Jeo-uzamsal yapay zekâ (Geospatial Artificial Intelligence, GeoAI), coğrafi bilgi sistemleri, uzaktan algılama, mekânsal analitik ve yapay zekâ yöntemlerini mekânsal olarak referanslanmış verilerle birleştirerek izleme, tahmin, optimizasyon ve karar desteği üreten disiplinlerarası bir analitik çerçevedir. Bu sistematik derleme, hassas tarımda GeoAI uygulamalarını 2019–2026 dönemindeki literatür üzerinden incelemekte; uydu görüntüsü, UAV verisi, IoT ve proximal sensor ölçümleri, hava/iklim verileri, toprak bilgisi ve çiftlik yönetim kayıtlarının nasıl bütünleştirildiğini değerlendirmektedir. Derlemede öne çıkan uygulama alanları crop yield estimation, pest and disease detection, soil parameter mapping, resource optimization, climate adaptation ve decision support systems'dır. Ana sonuç, GeoAI'nin tek başına yüksek model doğruluğundan ibaret olmadığıdır: mekânsal bağımlılık, ölçek uyumsuzluğu, transferability, uncertainty, field validation, interpretability ve gerçek işletme akışına entegrasyon hesaba katılmadığında coğrafi referanslı bir modelin operasyonel tarımsal karar sistemi olduğu söylenemez.

Derleme PRISMA 2020 raporlama rehberinden yararlanmış; Scopus ve Web of Science Core Collection ana bibliyografik veri tabanları olarak kullanılmış ve Google Scholar ile backward/forward citation searching ek keşif kanalları olarak değerlendirilmiştir. Kanıt, ürün, bölge, sensör, algoritma, validation design ve değerlendirme metriği bakımından yüksek heterojenlik taşıdığı için meta-analiz yapılmamış; narrative ve thematic synthesis kullanılmıştır.

Literatür genel olarak tek veri kaynağına dayanan haritalama ve tahmin çalışmalarından, farklı sensör ve kayıtları aynı decision-support zincirinde birleştiren sistemlere doğru hareket etmektedir. Buna rağmen verim, kaynak kullanım verimliliği, çevresel yarar ve ekonomik getiri bütün coğrafyalarda otomatik olarak oluşmaz. Sonuçların ürün türü, bölge, sensör kalitesi, calibration, yerel agronomik eşikler, bağlantı altyapısı, maliyet, kullanıcı kapasitesi ve uygulamanın gerçek saha koşullarında doğrulanmasıyla birlikte değerlendirilmesi gerekir.

Jeo-Uzamsal Yapay Zekâ (GeoAI) Hassas Tarımda Nedir?

Jeo-uzamsal yapay zekâ (GeoAI), tarımsal gözlemlerin yalnız koordinatını kullanmakla sınırlı olmayan; GIScience, remote sensing, spatial statistics, machine learning, deep learning ve karar analitiğini mekânsal ve zamansal bağlamla birleştirerek belirli konumlara yönelik tahmin, harita, risk değerlendirmesi veya yönetim önerisi üreten bir yaklaşım ailesidir.

Hassas tarım neden mekânsal bir problemdir?

Bir tarla homojen bir üretim yüzeyi değildir. Crop performance, soil fertility, pest pressure, water availability ve management response aynı arazi içinde dahi konuma ve zamana göre değişebilir. Hassas tarımın temel amacı da bu farklılığı kaybetmeden gözlem yapmak ve gerektiğinde aynı tarla içinde farklı yönetim kararları uygulamaktır.

Bu nedenle GeoAI'nin bilimsel görevi yalnız “tarlanın fotoğrafını sınıflandırmak” değildir. Modelin elde ettiği bilginin nerede geçerli olduğu, hangi alanı temsil ettiği, hangi mevsime ait olduğu, komşu gözlemlerle ne kadar ilişkili olduğu ve önerinin hangi management scale'de uygulanabileceği de analizin parçasıdır.

GeoAI ekosisteminin veri kaynakları

Figure 1'in bilimsel mimarisi

Kaynak Figure 1, GeoAI sistemini beş katmanlı bir bilgi akışı olarak kurmaktadır. İlk katmanda satellite imagery, UAV imagery, proximal/IoT sensors, weather–climate data ve soil/farm records yer alır. İkinci katman spatial–temporal integration'dır: farklı kaynaklar standardize edilir, hizalanır, birleştirilir, kalite kontrolünden geçirilir ve belgelenir.

Üçüncü katman cloud ve edge services'dır. Veri depolama, streaming, computation, containers, GIS databases ve API altyapıları burada yer alabilir. Dördüncü katman GeoAI analytics'tir: spatial statistics, machine learning, deep learning, computer vision, explainability ve uncertainty analysis.

Son katman validated decision support'tur. Kaynak burada crop-health/yield forecasts, pest and disease scouting priorities, prescription maps ve irrigation/soil/climate advisories gibi çıktıları göstermektedir. Bu yapı, model tahmininin son ürün değil; doğrulanmış tarımsal karara giden ara katman olduğunu vurgular.

Change-of-support problemi nedir?

Farklı sensörlerden gelen gözlemler aynı şeyi aynı fiziksel destek üzerinde ölçmez. Bir uydu pikseli onlarca veya yüzlerce metrekarelik yüzeyin ortalamasını temsil edebilir. Bir UAV pikseli çok daha küçük bir canopy parçasını temsil ederken toprak nem sensörü tek bir nokta veya sınırlı sensing volume hakkında bilgi verir.

Bu ölçümlerin hepsini ortak 10 m, 20 m veya başka bir raster grid'e yeniden örneklemek matematiksel olarak ortak koordinat sistemi oluşturabilir; fakat gözlemlerin özgün spatial support'unu aynı hale getirmez. Resampling ve interpolation, varyans, covariance ve mekânsal desenleri değiştirebilir.

Bu nedenle multimodal GeoAI entegrasyonu yalnız dosyaları üst üste bindirme işlemi değildir. Support transformation, scale compatibility, temporal synchronization ve heterogeneous-input uncertainty'nin modele nasıl taşındığı ayrıca değerlendirilmelidir.

Çok modlu veri neden önemlidir?

Tek bir sensör tarımsal sistemin bütün fiziksel durumunu gözleyemez. Satellite imagery geniş alanı tekrar tekrar izleyebilir ancak tek bitki ayrıntısını sınırlı görebilir. UAV çok yüksek mekânsal ayrıntı sağlar fakat geniş alan ve sürekli coverage maliyeti artabilir. IoT sensörü lokal olarak çok sık ölçüm yapabilir ancak alanın tamamını temsil etmeyebilir.

Multimodal fusion yaklaşımında bu kaynakların tamamlayıcı bilgi taşıması amaçlanır. Örneğin yield forecasting sistemi satellite time series'i weather data, soil covariates, cultivar bilgisi ve management records ile birleştirebilir. Böylece model yalnız canopy reflectance değil, canopy'nin hangi toprak, hava ve yönetim koşulunda geliştiğini de değerlendirebilir.

Derlemede öne çıkan altı uygulama alanı

Hangi AI yöntemleri kullanılıyor?

Derlemenin ana sonucu “bir algoritma diğerlerinin tamamından üstündür” değildir. Farklı model aileleri farklı veri yapıları ve görevlerde kullanılır.

Random Forest ve diğer ensemble yöntemleri tabular soil data ve orta büyüklükte remote-sensing veri setlerinde sağlamlık ve yorumlanabilirlik nedeniyle sık kullanılmaktadır. CNN'ler görüntü tabanlı crop-health, segmentation ve pest/disease detection görevlerinde öne çıkar. RNN, LSTM ve GRU gibi sequence modelleri weather, crop-growth ve yield time series için kullanılır.

Vision Transformer ve hybrid CNN–Transformer sistemleri daha geniş görüntü bağlamını ve multimodal representations'ı modellemek için araştırılmaktadır. Graph-based models ise gözlemler arasındaki ilişkilerin açıkça temsil edilmesinin yararlı olduğu problemlerde kullanılabilir.

GeoAI workflow düzeyinde ise multimodal fusion, GIS-based spatial analysis, Explainable AI (XAI), uncertainty quantification, digital twins ve cloud–edge processing modelin çevresindeki sistem mimarisini oluşturur.

Explainable AI ve uncertainty neden birlikte önemlidir?

Bir modelin irrigation, fertilization veya pesticide application gibi gerçek yönetim kararını etkilemesi durumunda yalnız tahmin sınıfını göstermek yeterli değildir. Agronomist veya çiftçi hangi verinin kararı etkilediğini ve modelin bu karar konusunda ne kadar emin olduğunu bilmek isteyebilir.

Derleme SHAP, LIME, Grad-CAM, surrogate models ve attention visualization gibi XAI yaklaşımlarını tartışmaktadır. Uncertainty quantification ise düşük güvenli prediction veya prescription'ların field inspection için işaretlenmesine yardımcı olabilir.

Bu iki katman farklı sorulara cevap verir: explainability “model neden böyle söyledi?” sorusuna; uncertainty ise “modelin söylediğine ne kadar güvenilebilir?” sorusuna yöneliktir.

Coğrafi Referanslı Veri Tek Başına Neden Gerçek GeoAI Değildir?

Bir verinin koordinat taşıması veya harita üzerinde gösterilmesi gerçek mekânsal reasoning'i garanti etmez; kaynak, GeoAI'nin spatial dependence, covariance, support, scale, regional heterogeneity, spatial validation ve transferability gibi mekânsal özellikleri sampling'den karar aşamasına kadar açık biçimde ele alması gerektiğini savunmaktadır.

Mekânsal bağımlılık

Coğrafi olarak birbirine yakın tarımsal gözlemler ortak toprak, topoğrafya, iklim, sulama veya yönetim koşullarını paylaşabilir. Bu nedenle klasik bağımsız-observation varsayımı her zaman geçerli değildir.

Mekânsal istatistik, bu bağımlılığı covariance, variogram, kriging, spatial Bayesian models veya başka spatial models üzerinden açıkça modelleyebilir. GeoAI'nin “geospatial” niteliği de yalnız latitude/longitude sütunundan değil, bu ilişkilerin analitik yapıya nasıl dâhil edildiğinden doğar.

Spatial leakage

Örneğin aynı tarlanın birbirine çok yakın iki pikselinden biri training, diğeri test grubuna rastgele düşerse test örneği eğitim verisinden bağımsız olmayabilir. Model bölgenin mekânsal özelliklerini zaten dolaylı olarak görmüş olur.

Bu durumda random train–test split normalden daha yüksek performance metric üretebilir. Kaynak, intended deployment'a göre spatially blocked validation, leave-location-out, cross-region validation veya temporal holdout gibi daha zorlayıcı tasarımların kullanılmasını önermektedir.

Deep learning mekânsal reasoning'i otomatik sağlamaz

CNN görüntü texture'ını son derece iyi öğrenebilir; ancak görüntünün coğrafi komşuluk yapısını veya hangi mekânsal ölçek üzerinde geçerli olduğunu zorunlu olarak temsil etmez. Transformer da positional veya spatial representation anlamlı kurulmadığında yalnız model mimarisi nedeniyle gerçek coğrafi reasoning kazanmaz.

Bu nedenle yüksek accuracy, tek başına gerçek GeoAI kanıtı değildir. Modelin hangi field, region, season, sensor ve spatial scale için geçerli olduğu da gösterilmelidir.

Mapped output ile spatially informed product arasındaki fark

Bir model prediction'ı haritaya dönüştürülebilir; ancak haritalanmış çıktı ile mekânsal olarak doğrulanmış ürün aynı şey değildir. Spatially informed workflow; sampling strategy, spatial dependence, support, validation geography, uncertainty ve scale bilgisini belgeler ve kullanıcıya modelin nerede uygulanabilir olduğunu açıklar.

Figure 3: Operasyonel GeoAI pipeline

Şekilde Amazon S3, EC2, Kubernetes, Jupyter, SageMaker, PostGIS, RDS, DynamoDB, GeoServer, WMS ve WFS gibi teknolojiler örnek olarak gösterilmektedir. Kaynak bu ürünleri zorunlu mimari olarak tanımlamaz; AWS, Azure, Google Cloud, açık kaynak, hybrid veya on-premises altyapılar aynı işlevsel zinciri uygulayabilir.

Çalışmanın Yöntemi ve Bulguları

Derlemenin araştırma soruları

Sistematik derleme beş ana soruya göre yapılandırılmıştır: GeoAI'nin güncel uygulama alanları ve bunların evrimi; kullanılan GeoAI/ML yöntemleri ile veri kaynakları; productivity, resource efficiency, environmental sustainability ve operational decision making üzerindeki kanıtlar; büyük ölçekli uygulamayı sınırlayan teknik, operasyonel, sosyoekonomik ve yönetişim sorunları; gelecek nesil GeoAI sistemleri için araştırma boşlukları.

Literatür arama stratejisi

2019 öncesindeki yayınlar ana empirical evidence havuzunu genişletmek amacıyla değil; gerekli spatial/geostatistical/remote-sensing/AI yönteminin temelini açıklamak, yaygın kullanılan conceptual framework sağlamak veya daha yeni literatürün yorumlanması için benchmark context oluşturmak amacıyla tutulmuştur.

Dahil etme ve dışlama mantığı

Bir çalışmanın kapsamda kalabilmesi için tarımsal bir problem, mekânsal veya georeferenced veri ve AI tabanlı analitik arasında açık bir bağ bulunması gerekmektedir. Yalnız AI kullanan fakat geospatial component içermeyen çalışmalar ve yalnız GIS/remote sensing kullanan fakat AI analytical component içermeyen çalışmalar dışlanmıştır.

Kısa abstract, poster, editorial, opinion, non-English record ve yöntemsel olarak değerlendirilemeyecek kayıtlar da dışlanmıştır. Journal quartile veya impact-factor cut-off kullanılmamış; dergi prestiji methodological quality'nin vekili olarak kabul edilmemiştir.

PRISMA sayımlarındaki kaynak içi uyumsuzluk

İki raporlama biçimi aynı 290 kayıt sonucuna ulaşmaktadır; ancak duplicate ve ineligible kategorilerinin dağılımı birbiriyle uyuşmamaktadır. Kaynak bunun için ayrı bir reconciliation açıklaması vermemektedir. Verianla bu değerlerden birini sessizce “doğru” kabul etmemektedir.

Screening sonrası akış

Yorum sınırı: 134 değeri, cross-pathway deduplication ve aynı araştırmayı açıklayan multiple reports reconciliation işlemi öncesindeki uygun rapor sayısıdır. Kaynak bu değerin doğrulanmış benzersiz çalışma sayısı olmadığını açıkça belirtmektedir.

Veri çıkarımı

Tek araştırmacı her uygun kayıttan publication year, study type, crop/agricultural system, country/region, application domain, sensing platform, data source, spatial/temporal scale, algorithm, evaluation metric, reported outcome, implementation barrier ve future-research need bilgilerini kodlamıştır.

Yöntemler traditional ML, DL, Transformer-based models, object detection/segmentation, multimodal fusion, GIS spatial analysis, XAI, uncertainty quantification, digital twins ve dashboard-based decision support gibi ailelere ayrılmıştır.

Validation ayrı bir kanıt katmanı olarak kodlandı

Model metriği ile validation design birbirinden ayrı kodlanmıştır. Çalışmalar mümkün olduğunda random validation, temporally independent validation, spatially independent validation, external-site validation veya field/operational validation olarak sınıflandırılmıştır.

Bu ayrım kritik önemdedir. Bir modelin random split üzerinde yüksek accuracy göstermesi, farklı bir tarlada veya bölgede aynı başarıyı vereceğini kanıtlamaz. Benzer biçimde soil moisture veya disease probability tahmini yapmak, bu prediction'ın gerçek management decision'ı iyileştirdiğini göstermez.

Kalite değerlendirme alanları

GeoAI'da Yüksek Model Doğruluğu Neden Operasyonel Başarıyı Kanıtlamaz?

Yüksek accuracy, F1, R² veya benzeri bir prediction metriği yalnız belirli evaluation tasarımındaki model başarısını gösterir; operasyonel hassas tarım başarısı için modelin yeni konum ve dönemlere taşınabilmesi, belirsizliğinin bilinmesi, çıktının uygulanabilir bir yönetim kararına çevrilmesi ve bu kararın su, girdi, verim, maliyet veya başka gerçek saha sonuçları üzerinde doğrulanması gerekir.

Sensing ile action arasındaki kanıt merdiveni

Kaynak özellikle irrigation örneğini kullanarak dört aşamalı mantığı açıklar:

Bu nedenle operasyonel doğrulama; water application, water-use efficiency, crop yield/quality, energy consumption, irrigation timing ve over-/under-irrigation gibi sonuçları conventional management veya uygun baseline ile karşılaştırmalıdır.

Üretkenlik ve tahmin

Yield prediction, derlemede görece olgun GeoAI alanlarından biridir. Satellite time series, weather, soil, cultivar ve management-zone bilgisinin birlikte kullanılması tek vegetation index'e dayalı modelden daha kapsamlı prediction context sağlayabilir.

Ancak kaynak, bütün bu modeller için ortak bir accuracy artışı hesaplamamaktadır. Çalışmalar farklı crop, region, metric ve validation tasarımlarına sahip olduğu için meta-analitik ortak performans değeri üretilmemiştir.

Zararlı ve hastalık tespiti

CNN, Vision Transformer, object detector ve segmentation yöntemleri crop stress, pest ve disease symptoms için yaygınlaşmaktadır. Buna rağmen controlled image dataset performansı; illumination, phenology, cultivar, background ve disease severity değiştiğinde aynı kalmayabilir.

Operational pest/disease management için cross-domain transferability ve field-scale validation gereklidir.

Toprak haritalama

GeoAI soil mapping çalışmalarında field samples, proximal sensing, terrain attributes, satellite products ve environmental covariates birleştirilebilmektedir. Remote sensing'in agronomik değeri ground truth ile bağlandığında artmaktadır.

Yeni tarlalara aktarım için spatially blocked validation, local calibration, uncertainty estimates ve agronomically interpretable management outputs önemlidir.

Kaynak optimizasyonu

Resource optimization alanı irrigation, fertilization, pesticide application ve machinery operations'ı kapsar. Model recommendation'larının yalnız teknik olarak üretilebilmesi yetmez; local agronomic thresholds, equipment constraints, farmer risk tolerance ve labor requirements ile uyumlu olması gerekir.

Çevresel sürdürülebilirlik

Daha düşük water, fertilizer veya pesticide kullanımının runoff, pollution veya emissions üzerinde yarar oluşturma potansiyeli vardır. Ancak dijital teknolojinin environmental footprint'i yalnız tarladaki input reduction ile ölçülemez.

Device manufacturing, electricity demand, cloud/data infrastructure ve rebound effects gibi yaşam döngüsü bileşenleri de hesaba katılmalıdır. Bu nedenle çalışma environmental sustainability gains'i koşulsuz sonuç olarak sunmamaktadır.

Ekonomik ve operasyonel uygulanabilirlik

Initial investment, subscription costs, connectivity, equipment compatibility, technical support ve user training adoption'ı belirleyebilir. Kaynak gelecekte model metric'lerine ek olarak return on investment, implementation cost, labor saving ve operational resilience gibi göstergelerin de değerlendirilmesini önermektedir.

GeoAI'nin önündeki temel engeller

Gelecek araştırma yönleri

Multimodal AI fusion

Gelecekteki multimodal sistemlerin yalnız farklı feature'ları tek vektörde birleştirmesi yeterli görülmemektedir. Spatial support, temporal frequency, measurement uncertainty ve sensor failure mode gibi farklılıkların mimari içinde açıkça yönetilmesi önerilmektedir.

Generative AI

GAN ve diffusion modelleri nadir pest events, imbalanced disease classes veya az etiketli crop stages için synthetic training data sağlayabilir. Ancak generated samples gerçek biyolojik ve mekânsal dağılımları bozabilir.

Bu nedenle synthetic-data çalışmaları yalnız aggregate accuracy değil, spatial generalization, calibration, uncertainty ve field transfer üzerindeki etkiyi de raporlamalıdır.

Explainable AI

XAI yalnız hangi pixel veya variable'ın önemli olduğunu göstermekle sınırlı kalmamalıdır. Açıklamanın hangi coğrafyada, hangi scale'de ve hangi uncertainty altında geçerli olduğu da belirtilmelidir.

Edge AI

UAV, robot, smart trap, irrigation controller ve dense IoT networks büyüdükçe field-side processing önem kazanmaktadır. Edge AI latency ve bandwidth gereksinimini azaltabilir; ancak lightweight models, compression, sensor-quality control ve bağlantı kesildiğinde güvenli fallback behavior gerekir.

Data privacy ve participatory design

Tarımsal veriler land productivity, input use, işletme uygulamaları ve location-specific vulnerabilities hakkında hassas ticari bilgi taşıyabilir. Consent, confidentiality, geoprivacy ve ownership bu nedenle sistem tasarımının sonradan eklenen değil temel bileşeni olmalıdır.

Kaynak gelecekteki sistemlerin farmer, agronomist, advisor, cooperative ve platform provider'larla birlikte tasarlanmasını savunmaktadır.

AI regulation

GeoAI irrigation, fertilization, pesticide application, credit, insurance veya sustainability reporting üzerinde etkili olduğunda accountability, liability, transparency ve data rights daha kritik hale gelir.

Operational sistemler için validation geography, auditability, uncertainty communication, privacy protection ve human oversight konusunda asgari beklentilerin tanımlanması önerilmektedir.

Foundation models

Foundation models farklı crops, regions, sensors ve tasks arasında reusable representations sağlayabilir. Büyük dil modelleri ve DINOv2/DINOv3 gibi self-supervised vision modelleri bu yönün genel teknolojik örnekleri olarak tartışılmaktadır.

Ancak agricultural foundation model'lar spatial transfer, phenological robustness, sensor compatibility, bias, explainability ve uncertainty açısından doğrulanmadan general-purpose agricultural solution olarak kabul edilmemelidir.

Çalışmanın desteklediği sonuçlar

Derleme, GeoAI literatürünün isolated mapping ve isolated prediction'dan multimodal, integrated decision-support workflows yönüne ilerlediğini desteklemektedir.

Derleme, satellite, UAV, IoT, weather, soil ve management data'nın birlikte kullanılmasının farklı mekânsal ve zamansal bilgi kaynaklarını tamamlayabileceğini desteklemektedir.

Derleme, yield estimation, pest/disease detection, soil mapping, irrigation ve resource optimization alanlarında yararlı predictive ve decision-support uygulamalar bulunduğunu desteklemektedir.

Derleme, georeferenced input'un tek başına gerçekten spatial AI için yeterli olmadığını ve spatial dependence, scale, support, validation geography ve uncertainty'nin hesaba katılması gerektiğini desteklemektedir.

Derleme, trustworthy GeoAI için explainability, uncertainty quantification, interoperability, field validation ve operational integration'ın model accuracy kadar önemli olduğunu desteklemektedir.

Çalışmanın desteklemediği sonuçlar

Derleme herhangi bir AI mimarisinin bütün precision-agriculture problemlerinde en iyi model olduğunu göstermemektedir.

Derleme yüksek random-validation accuracy'nin cross-region veya field deployment başarısını garanti ettiğini göstermemektedir.

Derleme georeferenced bir CNN veya Transformer'ın otomatik olarak spatial reasoning yaptığını göstermemektedir.

Derleme bütün GeoAI uygulamalarının yield, water saving, fertilizer reduction veya environmental impact açısından kesin ve aynı büyüklükte yarar sağladığını göstermemektedir.

Derleme dijital tarımın çevresel etkisinin her durumda pozitif olduğunu göstermemektedir.

Derleme foundation model veya generative AI sistemlerinin mevcut specialized geospatial yöntemlerin yerini almaya hazır olduğunu göstermemektedir.

Derleme PRISMA Figure 2 üzerindeki 134 değerinin kesin olarak 134 benzersiz bağımsız çalışma olduğunu göstermemektedir.

Derlemenin kendi sınırlılıkları

Ana systematic search esas olarak Scopus ve Web of Science'a dayanmaktadır; gray literature, proprietary deployment ve bazı regional publications eksik kalabilir.

Yalnız İngilizce yayınların systematic screening'e alınması bazı bölgelerin literatürde olduğundan daha az temsil edilmesine yol açabilir.

GeoAI hızlı değişen bir alan olduğu için en yeni sistemler peer-reviewed literatürde henüz yer almamış olabilir.

İncelenen çalışmalar arasında crop, geography, sensor, scale, model, validation ve metric açısından yüksek heterojenlik vardır; bu nedenle statistical meta-analysis yapılmamıştır.

Title/abstract screening, full-text eligibility assessment, quality assessment ve data extraction tek araştırmacı tarafından yapılmıştır. Independent duplicate assessment bulunmaması selection bias, missed-study ve coding-error riskini artırır.

Kaynak içindeki PRISMA narrative ile Figure 2'nin screening-öncesi çıkarma kategorileri birbiriyle tam olarak uyuşmamaktadır.

Kaynak ve Yöntem Notu

Özgün başlık: Geospatial Artificial Intelligence in Precision Agriculture: A Systematic Review of Applications, Multimodal Data Integration, and Decision Support

Yazar: César de Oliveira Ferreira Silva

Afiliyasyon: StormGeo, São Paulo 05110903, Brazil.

Corresponding author: PDF'de ayrı corresponding-author işareti gösterilmemektedir; tek yazarın iletişim e-postası sunulmuştur.

Dergi: AI and Precision Agriculture

Yayınevi: MDPI

Cilt / Sayı / Makale: 1 / 1 / 4

DOI: 10.3390/aipa1010004

Tarihler: Alındı: 4 Temmuz 2026; revize edildi: 17 Eylül 2026; kabul edildi: 20 Eylül 2026; yayımlandı: 22 Eylül 2026.

Kaynak türü: Systematic Review.

Hakemlik: Makale, uluslararası hakemli AI and Precision Agriculture dergisinde yayımlanmıştır.

Sürüm: Version of Record.

Lisans: Creative Commons Attribution (CC BY). PDF'deki görünür lisans satırında sürüm numarası ayrıca yazılmadığından lisans sürümü tahmin edilmemiştir.

Review reporting framework: PRISMA 2020.

Ana yayın penceresi: 2019–2026; yöntemsel veya kavramsal olarak gerekli bazı daha eski temel çalışmalar korunmuştur.

Ana veri tabanları: Scopus ve Web of Science Core Collection.

Supplementary discovery: Google Scholar ve backward/forward citation searching.

Scopus arama tarihi: 2 Temmuz 2026.

Web of Science arama tarihi: 4 Temmuz 2026.

Dil kısıtı: English.

Temel synthesis yöntemi: Narrative ve thematic synthesis; statistical meta-analysis yapılmamıştır.

Research questions: Application domains; GeoAI/ML methods ve data sources; agricultural effectiveness; implementation/adoption barriers; future research directions.

Application-domain sınıfları: Crop yield estimation; pest and disease detection; soil parameter mapping; resource optimization; climate adaptation; decision support systems.

Başlıca GeoAI teknikleri: Multimodal fusion, GIS-based spatial analysis, spatial statistics, XAI, uncertainty quantification, digital twins, real-time/near-real-time processing.

Başlıca ML/DL yöntemleri: Random Forest, ensemble methods, SVM, XGBoost, CNN, RNN, LSTM, GRU, Vision Transformer, YOLO/object detection, DNN ve graph-based models.

Başlıca veri kaynakları: Satellite imagery, UAV imagery, IoT/proximal sensing, weather/climate data, soil measurements, vegetation indices ve farm-management records.

Validation sınıflandırması: Random; temporally independent; spatially independent; external-site; field/operational validation.

PRISMA kritik notu: Narrative method text, screening öncesi 194 duplicate + 99 outside-scope + 49 other removal raporlarken Figure 2, 127 duplicate + 166 automation-ineligible + 49 other removal göstermektedir. Her iki yol 290 screened record'a ulaşmaktadır fakat kategori dağılımları uyuşmamaktadır.

134 sayısının statüsü: Database pathway'den 128 ve supplementary pathway'den altı eligible report olmak üzere 134, cross-pathway deduplication ve multiple-report reconciliation öncesindeki combined eligible-report sayısıdır; doğrulanmış unique-study count olarak kullanılmamalıdır.

Temel mekânsal yöntemsel kavram: Change-of-support problem; satellite pixel, UAV pixel, point sensor ve management zone farklı spatial support'ları temsil eder ve yalnız common-grid resampling bu farkı ortadan kaldırmaz.

Temel validation uyarısı: Spatially dependent gözlemlerde random train–test splitting spatial leakage ve optimistic performance oluşturabilir; intended deployment'a uygun spatially blocked, leave-location-out, cross-region veya temporal validation değerlendirilmelidir.

Finansman: Çalışma dış finansman almamıştır.

Veri erişilebilirliği: Data ve materials corresponding author'dan makul talep üzerine sağlanabilir.

Author Contributions: Kaynakta ayrı bir Author Contributions bölümü bulunmamaktadır.

AI kullanım beyanı: Acknowledgments bölümüne göre yazar, ChatGPT 5.4'ü metni revize etmek ve kaynakta “LETAX code” şeklinde yazılan kodu düzeltip optimize etmek amacıyla kullanmış; çıktıyı kendisi gözden geçirip düzenlemiş ve yayın içeriğinin sorumluluğunu üstlenmiştir.

Çıkar çatışması: Yazar StormGeo çalışanıdır. Kaynak, araştırmanın potansiyel çıkar çatışması oluşturabilecek ticari veya finansal ilişkilerin yokluğunda yürütüldüğünü beyan etmektedir.

Temel systematic-review sınırlılığı: Başlıca Scopus/Web of Science kapsamı, English-only screening, hızlı değişen literatür ve bütün screening/extraction işlemlerinin tek araştırmacı tarafından yapılması kanıt kapsamı ile seçim/coding güvenilirliğini sınırlar.

Ana bilimsel yorum sınırı: GeoAI literatürü hassas tarım için güçlü prediction, monitoring ve decision-support olanakları göstermektedir; fakat yüksek model metriği coğrafi transferability, operasyonel etki, ekonomik değer veya environmental sustainability'nin otomatik kanıtı değildir.