Makine öğrenimi destekli bitki hastalığı yönetimi yoluyla tarımda enerji verimliliğinin optimize edilmesi

Bu çalışma, makine öğreniminin (ML) sağladığı hastalık yönetimi sayesinde tarımsal enerji verimliliğinin optimize edilmesi gibi önemli bir konuyu ele almaktadır. Temel amaç, ML teknolojisinin hastalık tespiti yöntemlerinin nasıl değiştiğini araştırmak ve enerji yoğun tarımsal girdilere olan ihtiyacı azaltmaktır. Çalışma, Gri Seviye Eş-Oluşum Matrisi (GLCM) tekniğini kullanarak, derin öğrenme modeli eğitiminde kullanılmak üzere bir kriter ölçeği belirlerken en iyi veri kümesini tanımlamak için başlangıçta kamuya açık 5 bitki veri kümesinin kapsamlı bir analizini gerçekleştirmektedir. İkinci veri kümesi en iyi performansı göstermiştir ve bu nedenle derin öğrenme modeli için girdi veri kümesi olarak kullanılmıştır. Yaygın olarak kullanılan dört derin transfer öğrenme modeli (VGG16, GoogleNet, ResNet50 ve DarkNet53) eğitilmiş ve sınıflandırma görevlerindeki doğruluk seviyeleri değerlendirilmiştir. %96,7 doğruluk değeri ile VGG16 ve %99,7 doğruluk değeri ile Darknet53 test sonuçlarında en iyi performans gösteren modeller olarak göze çarpmıştır. En iyi performansa sahip derin öğrenme modellemesinden elde edilebilecek enerji verimliliğinin matematiksel tahmini yapılmıştır. Artan mahsul verimine ek olarak, bitki hastalıkları yönetiminde bu çalışmadaki yaklaşım kullanılarak %40'lık bir düşüşün gerçekleşeceği tahmin edilmektedir. Bu sonuçlar, tarımda enerji kullanımını azaltmak için hastalıkları hassas bir şekilde yönetme fırsatlarını teşvik ederken, yöntem ve sonuçlarda da yenilikler sunmuştur. Gerçekleştirilen süreçlere dayalı olarak gelecekteki çalışmalar için önerilerde bulunulmuştur. Sonuç olarak bu çalışma, makine öğrenimi teknolojilerinin sürdürülebilir tarım yöntemlerini nasıl tamamen değiştirebileceğini ve çok fazla enerji gerektiren girdilere olan bağımlılığı nasıl azaltabileceğini vurgulamaktadır.