduğuyla değil, kWh/kg metriğinin ne kadar disiplinle yönetildiğiyle belirlenir.

2) Verim tahmini ve üretim planlama: Raf raf hesap dönemi

Perakende ve HoReCa tarafında sözleşmeli satışın kilidi, tutarlı teslimat. Yapay zekâ burada “ne zaman ne kadar hasat çıkacak?” sorusunu sayısallaştırır.

Kullanılan sinyaller:

• Çeşit ve parti bazında büyüme eğrisi
• Işık reçetesi (PPFD, fotoperiyot), sıcaklık ve EC/pH
• Görüntü analiziyle yaprak alanı ve büyüme hızı
• Geçmiş parti verileri ve sezon içi sapmalar

Sonuç: Daha iyi üretim planı.

• Fazla üretimi azaltıp fireyi düşürür
• Eksik üretim kaynaklı ceza ve müşteri kaybını önler
• İş gücü planlamasını düzeltir (hasat/paketleme piklerini yönetir)

3) Hastalık, küf ve stresin erken tespiti: “Gördüğünü sayıya çevirme”

İç mekânda riskler biter mi? Bitmez; sadece şekil değiştirir. Özellikle yüksek nemli ortamlarda küf/ fungal riskleri ve mikro iklim farklılıkları önem kazanır.

Yapay zekâ destekli görüntüleme ve sensör füzyonu ile:

• Yaprak yüzeyinde renk/tekstür sapmaları
• Bölgesel nem cepleri
• CO₂ dağılım dengesizlikleri

erken yakalanır. Erken uyarı demek, çoğu zaman bir rafı kaybetmek yerine bir tepsiyi ayıklamak demektir.

Dikey tarımın “zor” kısmı: sermaye ve enerji—ama çözümsüz değil

Dikey tarımın önündeki en gerçek iki bariyer:

1. Yüksek ilk yatırım (CAPEX): raf sistemi, LED, iklimlendirme, otomasyon, izolasyon, su arıtma.
2. Enerji maliyeti (OPEX): ışık ve iklim kontrolün sürekli çalışması.

Burada iki yaklaşımı net savunuyorum:

“Önce küçük başla” değil, “önce ölçülebilir başla”

Pilot kurmak iyidir ama pilotun veri üretmesi gerekir. Aksi halde sadece küçük bir masraf kalemi üretirsiniz. Başlangıçta mutlaka şunlar ölçülmeli:

• kWh (aydınlatma/HVAC ayrı ayrı)
• Üretim: kg/hafta ve kg/m²
• Su tüketimi: L/kg
• Kalite: boyut, raf ömrü, iade oranı

Enerjiyi yalnızca “fiyat” olarak değil “kontrol değişkeni” olarak gör

Dikey tarımda enerji sabit bir kader değil; kontrol algoritmasının bir parçası. Akıllı senaryolar:

• Işık reçetesini büyüme evresine göre adaptif yapmak
• HVAC’ı sabit setpoint yerine hedef VPD (buhar basıncı açığı) ile yönetmek
• Üretimi, elektrik tarifesi ve tepe saatlerine göre kaydırmak (uygunsa)

Bu, sadece maliyeti azaltmaz; kaliteyi standardize eder.

Hangi ürünler dikey tarımda daha mantıklı? (Türkiye perspektifi)

Cevap net: hızlı dönen, yüksek katma değerli ve tazelik hassasiyeti yüksek ürünler.

Bugün en yaygın ve mantıklı ürün grupları:

• Yapraklılar (marul, roka, ıspanak benzeri)
• Aromatik otlar (fesleğen, nane, kişniş)
• Mikro yeşillikler

Meyve veren türler (çilek gibi) mümkün; fakat teknik karmaşıklık, tozlaşma/iklim hassasiyeti ve enerji yükü nedeniyle iş modeli daha dikkatli kurgulanmalı. Yapay zekâ burada “deneme-yanılma maliyetini” azaltır: reçete optimizasyonu ve verim tahminiyle risk kontrol edilir.

AI tabanlı dikey çiftlik mimarisi: Sahada çalışan bir çerçeve

Dikey tarımda yapay zekâyı başarılı yapan şey modelin “zekâsı” değil; doğru veri akışı ve doğru karar döngüsü.

1) Veri katmanı: Sensör + kamera + iş kayıtları

Minimum set:

• Sıcaklık, bağıl nem, CO₂
• EC/pH, su sıcaklığı, debi
• Enerji ölçümü (aydınlatma ve HVAC ayrı)
• Kamera (en azından raf bazında periyodik görüntü)

2) Model katmanı: Tahmin + anomali + optimizasyon

• Tahmin: hasat tarihi ve beklenen kg
• Anomali: raf bazında büyüme sapması, nem cebi
• Optimizasyon: ışık/HVAC setpoint önerileri

3) Operasyon katmanı: SOP ve insan–makine iş bölümü

Yapay zekâ önerir; ekip uygular; sonuç ölçülür. Bu döngü oturmazsa AI “dashboard süsü” olur.

Benim pratik önerim: İlk 60 günde hedefi küçültün.

• Tek ürün
• Tek tesis bölgesi
• 3 KPI: kWh/kg, kg/m², iade oranı

Bu üçü düzeliyorsa, model doğru yoldadır.

Sık sorulan sorular (kısa ve net)

Dikey tarım Türkiye’de hangi şehirlerde daha anlamlı?

Büyük tüketim merkezlerine yakın yerler daha anlamlıdır: dağıtım maliyeti ve teslimat hızı avantajı büyür. Ayrıca enerji tedariki ve bina altyapısı (izolasyon, güç kapasitesi) belirleyicidir.

Yapay zekâ şart mı, “manuel” yönetimle olur mu?

Küçük ölçekte manuel yönetim olur. Ama ölçek büyüdükçe manuel yaklaşım genelde şu duvara çarpar: tutarlılık. AI, aynı kaliteyi daha az sapmayla üretmek için gerekli.

En hızlı geri dönüş hangi AI uygulamasında?

Çoğu tesiste en hızlı geri dönüş, enerji optimizasyonu + erken uyarı kombinasyonundan gelir. Çünkü doğrudan maliyet ve kayıp azaltır.

Son söz: Dikey tarımın geleceği “akıllı işletme”de

Dikey tarım pazarı büyüyor çünkü şehirler büyüyor ve tedarik zinciri “yakın üretim” istiyor. Ama kârlılık kendiliğinden gelmiyor. Yapay zekâ, dikey tarımı romantik bir fikir olmaktan çıkarıp ölçülebilir bir üretim tesisine dönüştürüyor.

Bu serinin genel temasıyla aynı yere varıyoruz: yapay zekâ, tarımda verim tahmini, hastalık tespiti ve sulama/iklim optimizasyonu gibi alanlarda somut sonuç üretir. Dikey tarımda ise bu etki daha da görünür; çünkü her şey kontrol edilebilir ve her şey ölçülebilir.

Bir sonraki adım basit: Tesisiniz (ya da yatırım planınız) için hangi KPI’ların para kazandırdığını netleştirin ve veri toplama mimarisini buna göre kurun. Sizce sizin iş modelinizde en kritik metrik hangisi: kWh/kg mı, kg/m² mi, yoksa teslimat tutarlılığı mı?