Yapay Zekâ ile Bitki Bazlı Ot Mücadelesi: Daha Az İlaç

Tarımda ot mücadelesi çoğu zaman “göz kararı + geniş alan ilaçlama” refleksiyle yürür. Sonuç: artan herbisit maliyeti, işçilik baskısı, bazı alanlarda gereksiz kimyasal yük ve giderek büyüyen direnç problemi. 25.11.2025 tarihinde duyurulan Ecorobotix–Oregon State University (OSU) iş birliği ise bu alışkanlığa net bir itiraz getiriyor: Otla mücadele, tarla bazında değil bitki bazında yapılmalı.

Bu konu 2025’in son düzlüğünde Türkiye için ayrıca anlamlı. Girdi maliyetleri hâlâ yüksek, işgücü bulmak zor, sürdürülebilirlik baskısı (kalıntı, su kaynakları, çevresel etki) daha görünür. Benim gözlemim şu: Çiftçi, “daha çok teknoloji” değil, “daha ölçülebilir sonuç” istiyor. Yapay zekâ ile bitki bazlı noktasal ilaçlama tam da buraya oturuyor.

Bu yazı, OSU’nun çok yıllı araştırmasını merkeze alıp daha geniş resme bakıyor: Yapay zekâ destekli ot kontrolü nasıl çalışır, hangi metriklerle başarılı sayılır, Türkiye’de hangi ürün ve işletmeler için anlamlıdır, sahaya inerken nereden başlanır?

Bitki bazlı yapay zekâ ot kontrolü neyi değiştiriyor?

Cevap net: Bitki bazlı yaklaşım, herbisiti “rastgele yaymak” yerine hedefe kilitler; maliyeti, çevresel yükü ve direnç baskısını aynı anda aşağı çeker.

Klasik geniş alan ilaçlamada püskürtme, yabancı otun olmadığı yerlere de gider. Bitki bazlı yapay zekâ ot mücadelesi ise kameralar ve görsel işleme sayesinde tarlayı tarar, kültür bitkisi–yabancı ot ayrımını yapar ve sadece hedef noktaya uygulama yapar. Bu mantık iki kritik fark yaratır:

• Seçicilik: Yabancı ot “varsa” müdahale; yoksa sıfır uygulama.
• Ölçülebilirlik: Hangi bölgede hangi ot türü, ne yoğunlukta, ne kadar ilaçla kontrol edildi—hepsi kayda girer.

Bu yaklaşım, “akıllı tarım teknolojilerinde yapay zekâ” serimizin genel hedefiyle birebir örtüşüyor: Kararı sezgiyle değil veriyle almak. Sulamada sensör, verim tahmininde model neyse; ot mücadelesinde de bilgisayarlı görü + sahaya uygun uygulama ekipmanı o.

OSU–Ecorobotix çalışması: Neyi test ediyorlar, neden önemli?

Bu iş birliği, laboratuvar demolarının ötesinde, sahada tekrarlı doğrulama hedefliyor. OSU’da Dr. Pete Berry liderliğinde yürütülen çok yıllı çalışma; çim tohumu üretiminde (Kentucky bluegrass ve tall fescue) yabancı otları bitki bitki tespit edip ilaçlama performansını ölçmeye odaklanıyor.

Araştırma sahası olarak çim tohumu sistemlerinin seçilmesi tesadüf değil:

• Yüksek değerli üretim: Tohum saflığı ve kalite baskısı yüksek.
• Zor yabancı otlar: Poa annua ve Italian ryegrass gibi kontrolü güç türler öne çıkıyor.
• Ürün–ot benzerliği: Bazı yabancı otlar, hedef kültüre çok benzer. Bu da yapay zekâ tanıma işini daha anlamlı bir stres testine dönüştürüyor.

Çalışmada kullanılan ekipman tarafında, bitki bazlı yapay zekâ yaklaşımı ARA Ultra High Precision (UHP) Sprayer ile sahaya iniyor. Sistemin öne çıkan saha verileri:

• 20 feet (yaklaşık 6 m) bom genişliği
• 4,5 mph (yaklaşık 7,2 km/s) çalışma hızı
• 2,4 x 2,4 inç (yaklaşık 6 x 6 cm) kadar küçük hedefi işaretleyip uygulama

Bu sayılar, pratikte şunu anlatıyor: Sistem “yavaş bir robot oyuncak” değil; gerçek tarla hızlarında, geniş iş genişliğiyle ölçülebilir bir kapasite hedefliyor.

Sahada değer yaratan teknoloji, sadece doğru görmeyi değil; doğru hızda ve doğru maliyetle uygulamayı da başarmak zorunda.

Yapay zekâlı noktasal ilaçlama nasıl çalışıyor? (Sahadaki akış)

Özet akış: Gör → sınıflandır → hedefle → uygula → kaydet.

1) Görüntüleme ve algılama

Kameralar tarlayı tarar. Sistem, bitkinin şekli, yaprak yapısı, rengi ve doku bilgisi gibi ipuçlarıyla “bu yabancı ot mu?” sorusuna yanıt üretir. Burada kritik nokta, tek bir fotoğraf hilesi değil; sürekli akışta, değişen ışık ve zemin koşullarında istikrar.

2) Sınıflandırma (kültür bitkisi vs. ot)

Bilgisayarlı görü modeli, tanımlı ot türleri ve ürün desenleri üzerinden karar verir. Ecorobotix’in ürün anlatımına göre sistem, 25+ ürün algoritmasını destekliyor ve 40+ yabancı ot türünü tanıyabiliyor. Bu rakamlar, Türkiye’deki çeşitlilik düşünüldüğünde “her üründe anında çalışır” demek değil; ama ölçeklenebilir bir yaklaşım sunuyor.

3) Milimetrik hedefleme ve uygulama

Hedef belirlendikten sonra nozzle kontrolüyle sadece o nokta ilaçlanır. Noktasal uygulama; hem ilaç tüketimini hem de sürüklenme (drift) riskini düşürür. Özellikle komşu parsel, su kanalı veya hassas ürün yakınında bu pratik bir avantaj.

4) Kayıt ve haritalama

İyi bir sistem sadece “ilaçlar” değil; aynı zamanda nerede, neyi, ne kadar ilaçladığını kaydeder. GIS ile birleştiğinde ot yoğunluğu haritaları çıkar, sezon içi müdahaleler planlanır, bir sonraki yıl “bu alanlar problemli” diyerek erken aksiyon alınır.

Çiftçi için karşılığı: Maliyet, işçilik, direnç ve verim

Bitki bazlı yapay zekâ ot mücadelesinin değeri dört kalemde ölçülür:

1) Herbisit kullanımında düşüş

Ecorobotix, bazı senaryolarda %95’e kadar girdi azaltımı potansiyelinden bahsediyor. Sahada bu oran ürün, ot yoğunluğu, sürüm/ekim sistemi ve yıl koşullarına göre değişir; ama yaklaşımın yönü değişmiyor: gereksiz uygulama ortadan kalktıkça tüketim düşer.

Türkiye’de herbisit maliyetinin toplam girdi içindeki payı ürüne göre değişse de, özellikle yoğun ot basıncında bütçeyi zorlar. Noktasal uygulama, “ilaç fiyatı arttı” dönemlerinde daha hızlı geri dönüş verir.

2) İşçilik baskısının azalması

Ot kontrolü, birçok işletmede ya yoğun traktör mesaisi ya da el çapası/işçi bulma problemi demek. Yapay zekâlı noktasal uygulama, özellikle işgücünün pahalılaştığı bölgelerde ve büyük parsellerde iş planlamasını rahatlatır.

3) Herbisit direnciyle mücadele

Direnç çoğu zaman “aynı etken maddeye sürekli maruz bırakma” ve “geniş alan gereksiz uygulama” ile büyür. Bitki bazlı yaklaşım:

• toplam kimyasal yükü azaltır,
• hedef dışı uygulamayı düşürür,
• entegre mücadele (mekanik + kimyasal + kültürel) için veri üretir.

Tek başına direnç sorununu bitirmez; ama direnç baskısını artıran davranışı törpüler.

4) Verim ve kalite koruması

Yabancı ot, sadece verimi değil kaliteyi de vurur. Çim tohumu örneğinde “tohum saflığı” kritik. Türkiye’de de benzer kalite baskısı;

• tohum üretiminde,
• sebze–meyvede pazar standardında,
• ilaç kalıntısı hassasiyeti olan sözleşmeli üretimde

çok belirgin. Noktasal uygulama, doğru yönetilirse “daha az ilaç” ile “aynı (hatta daha iyi) kontrol” hedefler.

Türkiye’de nerede daha hızlı anlam kazanır? (Pratik eşleştirme)

Bu teknolojiler en hızlı, yüksek değer + yüksek ot baskısı + hassas uygulama ihtiyacı olan yerlerde karşılık bulur. Türkiye için bazı güçlü adaylar:

• Sebzecilik (konvansiyonel açık alan): sıra arası–sıra üzeri karmaşası yüksek, seçicilik değerli.
• Bağ ve meyve bahçeleri: sıra üzeri hedefleme, drift hassasiyeti, işçilik baskısı.
• Tohumluk üretim alanları: saflık ve karışım riski.
• Çim üretimi ve peyzaj alanları: estetik kalite ve yoğun bakım rutini.

Buna karşılık, çok düşük ot yoğunluklu alanlarda veya herbisit maliyetinin toplam bütçede küçük kaldığı sistemlerde yatırım geri dönüşü daha yavaş olabilir.

Sahaya inerken en çok yapılan 5 hata (ve daha iyisi)

Bu teknolojilerin tökezlediği yer genelde yapay zekâ değil, süreç tasarımı. İşte sahada sık gördüğüm hatalar:

1. “Her tarlada aynı ayar olur” sanmak
   Daha iyisi: Tarla bazlı kalibrasyon ve sezon başı deneme parselleri.

2. Ot türü envanteri çıkarmadan başlamak
   Daha iyisi: Hangi otlar baskın? Hangi fenolojik dönemde sorun oluyor? Kısa bir saha sayımı bile fark yaratır.

3. Sadece ilaç tasarrufuna odaklanmak
   Daha iyisi: ROI’yi üçlü hesaplamak: ilaç + işçilik + kalite/verim kaybı.

4. Veri toplamayı “ekstra iş” görmek
   Daha iyisi: Ot haritaları ve uygulama kayıtlarını bir sonraki sezonun karar motoru yapmak.

5. Entegre mücadeleyi unutmak
   Daha iyisi: Noktasal ilaçlamayı; münavebe, mekanik kontrol, doğru ekim sıklığı ve temiz ekipman yönetimiyle birlikte kurmak.

Sık sorulan sorular: Yapay zekâ ile ot kontrolü hakkında

“Gözden kaçırırsa ne olur?”

Sistemler hata yapabilir; bu yüzden ilk sezon hedef “tam otomasyon” değil, kontrollü geçiş olmalı. Deneme alanı, manuel doğrulama ve sonuç ölçümü ile ilerlemek en güvenlisi.

“Işık, çamur, bitki örtüsü… sahada performans düşer mi?”

Düşebilir. Bu yüzden OSU gibi kurumlarla yapılan çok yıllı çalışmalar önemli: farklı mevsim, farklı ışık, farklı yoğunluklarda istikrarlı performans aranıyor.

“Küçük işletmeye uygun mu?”

Teknoloji tek başına “büyük–küçük” diye ayrılmaz; hizmet modeli belirler. Türkiye’de bu alanda en mantıklı başlangıç senaryosu çoğu zaman müteahhit/hizmet sağlayıcıyla (ilaçlama hizmeti) denemek olur.

Akıllı tarımda bir sonraki adım: Ot verisinden karar sistemine

Bu yazıyı “ot ilacı tasarrufu” diye okuyup geçmek kolay. Ben daha büyük bir kazanım görüyorum: Ot yönetimi, dijital tarımın veri katmanına dönüşüyor. Ot yoğunluğu haritaları;

• verim tahmin modellerine açıklayıcı değişken ekler,
• parsel bazlı maliyet muhasebesini güçlendirir,
• tarla içi değişken uygulamayı (VRA) daha anlamlı kılar.

Akıllı tarım teknolojilerinde yapay zekâ, ancak bu tip “saha verisi + operasyon” birleştiğinde gerçek değer üretiyor. OSU–Ecorobotix çalışması bu yüzden önemli: yalnızca bir makineyi değil, bir yönetim yaklaşımını test ediyor.

Ne yapmalı? 30 günde başlayacak bir pilot plan

Eğer 2026 sezonu için yapay zekâ destekli ot mücadelesini ciddiye alıyorsanız, 30 günde şu plan çalışır:

1. İki parsel seçin: biri yüksek ot baskılı, diğeri orta seviyede.
2. Hedef metriği belirleyin: L/da ilaç tüketimi, işçilik saati, kontrol başarısı (%), varsa kalite kriteri.
3. Ot tür listesini çıkarın: en az 10 nokta sayımıyla.
4. Pilot uygulama yapın: aynı gün içinde “klasik uygulama” ile karşılaştırılabilir bir tasarım kurun.
5. Sonuçları kaydedin: yalnız maliyet değil, kontrol kalitesi ve yeniden çıkış (flush) takibini de ekleyin.

Pilot bittiğinde elinizde tek bir şey olacak: “Duyum” değil, kendi tarlanıza ait veri. Kararı o veri versin.

Yapay zekâ ile bitki bazlı ot mücadelesi, Türkiye’de akıllı tarımın en hızlı geri dönüş üreten başlıklarından biri olmaya aday. 2026’da birçok işletme iki seçeneğe sıkışacak: ya artan maliyetleri kabullenmek ya da daha hedefli üretim disiplinine geçmek. Sizce kendi üretiminizde en büyük farkı hangi kalem yaratır: ilaç, işçilik, yoksa kalite kaybı mı?