Akademik Veri Yönetim Sistemi
ISTINYE INTERNATIONAL INTERDISCIPLINARY ACADEMIC STUDIES CONGRESS, İstanbul, Türkiye, 8 - 10 Mart 2026, ss.456-475, (Tam Metin Bildiri)
Küresel nüfus artışı ve gıda talebine paralel olarak verim artışı gereksinimi, tarımın dijitalleşmesini hızlandırmış; yapay zekâ, Nesnelerin İnterneti ve uzaktan algılama teknolojilerinin entegrasyonu, hassas tarımın dönüşümünde temel bir yaklaşım olarak öne çıkmıştır. İnsansız hava aracı tabanlı sistemler; yüksek mekânsal çözünürlük, esnek veri toplama ve gerçek zamanlı analiz kapasitesi sayesinde bitki hastalıklarının erken tespiti, yabancı ot haritalama, stres analizi, verim tahmini, bitki sayımı, gübreleme ve sulama yönetimi gibi çok sayıda uygulamada etkin biçimde kullanılmaktadır. Bilgisayarlı görü, makine öğrenmesi ve derin öğrenme algoritmaları ile entegre edilen uzaktan algılama verileri;
bitki boyu, yaprak alan indeksi, biyokütle ve azot durumu gibi agronomik parametrelerin hassas izlenmesini mümkün kılmaktadır. Endüstriyel platformlar ve sensör tabanlı çözümler, tarımsal karar destek sistemlerinin doğruluğunu artırırken maliyet tasarrufu, kaynak kullanım etkinliği ve operasyonel verimlilik sağlamaktadır. İnsansız hava araçlarına yapay zekânın entegrasyonu yalnızca objektif veriler sağlamakla kalmamakta, aynı zamanda kaynakların doğru kullanımı yoluyla çevrenin korunmasına, gıda güvenliğine ve sürdürülebilir tarımın gelişimine katkı sağlamaktadır. Bununla birlikte batarya kapasitesi, veri entegrasyonu, yüksek yatırım maliyeti, etik kaygılar, veri güvenliği ve düzenleyici sınırlamalar gibi kısıtlar devam etmektedir. Tarımda insansız hava araçlarının kullanılması ve yapay zekâ entegrasyonu yalnızca üretim verim döngüsünün geliştirilmesi ile değil, aynı zamanda kaynak tasarrufu ile çevrenin korunması ve sürdürülebilir tarıma katkıları açısından da son derece önemli sonuçlar ortaya çıkarmaktadır. Bu derlemede, yapay zekâ destekli insansız hava araçlarının tarımsal üretimdeki rolüne, gelişim evresinden hasada kadar bitki izleme ve yönetim süreçleri ekseninde kapsamlı biçimde değinilmiştir.
In parallel with global population growth and the rising demand for food, the need to increase productivity has accelerated the digitalization of agriculture; the integration of artificial intelligence, the Internet of Things, and remote sensing technologies has emerged as a fundamental approach in the transformation of precision agriculture. Unmanned aerial vehicle-based systems are effectively utilized in numerous applications such as early detection of plant diseases, weed mapping, stress analysis, yield estimation, plant counting, and
fertilization and irrigation management, owing to their high spatial resolution, flexible data acquisition, and real-time analysis capabilities.Remote sensing data integrated with computer vision, machine learning, and deep learning algorithms enable the precise monitoring of agronomic parameters such as plant height, leaf area index, biomass, and nitrogen status. Industrial platforms and sensor-based solutions enhance the accuracy of agricultural decision support systems while providing cost savings, resource-use efficiency, and operational productivity.The integration of artificial intelligence into unmanned aerial vehicles not only provides objective data but also contributes to environmental protection, food security, and the advancement of sustainable agriculture through the efficient use of resources. However, constraints such as battery capacity, data integration, high investment costs, ethical concerns, data security, and regulatory limitations still persist.The use of unmanned aerial vehicles in agriculture and their integration with artificial intelligence yield highly significant outcomes not only in improving the production efficiency cycle but also in conserving resources, protecting the environment, and contributing to sustainable agriculture. In this review, the role of artificial intelligence-assisted unmanned aerial vehicles in agricultural production is comprehensively addressed within the axis of crop monitoring and management processes, from developmental stages to harvest.