Zeytinde Yapay Zekâ Ne Sağlıyor?

Zeytinde Yapay Zekâ Ne Sağlıyor?

Telefon kamerasıyla olgunluk tespiti, uçaktan alınan görüntülerle belirtiler görünmeden hastalık uyarısı, dronla meyve sayımı… Zeytinde yapay zekâ laboratuvardan bahçeye taşınıyor. Güncel araştırmalar umut verici sonuçlar gösterse de her yöntemin kendi çeşidinde ve bahçesinde doğrulanması gerekiyor.

Zeytinde yapay zekâ: Araştırmalar nereye gidiyor?

Zeytinde yapay zekâ, birkaç yıl öncesine kadar yalnızca laboratuvarlarda konuşulan bir konuydu; bugün telefon kamerasından drona kadar pek çok araçla bahçeye girmeye başladı. Soft Computing dergisinde yayımlanan ve 43 bilimsel çalışmayı sistematik olarak inceleyen derleme, alanın açık biçimde derin öğrenmeye, özellikle de görüntü işlemede kullanılan evrişimli sinir ağlarına yöneldiğini gösteriyor.

Zeytinde Yapay Zekâ Ne Sağlıyor?

Derlemeye göre bu yöntemler çeşit tanıma, yaprak hastalıklarının sınıflandırılması ve verim tahmini gibi görevlerde yüksek doğruluk sağlıyor. Ancak aşağıda örneklerini göreceğimiz gibi, yüksek doğruluk raporlayan çalışmalar çoğu zaman tek bir çeşit, tek bir bölge ve tek bir görüntü setiyle yapılıyor. Üretici açısından asıl soru, bu teknolojilerin hangisinin bugün bahçede gerçekten işe yaradığı ve hangisinin hâlâ araştırma aşamasında olduğudur. Zeytinde yapay zekâ uygulamalarının üreticiye en çok katkı sağlayabileceği alanlar; olgunluk takibi, hastalıkların erken tespiti ve verim tahminidir. Bu yazıda her üç alandaki güncel araştırmaları ve sınırlarını ele alıyoruz.

Olgunluk takibi: Hasat zamanını belirlemek

Hasat zamanı, randımanı ve yağ kalitesini doğrudan etkiler. Geleneksel olarak zeytinin olgunluğu, meyvelerin kabuk ve et rengine göre puanlandığı Jaén olgunluk indeksiyle belirlenir; ancak bu yöntem zaman alıcı ve kısmen öznel. İranlı araştırmacıların Inventions dergisinde 2024’te yayımladığı çalışmada, akıllı telefonla çekilmiş 761 zeytin görüntüsü üzerinde eğitilen derin öğrenme modelleri, Roghani çeşidini beş olgunluk evresine, denenen model ayarlarına göre yüzde 87 ile 93 arasında doğrulukla ayırabildi. İtalya’da geliştirilen ve ışık koşullarını otomatik renk kalibrasyonuyla dengeleyen başka bir makine görüşü yöntemi ise zeytin partilerinin olgunluğunu gerçek zamanlı ölçmeyi hedefledi; ancak doğruluğu yüzde 60’ta kaldı. Bu iki sonuç, telefon uygulamalarının umut verici olduğunu, fakat her çeşit ve bahçe için ayrıca doğrulanması gerektiğini gösteriyor.

Zeytinde Yapay Zekâ Ne Sağlıyor?

Zeytinde yapay zekâ ile olgunluk takibinin en büyük avantajı, aynı ölçümün bahçenin farklı noktalarında hızla tekrarlanabilmesidir. Bu da hasat ekiplerinin önce hangi parsele gideceğine karar vermeyi kolaylaştırabilir. Görüntü işleme yöntemlerinin başarısı büyük ölçüde eğitimde kullanılan fotoğrafların çeşitliliğine bağlıdır; farklı ışık koşulları, çeşitler ve bahçeler içermeyen bir model, sahada beklenen başarıyı gösteremeyebilir. Bu nedenle yerli çeşitlerle yapılacak denemeler, Türkiye’deki üreticiler için özellikle önemlidir.

Hastalık tespiti: Belirtiler görünmeden önce

Yapay zekâ ve uzaktan algılamanın en çarpıcı sonuçlarından biri, Nature Plants dergisinde 2018’de yayımlanan Xylella fastidiosa çalışmasıdır. Araştırmacılar, uçaktan alınan hiperspektral ve termal görüntülerle zeytin ağaçlarındaki fizyolojik değişiklikleri ölçerek bakteri enfeksiyonunu gözle görülür belirtiler ortaya çıkmadan önce yakalayabildi. Floresans ve sıcaklık stresi göstergeleri fotosentez özellikleriyle birleştirildiğinde tespit doğruluğu, laboratuvar testiyle doğrulanmış olarak yüzde 80’in üzerine çıktı.

Haftalık Zeytin E-Bülteni

Dünya zeytincilik gündemi her Cuma e-posta kutunuzda: rekolte, fiyatlar, araştırmalar ve sektör haberleri.

Ücretsiz Üye Olun

Görsel olarak sağlıklı görünen ama sistemin işaretlediği ağaçların daha sonra belirti gösterme oranı, işaretlenmeyenlerin neredeyse iki katı oldu. Xylella, İtalya’nın Puglia bölgesinde milyonlarca zeytin ağacını etkileyen bir hastalık olduğu için erken uyarı, karantina önlemlerinin zamanında alınması açısından hayati önem taşıyor. Derin öğrenme yöntemleri yaprak fotoğraflarından hastalık sınıflandırmasında da yaygın biçimde deneniyor. Zeytinde yapay zekâ ile hastalık tespitinde amaç, laboratuvar testinin yerini almak değil, hangi ağaçların öncelikle test edilmesi gerektiğini göstermektir. Bu sayede sınırlı kaynaklar en riskli alanlara yönlendirilebilir.+

Gelibolu Yarımadası’nda Hasat Bayramı: Kirte Hasat Festivali Kaleden Zeytinliğe UzandıKirte Hasat FestivaliSeddülbahir Kalesi’nde “Zeytine Dair” paneli, Serenad…
Zeytin Prinasından DeriyeZeytin Prinasından DeriyeZeytin prinası ve karasu, deri sektöründe…
Dedikodu ve KooperatiflerDedikodu ve KooperatiflerFabrikaya zeytin getiren üreticiler arasında yaygın…
Tunus Zeytinyağı Tarihi: Roma Afrikası’nda 12 Preslik Dev Tesis Gün Işığına ÇıktıTunus Zeytinyağı TarihiTunus’un Kasserine bölgesinde, Roma İmparatorluğu’nun bilinen…

Verim tahmini ve bugünün gerçekçi beklentisi

Hırvatistan’daki Split Üniversitesi’nde 2024–2027 yıllarında yürütülen CoViO projesi, dron görüntülerinden zeytin meyvelerini, hatta henüz çok küçük olanlarını tespit ederek bahçenin toplam verimini, meyvelerin olgunluğunu ve çiçeklenme yoğunluğu ile verim arasındaki ilişkiyi ölçmeyi hedefliyor. Proje, normal RGB kameralar ile çok bantlı sensörlerin verilerini birleştiriyor ve düşük güçlü cihazlarda çalışabilecek hafif bir sinir ağı geliştirmeyi amaçlıyor.

Bu tür bir sistem, yağhaneler ve kooperatifler için sezon öncesi kapasite planlamasında büyük kolaylık sağlayabilir. Bugün için gerçekçi beklenti şudur: Yapay zekâ, üreticinin bilgisinin yerini almaz; ama bahçede gezerken gözden kaçanı fark etmeye, hasat zamanını daha nesnel belirlemeye ve hastalığı erken yakalamaya yardımcı olan güçlü bir araç hâline geliyor. Zeytinde yapay zekâ araçlarını denemek isteyen üreticiler için en iyi başlangıç, kooperatifler ve üniversitelerle iş birliği yaparak pilot uygulamalara katılmaktır.

KAYNAKLAR

1. Mendes, J., Lima, J., Costa, L., Pereira, A.I. (2026). Empowering olive cultivation with artificial intelligence: a systematic literature review on advancements and prospects. Soft Computing, s. 1–14. DOI: 10.1007/s00500-025-11067-z – https://bibliotecadigital.ipb.pt/entities/publication/e163c847-b904-4044-95cb-165b68a6f33a/full

2. Saedi, S.I., Rezaei, M. (2024). A Modified Xception Deep Learning Model for Automatic Sorting of Olives Based on Ripening Stages. Inventions 9(1): 6 – https://www.mdpi.com/2411-5134/9/1/6

3. Ortenzi, L. vd. (2021). A Machine Vision Rapid Method to Determine the Ripeness Degree of Olive Lots. Sensors 21(9): 2940 (DOAJ kaydı) – https://doaj.org/article/6ddbbf4aec5a44a7b9e9ddabe582a1be

4. Zarco-Tejada, P.J. vd. (2018). Previsual symptoms of Xylella fastidiosa infection revealed in spectral plant-trait alterations. Nature Plants 4(7): 432–439 – https://research.wur.nl/en/publications/previsual-symptoms-of-xylella-fastidiosa-infection-revealed-in-sp/

5. FESB, Split Üniversitesi – CoViO: Computer Vision in Olive Fruit Detection and Yield Estimation (proje sayfası) – https://covio.fesb.unist.hr/about-project

İlgili Yazılar

Dökme Zeytinyağı Taşıma: IBC, Flexitank ve ISO TankDökme Zeytinyağı Taşıma: IBC, Flexitank ve ISO TankBir konteyner dolusu zeytinyağını hangi kapla…
Sofralık Zeytin Nasıl Fermente Edilir?Sofralık Zeytin FermantasyonuAcı zeytini sofraya taşıyan fermantasyonun sırrı…
İspanya 188 Bin Ton Zeytinyağını Piyasadan Çekiyorİspanya 188 Bin Ton Zeytinyağını Piyasadan Çekiyorİspanya zeytinyağı piyasasında Avrupa Birliği’nde daha…
İyi Zeytinyağı Nasıl Tadılır?Zeytinyağı Nasıl Tadılır?İyi bir natürel sızma zeytinyağı meyvemsi…