Agriculture dergisinde 30 Eylül 2026'da yayımlanan hakemli çalışma, domates güvesi Tuta absoluta için yapışkan tuzak görüntülerini, günlük böcek sayımlarını ve sera içi çevre sensörlerini tek bir izleme akışında birleştirdi. İspanya'nın Murcia kentindeki üniversite serasında 65 domates bitkisi üzerinde 11 Mayıs–23 Temmuz 2026 arasında toplanan verilerle farklı YOLO görüntü modelleri ve popülasyon tahmin yöntemleri karşılaştırıldı. Araştırmacılar en iyi görüntü modelinin testlerinde yüzde 98,4 mAP50 ve görüntü başına 0,053 saniyelik çıkarım süresi bildirdi. Popülasyon tahmininde birleştirilmiş regresyon modeli, seçilmiş beş değişkenli veri setinde en düşük hata değerlerini verdi. Bu sayılar umut verici olsa da tek sera, tek yaz dönemi ve erkek erginleri çeken tuzak verisiyle sınırlı; doğrudan ilaç azaltımı veya verim artışı kanıtı değiller.
Sistem hangi verileri birleştirdi?
Ekip, beyaz yapışkan tuzaklardan alınan görüntüleri nesne tespit modelleri için etiketledi. YOLOv10, YOLOv11 ve YOLOv26 ailelerinin nano ve küçük sürümleri aynı giriş boyutunda karşılaştırıldı. En iyi sonuç veren YOLO26s, tuzak görüntüsündeki erkek erginleri saymak üzere mobil uygulamaya entegre edildi. Çalışma ayrıca daha önce yayımlanmış sarı tuzak görüntülerini eğitim verisine ekleyerek farklı tuzak arka planlarına karşı genelleme sağlamaya çalıştı.
İkinci katmanda sıcaklık, bağıl nem ve diğer abiyotik ölçümler günlük zararlı sayımlarıyla eşleştirildi. Rastgele orman, XGBoost ve bu modelleri birleştiren oylamalı regresyon yaklaşımı, bir hafta sonrasına yönelik popülasyon tahmini için sınandı. Özellik mühendisliğiyle veri seti beş değişkene indirildi; birleştirilmiş modelde MAE 4,995, MSE 62,415 ve RMSE 7,900 olarak raporlandı. Hata değerlerinin işletme açısından anlamı, müdahale eşiğinin kaç böcek olduğu ve yanlış alarm maliyetiyle birlikte değerlendirilmek zorunda.
Yüzde 98,4 neyi kanıtlıyor, neyi kanıtlamıyor?
mAP50, modelin etiketlenmiş test görüntülerindeki nesne kutularını belirli bir örtüşme eşiğinde ne kadar iyi bulduğunu özetleyen teknik bir ölçüttür. Bu değer; farklı kamera, ışık, toz, tuzak yoğunluğu ve sera yönetiminde aynı başarının otomatik olarak süreceği anlamına gelmez. Özellikle yoğun tuzaklarda üst üste binen bireyler, kanat kalıntıları ve benzer küçük böcekler saha hatasını büyütebilir.
0,053 saniyelik çıkarım süresi de kullanılan donanım ve görüntü işleme zincirinden bağımsız evrensel bir hız değildir. Mobil uygulama entegrasyonu uygulamaya dönük önemli bir adım; ancak çevrimdışı çalışma, cihaz ısınması, kamera kalitesi, veri güvenliği ve model güncelleme süreci ayrıca test edilmeli. Araştırmacılar daha fazla üretim döngüsü verisi toplanması ve karar destek katmanının sonraki aşamada geliştirilmesi gerektiğini kendileri de belirtiyor.
Erken uyarı entegre mücadeleye nasıl bağlanabilir?
Bir izleme sistemi, yalnız sayım ürettiğinde değil, sayımın güven aralığını ve müdahale kuralını da açıkladığında işe yarar. Tuta absoluta yönetiminde tuzak verisi; yaprak ve meyve kontrolleri, biyolojik mücadele ajanları, sera hijyeni ve yerel eşiklerle birlikte okunmalı. Model çıktısı tek başına kimyasal uygulama talimatı olarak kullanılmamalı.
Gerçek faydayı ölçmek için geleneksel haftalık sayım ile AIoT destekli akış aynı işletmede karşılaştırılabilir. Erken fark edilen gün sayısı, kaçırılan salgın, yanlış alarm, personel zamanı, uygulama sayısı, kullanılan etken madde ve pazarlanabilir ürün kaybı birlikte kaydedilmeli. Ancak bu tasarım, daha az pestisit veya daha yüksek verim iddiasını sahada sınayabilir.
Türkiye için doğrulama yolu
Türkiye'deki sera bölgelerinde ilk adım, farklı sezon ve işletmelerden yerel tuzak görüntüsü toplamaktır. Beyaz ve sarı tuzak, farklı kamera, değişen ışık, yüksek böcek yoğunluğu ve benzer türler ayrı test kümelerinde tutulmalı. Bağımsız bir uzman sayımı referans kabul edilmeli; model yalnız kendi eğitim verisiyle değerlendirilmemelidir.
Pilot kabulü için tespit metriğinin yanında karar metriği tanımlanmalı: salgını kaç gün önce haber verdi, kaç yanlış alarm üretti, hangi koşulda bağlantı koptu ve uzman müdahalesi ne kadar sürdü? Veri sahipliği, görüntü saklama süresi ve çevrimdışı güvenli çalışma da sözleşmeye yazılmalıdır. Böylece teknoloji, etkileyici bir laboratuvar skorundan ölçülebilir işletme aracına dönüşebilir.
Editoryal değerlendirme
Agro Gelecek'in değerlendirmesine göre çalışmanın özgün değeri, görüntü tespiti ile çevresel veriye dayalı bir haftalık tahmini aynı sera iş akışında birleştirmesidir. Mobil uygulama gösterimi de çözümün yalnız masaüstü analiz olmadığını gösteriyor.
Buna karşılık veri dönemi yaklaşık iki buçuk ay, tesis sayısı bir ve bitki sayısı 65'tir. Makale, ticari ölçekte pestisit kullanımının azaldığını, ürün kaybının düştüğünü veya yatırımın geri döndüğünü göstermiyor. Bu nedenle sonuç 'hazır otomatik mücadele sistemi' değil, çok lokasyonlu ve sezonlu saha doğrulamasına değer bir erken uyarı prototipi olarak okunmalıdır.
Neden önemli?
Domates güvesinde sayımı ve kısa vadeli tahmini aynı akışta birleştirmek, müdahale zamanlamasını iyileştirebilir; fakat teknik doğruluk ile agronomik fayda aynı şey değildir.
Türkiye için ne ifade ediyor?
Türkiye'de sistem, yerel zararlı popülasyonları ve sera koşullarıyla çok işletmeli kör testten geçirilmeden ilaçlama kararı veya tasarruf garantisi olarak sunulmamalıdır.
Birincil kaynaklar
Olgusal bilgiler aşağıdaki resmî veya doğrudan kurumsal kaynaklarla kontrol edildi.
