ACQUAOUNT-Farm, tarla üzerindeki toprak nemi, sulama debisi ve meteoroloji sensörlerini FAO-56 çift ürün katsayısı yaklaşımına dayanan fiziksel bir toprak-su dengesi modeliyle birleştirerek günlük sulama zamanlaması üretmek için geliştirilmiş gerçek zamanlı bir karar destek platformudur. Sistem Güney Tunus'ta iki narenciye ve iki patates çiftliğinde 2024–2025 döneminde sınanmış; genel olarak R² yaklaşık 0,65, RMSE yaklaşık 0,022 m³ m⁻³ ve MAD yaklaşık 0,016 m³ m⁻³ düzeyinde toprak nemi uyumu elde edilmiştir. Model ile çiftçi uygulamalarının karşılaştırılması, aşırı sulanan bir narenciye alanında “Early” stratejisi için %63–65, 2024 sonbahar patatesinde %80–84 ve 2025 ilkbahar patatesinde %17–33 potansiyel su tasarrufuna işaret etmektedir. Bununla birlikte bu yüzdeler model tarafından yönetilen ve çiftçi uygulamasıyla eş zamanlı kontrollü biçimde karşılaştırılan parsellerden elde edilmiş gerçek tasarruf değerleri değildir; mevcut çiftçi sulaması ile modelin hesapladığı su gereksiniminin karşılaştırılmasına dayanan potansiyel değerlerdir.

Platform her gün saat 05.00'te çalışacak şekilde tasarlanmıştır. Her çalıştırmada geçmiş bir haftayı sensör verileriyle yeniden kurar ve sonraki bir haftanın toprak nemi ile sulama gereksinimini tahmin eder. Böylece toplam iki haftalık hareketli bir hesaplama penceresi elde edilir. Çiftçiye “Early”, “Late” ve “Limit” olarak adlandırılan üç sulama eşiği sunulur. “Early” yaklaşımı su stresini önlemeye, “Late” orta düzey su stresine izin veren kontrollü açık sulamaya, “Limit” ise daha ciddi stres sınırına karşılık gelir.

Çalışmanın en önemli sonucu yalnız yüksek tasarruf yüzdeleri değildir. JD kodlu narenciye çiftliğinde çiftçinin hâlihazırda açık sulama uyguladığı görülmüş ve modelin optimum su stresi olmayan “Early” yaklaşımı bazı sezonlarda çiftçiden daha fazla su önermiştir. Bu bulgu, akıllı sulama sisteminin her durumda “daha az su” anlamına gelmediğini; mevcut sulama yönetimi, ürün gereksinimi, toprak özellikleri ve seçilen stres eşiğine göre önerinin yön değiştirebildiğini göstermektedir.

Araştırmanın temel sorusu nedir?

Çalışmanın çıkış noktası, özellikle kurak ve yarı kurak Akdeniz koşullarında tarımsal sulamanın yalnız sabit takvimlere veya çiftçinin deneyimine bırakılması durumunda gerçek ürün su gereksinimi ile uygulanan su miktarı arasında önemli farklar oluşabilmesidir. Araştırmacılar bu soruna, sahadaki gerçek zamanlı sensör verisini fiziksel olarak yorumlanabilir bir su dengesi modeliyle birleştiren ve ileri düzey teknik bilgi gerektirmeden çiftçiye günlük sulama önerisi sunabilen bir platformla yaklaşmaktadır.

Literatürde sensör tabanlı karar destek sistemleri, veri güdümlü sulama araçları ve uzaktan algılama tabanlı yöntemler bulunmasına rağmen çalışma üç boşluğun altını çizer: bazı sistemlerin yoğun parametre ve uzmanlık gerektirmesi, yalnız veri güdümlü yöntemlerin toprak-su-bitki sürekliliğini açık fiziksel biçimde temsil etmemesi ve birçok çözümün kurak Akdeniz koşullarında sınırlı sınanmış olması. ACQUAOUNT-Farm bu nedenle düşük kullanıcı girdisi, fiziksel yorumlanabilirlik, gerçek zamanlı sensör entegrasyonu ve çoklu ürün kullanımını tek çerçevede birleştirmeyi hedeflemektedir.

Platform hangi verileri kullanıyor?

Model girdileri dört ana gruba ayrılmıştır: iklim, toprak, ürün ve sulama sistemi verileri. İklim girdileri saatlik hava sıcaklığı, bağıl nem, güneş radyasyonu, yağış ve 2 m yükseklikte rüzgâr hızıdır. Geçmiş meteorolojik koşullar sahadaki istasyondan gelirken ileriye yönelik hava tahminlerinde hava tahmin API'leri kullanılmaktadır.

Toprak için kum, silt ve kil oranları; doygun hidrolik iletkenlik; hacim ağırlığı; organik madde; doygunluk, tarla kapasitesi ve solma noktası gibi su tutma parametreleri gereklidir. Bu parametreler kullanıcı tarafından doğrudan girilebilir veya dört pedotransfer fonksiyonunun — Rawls ve arkadaşları, Zacharias & Wessolek, ROSETTA ve EUPTF v2 — topluluk ortalamasıyla tahmin edilebilir.

Her pilot alanda toprak nemi 15, 30 ve 45 cm derinliklerde izlenmiştir. Kullanılan Delta OHM HD3910.1 probları için kaynakta belirtilen ölçüm doğruluğu, 0–0,5 m³ m⁻³ toprak nemi aralığında ve 23 °C toprak sıcaklığında 0,03 m³ m⁻³'tür. Sulama suyu ise sisteme takılan sayaçla saatlik debi olarak kaydedilmiştir.

Toprak nemi sensörleri ile model nasıl aynı ölçeğe getiriliyor?

Sensör kalibrasyonu ile pedotransfer fonksiyonlarından elde edilen su tutma eşikleri farklı dinamik aralıklara sahip olabileceğinden model doğrusal bir harmonizasyon uygular:

\[ SM_{calib}=m\cdot SM_{raw}+q \]

Burada \(SM_{raw}\) ham sensör toprak nemi, \(SM_{calib}\) kalibre edilmiş değer, \(m\) eğim ve \(q\) kesişimdir. Eğim şu oranla belirlenmektedir:

\[ m=\frac{\theta_{fc}-\theta_{wp}} {\theta_{fc,sensor}-\theta_{wp,sensor}} \]

\(\theta_{fc}\) tarla kapasitesini, \(\theta_{wp}\) solma noktasını ifade eder. Amaç, sensörün sahada gözlenen nem değişim aralığını modelin kullandığı fiziksel eşiklerle uyumlu hâle getirmektir.

Referans evapotranspirasyon nasıl hesaplanıyor?

Referans evapotranspirasyon \(ET_0\), FAO Penman–Monteith yaklaşımının saatlik zaman adımına uyarlanmış biçimiyle hesaplanmaktadır:

\[ ET_0= \frac{ 0.408\Delta(R_n-G)+ \gamma\frac{37}{T+273}u_2(e_s-e_a) }{ \Delta+\gamma(1+0.34u_2) } \]

\(R_n\) net radyasyonu, \(G\) toprak ısı akısını, \(\gamma\) psikrometrik sabiti, \(T\) 2 m'deki ortalama hava sıcaklığını, \(u_2\) 2 m'deki rüzgâr hızını, \(e_s\) doygun buhar basıncını, \(e_a\) gerçek buhar basıncını ve \(\Delta\) buhar basıncı eğrisinin eğimini temsil eder.

Médenine pilotunda hesaplanan günlük \(ET_0\), kışın yaklaşık 1–3 mm gün⁻¹ iken yazın yaklaşık 5–6 mm gün⁻¹ düzeyine çıkmaktadır. Çalışmanın iklim grafiğinde yaz aylarında yağışın neredeyse ortadan kalktığı, sıcaklıkların ise belirgin biçimde yükseldiği görülmektedir. Bu iklim yapısı, sulama zamanlamasının neden kısa aralıklarla yeniden değerlendirilmesi gerektiğini açıklayan temel çevresel koşuldur.

Çok katmanlı toprak-su dengesi nasıl işliyor?

Toprak profili sensör derinliklerine karşılık gelen katmanlara ayrılır ve her katman için saatlik bir su bütçesi uygulanır:

\[ \Delta SM\cdot d_i=F_{in,i}-ETa_i-F_{out,i} \]

\(\Delta SM\), katmandaki hacimsel su içeriği değişimini; \(d_i\), katman kalınlığını; \(F_{in,i}\), katmana giren suyu; \(ETa_i\), gerçek evapotranspirasyonla kaybedilen suyu ve \(F_{out,i}\), alt katmana drenajı temsil eder. Üst katmanda giriş yağış ile sulamadan oluşurken daha derin katmanlara su üst katmandan drenajla ulaşır.

Model, damla veya yeraltı damla sulamasında ıslatılan alanı ürün türüne göre toplam alanın bir bölümü olarak kabul eder. Ağaç ürünlerinde sulanan alanın ürün alanının %30'u, yıllık ürünlerde %90'ı olduğu varsayılmıştır. Araştırmacılar yıllık ürünlerdeki %90 kabulünün damla sulamanın gerçek ıslatma alanını fazla tahmin edebileceğini açıkça belirtmekte; buna karşın su stresini eksik hesaplamamak adına talebi hafif yüksek tahmin etmeyi tercih etmektedir.

Bitki su gereksinimi nasıl oluşturuluyor?

Ürün katsayısı FAO-56 çift katsayı yaklaşımına göre iki bileşene ayrılır:

\[ k_c=k_{cb}+k_e \]

\(k_{cb}\) bazal ürün katsayısı, \(k_e\) ise yüzeye yakın topraktaki buharlaşma bileşenidir. Kök bölgesindeki toplam kullanılabilir su ve kolayca kullanılabilir su şöyle tanımlanır:

\[ TAW=(\theta_{fc}-\theta_{wp})\cdot Z_r\cdot1000 \]

\[ RAW=TAW\cdot DF_{adj} \]

\(Z_r\) günlük kök derinliği, \(DF_{adj}\) ise iklim koşullarına uyarlanmış tüketim faktörüdür. Kaynakta sıcak koşullarda sulama sıklığını artırmak için şu ayarlama kullanılır:

\[ DF_{adj}=DF_{tab}+0.1(4-ET_0) \]

Ürüne özgü evapotranspirasyon ve gerçek evapotranspirasyon ise:

\[ ET_c=ET_0\cdot k_c \]

\[ ET_a=ET_0\cdot(k_{cb}\cdot k_s+k_e) \]

şeklinde hesaplanmaktadır. \(k_s\), kök bölgesi su açığı arttıkça 1'in altına düşen su stresi katsayısıdır.

“Early”, “Late” ve “Limit” ne anlama geliyor?

ACQUAOUNT-Farm sulama tarihini kök bölgesi su açığı \(D_r\) ile kolayca kullanılabilir su \(RAW\) arasındaki ilişkiye göre belirler:

\[ D_r=IT_{early}\cdot RAW \]

\[ D_r=IT_{late}\cdot RAW \]

\[ D_r=IT_{limit}\cdot RAW \]

Buradaki \(IT\) katsayıları ürünün su stresine dayanımına göre ürün tablosundan alınır. “Early” eşik su stresi başlamadan sulamayı, “Late” orta düzey su stresine izin veren daha gecikmiş sulamayı, “Limit” ise daha ciddi stres sınırına yaklaşan senaryoyu temsil eder.

Şekiller hangi bilimsel mesajı veriyor?

Toprak nemi serileri, sulamanın ardından özellikle 15 cm'lik yüzeye yakın katmanda keskin nem artışları ve daha sonra drenaj ile bitki su tüketimine bağlı düşüşler göstermektedir. AM alanında 45 cm katmanındaki nemin sık sık tarla kapasitesini aşması, bazı sulamalarda suyun kök bölgesinin altına doğru derin perkolasyonla kaybedildiğine işaret etmektedir.

JD ve SG alanlarında toprak daha kumludur. Ek Tablo 4'e göre kum oranları sırasıyla %85 ve %90,8'dir. JD alanındaki hızlı nem kaybı, modelin bu çiftlikte diğer alanlara göre daha düşük tahmin başarısı göstermesinin çalışma tarafından öne çıkarılan açıklamalarından biridir.

Şekil 5 model tahminlerini sensör gözlemleriyle karşılaştırır. AM ve NR noktaları 1:1 doğrusu çevresinde daha iyi kümelenirken JD'de dağılımın daha belirgin olduğu görülür. Şekilde AM için R²=0,74, RMSE=0,019 ve MAD=0,014 m³ m⁻³; NR için R²=0,85, RMSE=0,018 ve MAD=0,011 m³ m⁻³; SG için R²=0,59, RMSE=0,020 ve MAD=0,017 m³ m⁻³; JD için ise R²=0,43, RMSE=0,029 ve MAD=0,025 m³ m⁻³ gösterilmektedir. Kaynak metni JD için R² değerini 0,44 olarak yazdığından burada fark açıkça korunmaktadır.

Çalışmanın desteklediği sonuçlar

• Fizik tabanlı toprak-su dengesi ile gerçek zamanlı IoT sensör verisinin aynı platformda birleştirilmesi dört gerçek çiftlikte uygulanmıştır.
• Üç çiftlikte model-sensör farkları dört güne kadar kaynakta kullanılan sensör doğruluk ölçütü içinde kalmıştır; JD alanında bu süre iki gün olarak değerlendirilmiştir.
• AM narenciye alanında mevcut sulama, modelin hesapladığı su gereksiniminin belirgin üzerindedir.
• 2024 sonbahar patates sezonunda NR ve SG alanlarında model, çiftçinin uyguladığı sudan çok daha düşük hacimler hesaplamıştır.
• JD narenciye alanında çiftçinin hâlihazırda açık sulama yaptığı görülmüş ve “Early” senaryosu bazı dönemlerde çiftçiden daha fazla su gerektirmiştir.
• Modelin çıktıları yalnız sulama hacmini değil, sulama zamanlamasını ve farklı stres eşiklerini de içermektedir.

Çalışmanın kanıtlamadığı sonuçlar

• Modelin önerileriyle yönetilen parsellerde gerçekten %60–90 arasında su tasarrufu sağlandığı doğrudan deneyle gösterilmemiştir.
• Daha düşük su kullanımının ürün verimini koruduğu bu deney tasarımıyla kanıtlanmamıştır.
• Model kontrollü sulamanın su üretkenliğini veya çiftçi gelirini artırdığı doğrudan ölçülmemiştir.
• Dört Tunus çiftliğindeki performans bütün Akdeniz tarım alanlarına otomatik olarak genellenemez.
• Bir haftalık hesaplama ufku bütün çiftliklerde aynı doğrulukta değildir; tahmin hatası süre uzadıkça artmaktadır.

Türkiye açısından ne ifade ediyor?

Çalışma Türkiye'de gerçekleştirilmemiştir ve Tunus'ta hesaplanan su tasarrufu yüzdeleri Türkiye'deki tarım alanlarına doğrudan taşınamaz. Bununla birlikte sistemin kullandığı temel yaklaşım — saha sensörleri, meteorolojik veri, ürün katsayıları, toprak su tutma özellikleri ve saatlik su dengesi — su kısıtının önemli olduğu Akdeniz tipi tarımsal üretim bölgeleri açısından uygulanabilir bir karar destek mimarisi sunmaktadır. Türkiye'de kullanılması durumunda yerel toprak dokusu, ürün çeşidi, fenoloji, sulama sistemi, meteorolojik yapı, sensör kalibrasyonu, su kalitesi ve işletme uygulamalarının yeniden doğrulanması gerekir.

Çalışmanın Yöntemi ve Bulguları

Pilot alan ve deney kapsamı

Model Güney Tunus'taki Médenine bölgesinde bulunan dört gerçek çiftlikte test edilmiştir. AM ve JD narenciye, SG ve NR ise patates alanlarıdır. Sensörler Mayıs 2024'te veri toplamaya başlamış; analiz dönemi Mayıs 2024–Eylül 2025 arasını kapsamıştır. Patates için 2024 sonbahar ve 2025 ilkbahar üretim çevrimleri, narenciye için 2024 ve 2025 aktif sulama dönemleri değerlendirilmiştir.

Ek Tablo 4 tüm sahalar için doygun hidrolik iletkenliği 2,78 cm h⁻¹ ve hacim ağırlığını 1,40 g cm⁻³ olarak verir. Bununla birlikte yöntem metninde \(K_s\) birimi cm s⁻¹ biçiminde tanımlandığından kaynak içinde birim gösterimi uyuşmazlığı vardır.

Toprak nemi tahmini nasıl doğrulandı?

Model tahmini ile sensör gözlemi arasındaki farklar MBE, MAD, MRD, RMSE ve R² ile değerlendirilmiştir. MAD ortalama mutlak farkı, RMSE büyük sapmaları daha güçlü cezalandıran kök ortalama kare hatayı, R² ise gözlenen değişkenliğin model tarafından açıklanan bölümünü ifade eder. MBE sapmanın yönünü, MRD ise hatanın gözlenen değere göre göreli büyüklüğünü değerlendirmek için kullanılmıştır.

Kaynakta MBE ve MRD yüzde olarak adlandırılmasına rağmen basılı denklemlerde açık bir “×100” çarpanı görünmemektedir. Bu makalede formül sessizce değiştirilmemiş; yalnız kaynakta verilen istatistiksel yorum korunmuştur.

Dört alan birlikte ele alındığında çalışma yaklaşık R²=0,65, RMSE=0,022 m³ m⁻³ ve MAD=0,016 m³ m⁻³ bildirmektedir. Tahmin ufku uzadıkça doğruluk azalmaktadır. AM, NR ve SG için dört güne kadar MAD değerleri kaynakta sensör doğruluk sınırı içinde değerlendirilirken JD'de üçüncü ve dördüncü günler sınır dışı sınıflandırılmıştır.

JD çiftliğinde neden tahmin daha zor?

JD toprağı %85 kum içermektedir ve tarla kapasitesi ile solma noktası arasındaki kullanılabilir nem aralığı dardır. Sensör serileri sulama sonrasında toprak neminin birkaç gün içinde çok hızlı düşebildiğini göstermektedir. Bu hızlı drenaj davranışı, uzun tahmin ufuklarında küçük model sapmalarının büyümesini kolaylaştırmaktadır.

Çiftçi sulaması ile model önerisi arasındaki fark

En dikkat çekici karşılaştırma Tablo 3'te yer almaktadır. Burada “su tasarrufu”, çiftçinin gerçekten tasarruf ettiği suyu değil, çiftçinin uyguladığı toplam su ile modelin aynı sezon için hesapladığı sulama miktarı arasındaki farkı ifade eder. Negatif değer, modelin çiftçiden daha fazla su önerdiğini gösterir.

AM narenciye alanı

Çiftçi 2024'te 30.780 m³ ha⁻¹, 2025'te 28.230 m³ ha⁻¹ sulama uygulamıştır. Modelin “Early” hesapları sırasıyla 10.913 ve 10.306 m³ ha⁻¹, “Late” hesapları 7.224 ve 7.280 m³ ha⁻¹'dır. Tablo 3 bu farkları “Early” için %65 ve %63, “Late” için %77 ve %74 potansiyel tasarruf olarak vermektedir.

Model ayrıca sulama olaylarının hem sıklığını hem de olay başına hacmini düşürmektedir. Çiftçinin 55–56 uygulamasına karşı “Early” senaryosu 41 ve 34 uygulama hesaplamış; ortalama olay hacimleri de çiftçinin yaklaşık 504–560 m³ ha⁻¹ değerlerinden modelde yaklaşık 266–303 m³ ha⁻¹ düzeyine gerilemiştir.

JD narenciye alanı

JD, çalışmanın “daha az su her zaman daha iyi değildir” sonucunu en açık biçimde gösteren sahadır. Çiftçi 2024'te 7.119 m³ ha⁻¹ sulama yaparken “Early” model hesabı 11.720 m³ ha⁻¹'dir; bu nedenle potansiyel tasarruf değeri -%65'tir. “Late” senaryosu 7.433 m³ ha⁻¹ ile çiftçi uygulamasına çok daha yakındır ve değer -%4'tür.

2025'te çiftçi 9.058 m³ ha⁻¹ uygularken model “Early” için 10.380 m³ ha⁻¹, “Late” için 6.669 m³ ha⁻¹ hesaplamıştır. Buna karşılık gelen değerler sırasıyla -%15 ve %26'dır. Araştırmacılar bu sonucu, çiftçinin hâlihazırda açık sulama stratejisi uygulamasıyla ilişkilendirmektedir.

Patates alanları

2024 sonbahar sezonunda fark en büyüktür. NR çiftçisi 7.407 m³ ha⁻¹ sulama yaparken model 1.510 m³ ha⁻¹ “Early” ve 1.254 m³ ha⁻¹ “Late” hesaplamıştır. SG'de çiftçi 9.830 m³ ha⁻¹ uygularken model değerleri 1.614 ve 967 m³ ha⁻¹'dır. Tablo 3'e göre potansiyel tasarruf NR'de %80/%83, SG'de %84/%90'dır.

2025 ilkbaharında farklar küçülmektedir. NR için çiftçi 8.310 m³ ha⁻¹, model “Early” 5.584 m³ ha⁻¹ ve “Late” 4.226 m³ ha⁻¹; SG için çiftçi 7.485 m³ ha⁻¹, model 6.201 ve 4.114 m³ ha⁻¹ hesaplamıştır. “Early” potansiyel tasarrufları bu nedenle sırasıyla %33 ve %17'ye düşmektedir.

Sulama sıklığı da değişiyor

Sonbahar patatesinde model yalnız daha az toplam su değil, çok daha az sayıda fakat olay başına daha yüksek hacimli sulama önermektedir. NR'de çiftçi 50 sulama uygularken model “Early” için 7, “Late” için 6; SG'de çiftçinin 53 uygulamasına karşı model sırasıyla 9 ve 6 sulama hesaplamıştır. İlkbahar sezonunda çiftçi-model farkı belirgin biçimde azalır.

Çalışmanın en kritik sınırlılıkları

• Çiftçi tarafından yönetilen ve model tarafından yönetilen parseller aynı dönemde kontrollü deney tasarımıyla karşılaştırılmamıştır.
• Bu nedenle hesaplanan su tasarrufu potansiyeldir.
• Model önerileriyle sulanan parsellerde verim ve su üretkenliği henüz karşılaştırılmamıştır.
• Düşük maliyetli sensörlerin ölçüm kalitesi küçük çiftliklerde sonuçları etkileyebilir.
• JD örneği, kumlu topraklarda tahmin hatasının daha hızlı büyüyebildiğini göstermektedir.
• Model bazı ıslatılan alan ve kök dağılımı varsayımlarını ürünler arasında genelleştirmektedir.
• Bir haftalık tahmin üretilse de saha doğrulamasında güvenilir tahmin süresi çiftliğe göre yaklaşık iki ile dört gün arasında değişmiştir.

Kaynak ve Yöntem Notu

Kaynak türü: Araştırma makalesi niteliğinde preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu yayın aşaması dikkate alınarak değerlendirilmelidir.

Tam özgün çalışma adı: ACQUAOUNT-Farm: an IoT-based real-time platform for optimizing daily irrigation under water-scarcity

Yazarlar ve sıralama: Andrea Borgo; Fathia Elmokh; Kameleddine Nagaz; Simone Mereu; Guido Rianna; Gennaro Sequino; Francesco Martini; Josep Pijuan Parra; Mauro Lo Cascio; Serena Marras; Antonio Trabucco; Marta Debolini.

Sorumlu yazar: Andrea Borgo.

Eş katkı: Kaynakta eş birinci yazarlık veya eş katkı bilgisi belirtilmemiştir.

Kurumlar: Department of Agriculture, University of Sassari; CMCC Foundation – Euro-Mediterranean Centre on Climate Change; Institut des Régions Arides, Medenine; Institute of BioEconomy, Italian National Research Council; Abinsula srl; Eurecat, Centre Tecnològic de Catalunya, Unit of Applied Artificial Intelligence.

DOI: 10.2139/ssrn.6837412. DOI yüklenen PDF'nin görünür bibliyografik kısmında yazılmamaktadır; SSRN resmî kayıt bilgisi üzerinden doğrulanmıştır.

Platform: SSRN, Abstract ID 6837412.

Yayın tarihi: Güncel SSRN sürümü 27 Mayıs 2026. SSRN kaydı ayrıca 11 Şubat 2026 tarihli önceki bir sürüm göstermektedir.

Dergi/cilt/sayı: Çalışma bu sürümde bir dergi cilt veya sayı bilgisi taşımamaktadır.

Yayınevi: PDF'de ayrı yayınevi bilgisi verilmemiştir.

Lisans: PDF üzerinde açık erişim yeniden kullanım lisansı belirtilmemektedir. SSRN bibliyografik kaydında hakların saklı olduğu ve izin olmadan yeniden kullanımın açık olmadığı belirtilmektedir.

Finansman: ACQUAOUNT projesi, PRIMA programı Grant Agreement [2021] [ACQUAOUNT] [Call 2020 Section Water IA]. Çalışma ayrıca University of Sassari Agrometeorology and Ecophysiology of Agricultural and Forestry Ecosystems doktora programı, CMCC Foundation ve Institut des Régions Arides iş birliği içinde geliştirilmiştir.

Veri erişilebilirliği: Kaynak, ACQUAOUNT-Farm platformunun ücretsiz kayıt ve profil oluşturma sonrasında erişilebilir olduğunu; sulama modelinin deneme betiğinin de GitHub üzerinde bulunduğunu bildirmektedir.

Çıkar çatışması: Yazarlar bilinen rekabet eden finansal çıkar veya çalışmayı etkileyebilecek kişisel ilişki bildirmemiştir.

CRediT yazar katkıları

• Andrea Borgo: Kavramsallaştırma, yöntem, yazılım, doğrulama, biçimsel analiz, araştırma, ilk taslak yazımı ve görselleştirme.
• Fathia Elmokh: Doğrulama, veri düzenleme, inceleme ve düzenleme.
• Kameleddine Nagaz: Doğrulama, kaynaklar, inceleme ve düzenleme, proje yönetimi.
• Simone Mereu: Kavramsallaştırma, inceleme ve düzenleme, proje yönetimi, finansman temini.
• Guido Rianna: Kavramsallaştırma ve proje yönetimi.
• Gennaro Sequino: Veri düzenleme, inceleme ve düzenleme.
• Francesco Martini: Yazılım, doğrulama ve veri düzenleme.
• Josep Pijuan Parra: Yazılım, doğrulama ve veri düzenleme.
• Mauro Lo Cascio: Kaynaklar, inceleme ve düzenleme.
• Serena Marras: Proje yönetimi ve finansman temini.
• Antonio Trabucco: İnceleme ve düzenleme, gözetim.
• Marta Debolini: Yöntem, inceleme ve düzenleme, gözetim, proje yönetimi ve finansman temini.

Bilimsel içerik ve dış doğrulama sınırı

Bu Verianla makalesindeki yöntem, deney koşulları, formüller, saha verileri, performans ölçütleri, su miktarları, tasarruf yüzdeleri, sınırlılıklar ve bilimsel yorumlar yüklenen çalışmaya dayanmaktadır. Dış kaynaklardan yeni deneysel bulgu veya yeni mekanizma eklenmemiştir. Dış kontrol yalnız DOI, SSRN kayıt tarihi, sürüm bilgisi ve lisans statüsü gibi bibliyografik alanların doğrulanmasında kullanılmıştır.

Çalışmanın en önemli yöntemsel sınırı, çiftçi yönetimi ile model yönetiminin eş zamanlı kontrollü parsellerde sınanmamış olmasıdır. Bu nedenle sulama hacmi farkları gerçekleşmiş su tasarrufu olarak değil potansiyel tasarruf olarak değerlendirilmelidir. Gelecek çalışma için yazarların önerdiği temel adım, model önerileriyle yönetilen parselleri çiftçi yönetimindeki parsellerle karşılaştırarak hem verimi hem de su üretkenliğini doğrudan ölçmektir.

Kaynakta bazı metin, tablo, ölçüt ve birim gösterimleri arasında farklılıklar bulunduğundan bu makalede ayrıntılı sayısal karşılaştırmalarda özellikle Tablo 2, Tablo 3 ve ilgili şekillerdeki görünür değerler korunmuş; çelişkiler sessizce tek bir değere dönüştürülmemiştir.