Tarımsal faaliyetlerde düşük maliyetler yüksek verimli hasat almak oldukça önemlidir. Hasattan yüksek verim almak için de tarım arazisine uygun ürün ve gübre seçimi yapmak gerekmektedir. Tarımda düşük maliyetler ile yüksek verim alma da akıllı tarım ile mümkün olabilmektedir. Akıllı tarım ile tarımsal faaliyet aşamaları kontrol edilebildiği gibi; dış etkenlerden gelebilecek olumsuzluklara karşı da önlem alınabilmektedir. Tarım arazilerini uzaktan kontrol edebilmek için; nesnelerin interneti (IoT) tabanlı sensörler, bu sensörlerden veri alıp sunucuya göndermek için donanımsal sistemlere ihtiyaç vardır. Sunucuya gönderilen verilerde yapay zekâ algoritmaları ile değerlendirilip sonuca göre arazinin ihtiyacı belirlenir ve tarım aşamasına uygun gübre ihtiyacı, sulama ihtiyacı vb. ihtiyaçlara göre işlem yapılır. Bu amaçla bu çalışmada tarım arazisinden IoT ile sensör verilerinin alınıp sunucuya göndermek amaçlı arazi ve sunucu modülü olmak üzere donanımsal ürünler yapılmıştır. Yapay zekâ alanlarından biri olan makine öğrenmesi yöntemleri ile modelleri eğitmek için açık erişimli internet sitelerinden alınan veri setleri kullanılmıştır. Araziden alınan veriler oluşturulan makine öğrenmesi modelleri ile değerlendirilip araziye uygun ürün ve gübre seçimi yapılmasına olanak sağlanmaktadır.
In agricultural activities, it is very important to get high-yield harvests at low costs. To get a high yield from the harvest, it is necessary to choose products and fertilizers suitable for the agricultural land. Getting high yields with low costs in agriculture is also possible with smart agriculture. With smart agriculture, agricultural activity stages can be controlled; Precautions can also be taken against negativities that may arise from external factors. To control agricultural lands remotely; Internet of Things (IoT) based sensors require hardware systems to receive data from these sensors and send them to the server. The data sent to the server is evaluated with artificial intelligence algorithms and the need for the land is determined according to the result and the need for fertilizer, irrigation need, etc. suitable for the agricultural stage is determined. Processing is carried out according to needs. For this purpose, in this study, hardware products, including field and server modules, were developed to capture sensor data from agricultural land with IoT and send it to the server. Data sets taken from open-access websites were used to train models with machine learning methods, one of the fields of artificial intelligence. The data taken from the field is evaluated with the created machine learning models, allowing the selection of products and fertilizers suitable for the land.
