Kazanimlar:
- Çiftçi verisi mülkiyeti, gizlilik ve algoritmik önyargı gibi etik riskleri tanıyıp yönetebilme
- Modülün tüm halkalarını tek bir mevsimlik uçtan uca iş akışında birleştirebilme
- Güvenlik-kritik tarımsal kararlarda AI çıktısının yetkin agronom onayının yerine geçmediğini bir kalite sistemine oturtabilme
Modul Sinavi
1. Ziraat mühendisliğinde yapay zeka çıktısını bir karara dahil etmeden önce uygulanan 'üç çapa' doğrulamasının çapaları hangileridir?
- A) Büyüklük mertebesi, agronomik makullük ve saha kanıtı ✔
- B) Modelin popülerliği, cevabın uzunluğu ve dil akıcılığı
- C) Fiyat, hız ve kullanıcı arayüzü
- D) Marka güvenilirliği, internet bağlantısı ve dosya biçimi
Aciklama: Üç çapa; sonucun beklenen 10'un kuvveti aralığında olup olmadığını denetleyen büyüklük mertebesi, çıktının ürün ve iklimle tutarlılığına bakan agronomik makullük ve karot/örnek yerine tarlada teyit sağlayan saha kanıtıdır. Kaynağın markası, modelin popülerliği ya da metnin akıcılığı doğrulama ölçütü değildir.
2. NDVI (Normalize Edilmiş Fark Bitki Örtüsü İndeksi) temel olarak neyi ölçer?
- A) Toprağın kesin nem yüzdesini santimetre bazında
- B) Yeşil, canlı bitki örtüsünün yoğunluğunu ve gücünü ✔
- C) Hangi hastalık etmeninin bulunduğunu tür düzeyinde
- D) Hasat sonrası kesin ürün fiyatını
Aciklama: NDVI, kızılötesine yakın (NIR) ve kırmızı bant yansımalarının farkını normalize ederek yeşil, fotosentez yapan canlı bitki örtüsünün yoğunluğunu ve gücünü ölçer. Sağlıklı bitki NIR'i güçlü yansıtıp kırmızıyı yoğun soğurduğundan NDVI yükselir; stresli veya seyrek örtüde değer düşer. Doğrudan verimi, toprak nemini veya hastalık türünü ölçmez; bunlar için ek veri gerekir.
3. Bir uydu görüntüsünde NDVI değeri düşük bir bölge görülüyor. Aşağıdakilerden hangisi bu anomaliyi bir mühendislik kararına çevirmeden önce yapılması gereken en doğru adımdır?
- A) Hemen o bölgeye fungisit uygulamak
- B) Bölgeye gübre dozunu iki katına çıkarmak
- C) Saha kontrolü, meteoroloji ve fenoloji ile nedeni doğrulamak ✔
- D) Anomaliyi yok sayıp tüm tarlaya ortalama uygulama yapmak
Aciklama: Düşük NDVI'nin nedeni su stresi, hastalık, besin eksikliği, seyrek çıkış, bulut gölgesi ya da yeni sürülmüş toprak olabilir. Bu belirsizliği ancak saha kontrolü, meteoroloji ve fenoloji ile ayırt edebiliriz; harita tek başına neden söylemez. Doğrudan ilaç veya gübre atmak yanlış nedene müdahale riski taşır.
4. Çiftçiye ait tarla koordinatları, verim ve maliyet verilerini kamuya açık bir AI aracına girerken en doğru yaklaşım hangisidir?
- A) Tüm veriyi kimlik ve koordinatlarıyla olduğu gibi yapıştırmak
- B) Kimlik belirleyen bilgileri anonimleştirip yalnızca gerekli teknik veriyi paylaşmak ✔
- C) Veriyi hiç kontrol etmeden herkese açık bir tabloya yüklemek
- D) Çiftçiden izin almadan veriyi model eğitimine bağışlamak
Aciklama: Çiftçi verisi ticari ve kişisel açıdan hassastır; koordinat, kimlik ve maliyet bilgisi mülkiyet ve gizlilik konusudur. Doğru yaklaşım, kimliği belirleyen bilgileri temsili etiketlerle (Parsel-A, X koordinatı) anonimleştirip yalnızca analiz için gereken teknik veriyi paylaşmaktır. Veriyi olduğu gibi paylaşmak veya izinsiz eğitime açmak etik ve hukuki risk doğurur.
5. Toprak analiz raporunda pH 4,8 olarak okunuyor. Bu değer agronomik olarak ne anlama gelir?
- A) Nötr ve çoğu ürün için ideal bir toprak
- B) Kuvvetli asidik; besin alımını kısıtlayabilen, düzeltme gerektirebilen bir durum ✔
- C) Kuvvetli alkali; kireçleme gerektiren bir durum
- D) Toprakta tuzluluğun aşırı yüksek olduğu anlamı
Aciklama: pH 4,8 kuvvetli asidik bir toprağı gösterir; bu koşulda fosfor ve molibden alımı azalır, alüminyum/manganez toksisitesi riski artar ve birçok üründe kök gelişimi baskılanır. Çoğu tarla bitkisi için 6,0-7,0 uygun aralıktır. Bu nedenle kireçleme gibi bir düzeltme değerlendirilir; asidik toprak 'ideal' değildir ve tek başına yüksek verim garantisi vermez.
6. AI, bir buğday tarlası için dekara 60 kg saf azot önerdi; bölgesel pratik ve hedef verim ise dekara yaklaşık 12-16 kg saf azota işaret ediyor. En doğru davranış nedir?
- A) Öneriyi olduğu gibi uygulamak, çünkü AI hesapladı
- B) Dozu güvenli olsun diye bir de üstüne çıkarmak
- C) Büyüklük mertebesi uyarısı olarak görüp girdileri ve yerel kalibrasyonu kontrol etmek ✔
- D) Toprak analizini hiç dikkate almadan öneriyi yarıya bölmek
Aciklama: Öneri, beklenen aralığın yaklaşık dört katıdır; bu bir büyüklük mertebesi/birim uyarısıdır. Aşırı azot hem ekonomik zarar hem yatma, hastalık ve nitrat kirliliği riski demektir. Doğru davranış, öneriyi reddedip girdileri (birim, ürün, hedef verim, toprak N'si) ve yerel kalibrasyonu kontrol etmektir. Körlemesine uygulamak çevresel ve agronomik zarar doğurur.
7. Sulama kararında kullanılan 'bitki su tüketimi' (evapotranspirasyon, ET) neyi ifade eder?
- A) Yalnızca yağışla toprağa giren su miktarı
- B) Topraktan buharlaşma ve bitkiden terleme yoluyla giden toplam su kaybı ✔
- C) Toprağın elektriksel iletkenliği
- D) Sulama borusundaki basınç değeri
Aciklama: Evapotranspirasyon, topraktan buharlaşma ile bitkiden terleme (transpirasyon) yoluyla atmosfere giden toplam su kaybıdır. Referans ET ile mahsul katsayısı (Kc) çarpılarak ürünün gerçek su ihtiyacı (ETc) kestirilir ve sulama bu su dengesine göre planlanır. ET, yağış miktarı veya toprak tuzluluğu değildir; su bütçesinin çıkış tarafını temsil eder.
8. Yaprakta belirti gören bir mühendis AI'a fotoğraf tarifini verip ön teşhis aldı. Bu teşhisi bir ilaçlama kararına çevirmeden önce hangisi zorunludur?
- A) Etmeni saha/laboratuvar ile doğrulayıp ruhsatlı ve etikete uygun ilaç seçmek ✔
- B) Emin olmak için birkaç farklı ilacı birlikte atmak
- C) AI ne derse hemen o etken maddeyi uygulamak
- D) En ucuz ilacı seçip tüm tarlaya uygulamak
Aciklama: Görüntüden ön teşhis, benzer belirti veren farklı etmenler (fungal, bakteriyel, viral, besin eksikliği, abiyotik stres) nedeniyle tek başına yeterli değildir. Saha örneği ve gerekirse laboratuvar teşhisiyle etmen doğrulanmalı, ardından yalnızca o etmene ve o ürüne ruhsatlı, etiketine uygun ilaç seçilmelidir. Doğrulamasız geniş spektrumlu ilaçlama direnç ve kalıntı riski yaratır.
9. Tarımsal karar desteğinde sık kullanılan GDD (Büyüme Derece Gün) kavramı ne işe yarar?
- A) Toprağın pH değerini takip etmek
- B) Isı birikimiyle bitki gelişim evrelerini ve zararlı çıkışını tahmin etmek ✔
- C) Sulama borusu debisini ölçmek
- D) Ürünün pazar fiyatını hesaplamak
Aciklama: GDD, günlük ortalama sıcaklıktan bir taban sıcaklığı çıkarılarak biriktirilen ısı toplamıdır ve bitkinin gelişim (fenoloji) evrelerini ile bazı zararlıların çıkış zamanını tahmin etmede kullanılır. Böylece ilaçlama, gübreleme ve hasat pencereleri takvim yerine ısı birikimine göre planlanabilir. GDD toprak pH'ı ya da doğrudan yağış miktarı değildir.
10. Makine öğrenmesiyle kurulan bir verim tahmin modeli için aşağıdakilerden hangisi en doğru ifadedir?
- A) Geleceği kesin olarak, hatasız tahmin eder
- B) Geçmiş örüntülere dayanır; belirsizlik aralığıyla verilmeli ve doğrulanmalıdır ✔
- C) Eğitim verisi dışındaki koşullarda da hep aynı doğrulukta çalışır
- D) Agronomik bilgi olmadan tek başına nihai karar merciidir
Aciklama: Makine öğrenmesi modeli, geçmiş veride gördüğü örüntülere dayanır; girdi koşulları eğitim verisinin dışına çıktığında (yeni çeşit, olağandışı iklim) güveni düşer. Bu nedenle çıktı bir nokta değil, belirsizlik aralığıyla verilmeli ve geçmiş verim ile benchmarklarla doğrulanmalıdır. Model, geleceği kesin bilmez ve her koşulda aynı doğrulukta çalışmaz.
11. AI'ın ürettiği bir Python/pandas analiz kodunu çalıştırmadan önce en doğru pratik nedir?
- A) Kodu okumadan doğrudan tüm veri setine uygulamak
- B) Sonucu bilinen küçük bir örnek veriyle test edip formül ve birimleri denetlemek ✔
- C) Sadece hata vermeden çalışması yeterli saymak
- D) Çıktıyı hiç kontrol etmeden rapora koymak
Aciklama: AI üretimi kod doğru görünse de birim, sütun adı, indeks formülü veya filtre mantığı hataları içerebilir. Doğru pratik, sonucu elle bildiğiniz küçük bir örnek veriyle çalıştırıp beklenen çıktıyla karşılaştırmak ve NDVI gibi formülleri kaynağına göre denetlemektir. Kodu görmeden büyük veriye uygulamak sessiz hataları üretime taşır.
12. İzlenebilirlik (traceability) kayıtlarında ilaç uygulama defteri neden kritiktir?
- A) Sadece vergi indirimi almak için
- B) MRL uyumu, sertifikasyon ve parti geri izleme için doğrulanabilir kayıt sağlar ✔
- C) Yalnızca komşu tarlalarla kıyaslama yapmak için
- D) Reklam broşürü hazırlamak için
Aciklama: İlaç uygulama defteri; hangi üründe, hangi etken maddenin, hangi dozda ve tarihte kullanıldığını ve son uygulama ile hasat arasındaki bekleme süresini belgeler. Bu kayıt, maksimum kalıntı limiti (MRL) uyumu, iyi tarım/organik sertifikasyon ve bir sorun çıktığında partiyi geri izleme için zorunludur. Yalnızca maliyet takibi ya da reklam için tutulmaz.
13. Bir AI aracı, bölgede bulunmayan bir zararlıyı 'yaygın tehdit' olarak kendinden emin biçimde raporladı. Bu durum en iyi hangi kavramla açıklanır?
- A) Sensör kalibrasyon hatası
- B) Halüsinasyon: gerçekte olmayan bilginin emin bir dille üretilmesi ✔
- C) Ağ bağlantısı kesintisi
- D) Yağış verisi eksikliği
Aciklama: Modelin gerçekte olmayan veya bağlamla uyuşmayan bir bilgiyi gerçekmiş gibi, akıcı ve kendinden emin üretmesine halüsinasyon denir. Agronomik makullük süzgeci (bölgenin iklimi ve ürün deseni o zararlıya uygun mu?) ve saha kanıtı bu tür hataları imzadan önce yakalar. Bu bir sensör arızası veya birim hatası değildir.
14. Güvenlik ve kalite açısından kritik tarımsal kararlarda (örneğin ilaç dozu, gübre reçetesi, sulama planı) yapay zekanın rolü nasıl tanımlanmalıdır?
- A) Nihai kararı tek başına veren yetkili merci
- B) Yetkin agronom onayının yerine geçen otomatik sistem
- C) Taslak ve öneri üreten, kararı uzmana bırakan bir asistan ✔
- D) Doğrulama gerektirmeyen kesin bilgi kaynağı
Aciklama: Yapay zeka; taslak üreten, veri özetleyen ve hipotez öneren bir asistandır. Kritik kararlarda son söz, saha gözlemi, yerel kalibrasyon ve mevzuatı bilen yetkin ziraat mühendisine aittir; AI çıktısı bu onayın yerine geçmez. Ürün, çevre ve gıda güvenliği söz konusu olduğunda sorumluluk imzayı atan uzmandadır.