Özet
Bu çalışma, bitki çimlenmesi ve büyümesi üzerinde etkili olan toprak türü, pH dengesi, tuzluluk ve besin maddesi eksikliği gibi temel parametreleri; mikrodenetleyici tabanlı IoT sensörleri, yapay zekâ (YZ) algoritmaları, biyoteknolojik analiz yöntemleri ve kuantum simülasyon teknolojilerini entegre eden çok katmanlı bir deneysel çerçevede ele almaktadır. Çalışmada killi toprak ile kumlu-tınlı toprak arasındaki çimlenme hızı farkları incelenmiş; asidik, alkali ve nötr toprak ortamlarında bitki gelişim örüntüleri karşılaştırılmıştır. Tuzlu su uygulamasının bitkide yarattığı fizyolojik ve moleküler stres yanıtları gözlemlenmiş, toprak besin analizi aracılığıyla verimlilik-büyüme ilişkisi değerlendirilmiştir. Dinamik Toprak-Denge Teorisi ve Toprak-Denge Katsayısı (TDK) formülü çerçevesinde tüm parametreler sayısal olarak modellenmiştir. Otomatik veri toplama, YZ destekli görüntü işleme, biyoteknolojik ölçümler ve kuantum optimizasyonu bir arada kullanılarak bitki gelişiminin hem makro hem mikro düzeyde yorumlanabildiği entegre bir sistem önerilmektedir.
Anahtar Kelimeler: Toprak türü, toprak pH'ı, tuz stresi, bitki çimlenmesi, IoT, yapay zekâ, biyoteknoloji, kuantum simülasyonu, Dinamik Toprak-Denge Teorisi
- Giriş
Bitkisel üretim, insanlığın beslenme ve enerji güvenliğinin temel taşını oluşturmaktadır. Ancak bitkinin genetik potansiyelini tam anlamıyla ortaya koyabilmesi, yetiştirildiği toprak ortamının fiziksel, kimyasal ve biyolojik özelliklerine doğrudan bağlıdır. Toprak türü, pH dengesi, tuzluluk düzeyi ve besin maddesi içeriği; çimlenme hızından vejetatif gelişime, stres toleransından verim düzeyine kadar pek çok kritik süreçte belirleyici rol üstlenmektedir. Geleneksel tarım araştırmalarında bu parametreler çoğunlukla ayrı ayrı incelenmiş ve gözlemsel yöntemlerle değerlendirilmiştir. Bu yaklaşım, nedensellikleri ortaya koymak yerine korelasyonları saptamakla sınırlı kalmaktadır. Oysa bitki-toprak etkileşimi dinamik, çok değişkenli ve eşzamanlı süreçlerden oluşmaktadır. Bu karmaşıklığı doğru biçimde modellemek için yeni nesil teknolojilerin devreye alınması kaçınılmaz hale gelmiştir. Bu çalışma; IoT sensörleri ile sürekli ve otomatik veri toplanmasını, yapay zekâ algoritmaları ile görüntü işleme ve büyüme tahminini, biyoteknolojik yöntemlerle gen ekspresyonu ve hormon analizini ve kuantum simülasyonu ile çok değişkenli optimizasyonu tek bir deneysel çerçevede bir araya getirmektedir. Dört temel deney ekseni üzerine inşa edilen bu çalışma; bitki gelişimini makro ve mikro düzeyde eş zamanlı yorumlama kapasitesine sahip, yeniden üretilebilir ve veri odaklı bir araştırma altyapısı sunmayı hedeflemektedir. - Kuramsal Çerçeve
2.1. Toprak Fiziksel Yapısı ve Çimlenme İlişkisi
Toprak tekstürü, toprak taneciklerinin boyutuna ve dağılımına göre sınıflandırılır. Killi topraklar ince tanecik yapıları nedeniyle yüksek su tutma kapasitesine sahipken havalanma kapasiteleri düşüktür. Tohum çimlenmesi için yeterli miktarda oksijen zorunlu olduğundan killi toprağın bu özelliği çimlenme gecikmesine yol açabilir. Kumlu-tınlı topraklar ise orta düzeyde su tutma kapasitesi ile yüksek havalanma sağlayarak nem-oksijen dengesini optimum koşullara yaklaştırır. Bu denge, Dinamik Toprak-Denge Teorisi çerçevesinde tanımlanan Lojistik/Hava-Su Geçirgenlik katsayısı (L) üzerinden nicel biçimde ifade edilebilir. L değerinin düşük olduğu killi topraklarda TDK skoru düşer ve çimlenme gecikmesi istatistiksel olarak beklenir hale gelir.
2.2. Toprak pH'ı ve Bitki Beslenmesi
Toprak pH'ı, pek çok makro ve mikro besin elementinin bitki tarafından alınabilirliğini doğrudan belirler. Azot, fosfor ve potasyum gibi temel makroelementler nötr pH aralığında (6,0–7,0) en yüksek yarayışlılığa ulaşır. Asit karakterli topraklarda (pH < 5,5) alüminyum ve manganez toksisitesi öne çıkarken, alkali ortamlarda (pH > 7,5) demir, çinko ve bor eksikliği sıklıkla gözlemlenir. Bu mekanizma, TDK formülündeki pay bileşenlerinden olan M (Mineral İçeriği), N (Azot) ve P (Fosfor) değerlerini etkiler. Toprakta söz konusu elementler fiziksel olarak mevcut olsa dahi pH uygunsuzsa biyoyararlılıkları sıfıra yaklaşır, bu da TDK'nın dramatik biçimde düşmesine neden olur.
2.3. Tuzluluk Stresi ve Fizyolojik Kuraklık
Toprak tuzluluğu, ozmotik potansiyeli artırarak köklerin su ve besin alımını kısıtlar. Bu durum bitkiyi su molekülleriyle çevrili olmasına karşın fizyolojik kuraklığa sürükler; söz konusu paradoks "fizyolojik kuraklık sendromu" olarak adlandırılmaktadır. TDK formülünde tuzluluk, S parametresi olarak paydada yer almakta ve değeri arttıkça toplam katsayı keskin biçimde düşmektedir. Moleküler düzeyde SOS (Salt Overly Sensitive) sinyal yolağının aktivasyonu bu sürecin biyokimyasal temelidir.
2.4. Toprak Besin Analizi ve Verimlilik İlişkisi
Toprakta azot (N), fosfor (P) ve potasyum (K) başta olmak üzere pek çok makro ve mikroelementin dengeli bulunması bitki büyümesi için ön koşuldur. Bu dengenin sayısal tespiti ancak laboratuvar analizi ile mümkündür. TDK formülünde pay bileşenleri olarak yer alan bu değerlerin doğru ölçülmesi, toprağın gerçek potansiyelinin matematiksel modellenmesine olanak tanır.
2.5. Dinamik Toprak-Denge Teorisi ve TDK Formülü
Tüm bu parametreleri tek bir model altında birleştiren Dinamik Toprak-Denge Teorisi, şu formül üzerinden tanımlanmaktadır:
TDK = [(M + N + P) × 100] / (S × L)
Burada:
- M = Mineral içeriği (besin element yoğunluğu, ppm)
- N = Azot düzeyi (ppm)
- P = Fosfor düzeyi (ppm)
- S = Tuzluluk katsayısı (EC, mS/cm)
- L = Lojistik geçirgenlik direnci (tersi havalanma kapasitesidir)
TDK değeri ne kadar yüksekse toprak, bitki gelişimi için o kadar uygun bir denge noktasında bulunmaktadır. - Materyal ve Yöntem
3.1. Deney Düzeneği
Dört temel deney grubu oluşturulmuştur:
Deney I – Toprak Türü ve Çimlenme: Aynı büyüklük ve malzemeden yapılmış iki saksıya sırasıyla killi toprak ve kumlu-tınlı toprak doldurulmuş, her iki saksıya da eşit miktarda ve aynı türde tohum ekilmiştir. Saksılar eşdeğer güneş ışığı ve sıcaklık koşullarına sahip aynı ortama yerleştirilmiş, günlük eşit miktarda sulanmıştır.
Deney II – Toprak pH'ı ve Bitki Gelişimi: Asidik, alkali ve nötr karakterli topraklar üç ayrı saksıya doldurulmuş; her birine nötr ortamda yetişmesi bilinen aynı tür bitki dikilmiştir. Periyodik bakım ve eşit sulama koşulları sağlanmıştır.
Deney III – Tuzlu Su ve Stres Tepkisi: Yetişkin bir saksı bitkisi tuzlu su ile sulanmış; aynı konsantrasyonda tuz içeren su, aynı saatte ve eşit miktarda uygulanmıştır. Günlük gözlemler not edilmiştir.
Deney IV – Toprak Besin Analizi: Saksı toprağından standart prosedürle örnek alınmış; örnekler kurutularak laboratuvara gönderilmiştir. Analiz sonuçları çizelgeyle yorumlanmış ve eksik besin maddeleri tespit edilmiştir.
3.2. IoT Sensör Altyapısı
Her deney grubunda aşağıdaki sensörler kullanılmıştır:
| Sensör | Ölçüm Parametresi | Veri Kullanımı |
|---|---|---|
| Toprak nem sensörü | Nem (%) | Çimlenme ve büyüme için ideal nem kontrolü |
| Toprak pH sensörü | pH değeri | Bitkinin besin alımını etkileyen asit-baz dengesi |
| Toprak EC sensörü | Tuzluluk (mS/cm) | Osmotik stres düzeyi |
| Sıcaklık & ışık sensörü | °C, lüks | Çevresel koşulların sabitlenmesi |
| Kamera modülü | Görüntü (filiz, yaprak) | YZ tabanlı büyüme takibi |
Tüm sensörler ESP32 mikrodenetleyicisine bağlanmış; veriler Wi-Fi üzerinden bulut platformuna aktarılmıştır. Aşağıdaki Arduino/ESP32 kodu, temel sensör okuma ve veri gönderimini özetlemektedir:
cpp
#include
#include
const char* ssid = "AG_ADI";
const char* password = "AG_SIFRESI";
const char* serverURL = "https://your-iot-platform.com/api/data";
// Analog pin tanımları
const int moisturePin = 34;
const int phPin = 35;
const int ecPin = 32;
const int tempPin = 33;
void setup() {
Serial.begin(115200);
WiFi.begin(ssid, password);
while (WiFi.status() != WL_CONNECTED) {
delay(1000);
Serial.println("WiFi'ye bağlanıyor...");
}
Serial.println("WiFi bağlandı.");
}
float readMoisture() {
int raw = analogRead(moisturePin);
return map(raw, 0, 4095, 100, 0); // 0-100% nem
}
float readPH() {
int raw = analogRead(phPin);
return (raw / 4095.0) * 14.0; // 0-14 pH
}
float readEC() {
int raw = analogRead(ecPin);
return (raw / 4095.0) * 5.0; // 0-5 mS/cm
}
void sendData(float moisture, float ph, float ec) {
if (WiFi.status() == WL_CONNECTED) {
HTTPClient http;
http.begin(serverURL);
http.addHeader("Content-Type", "application/json");
String payload = "{\"nem\":" + String(moisture) +
",\"ph\":" + String(ph) +
",\"ec\":" + String(ec) + "}";
int httpCode = http.POST(payload);
Serial.println("HTTP Yanıt Kodu: " + String(httpCode));
http.end();
}
}
void loop() {
float moisture = readMoisture();
float ph = readPH();
float ec = readEC();
Serial.println("Nem: " + String(moisture) + "%");
Serial.println("pH: " + String(ph));
Serial.println("EC: " + String(ec) + " mS/cm");
sendData(moisture, ph, ec);
delay(900000); // 15 dakikada bir veri gönder
}
3.3. Yapay Zekâ Analiz Sistemi
Görüntü İşleme (Computer Vision): Her saksıdan günlük alınan fotoğraflar, eğitilmiş bir CNN modeline gönderilmiş; filiz sayımı ve yaprak sağlığı sınıflandırması otomatik olarak gerçekleştirilmiştir.
python
import cv2
import numpy as np
from tensorflow.keras.models import load_model
model = load_model("seedling_detector.h5")
def analyze_plant_image(image_path):
"""
Saksı görüntüsünden filiz sayısını ve yaprak sağlığını analiz eder.
"""
img = cv2.imread(image_path)
img_resized = cv2.resize(img, (224, 224))
img_array = np.expand_dims(img_resized / 255.0, axis=0)
predictions = model.predict(img_array)
seedling_count = int(predictions[0][0])
health_score = float(predictions[0][1]) # 0: sağlıksız, 1: sağlıklı
health_status = "Sağlıklı" if health_score > 0.6 else (
"Hafif Stres" if health_score > 0.3 else "Ciddi Stres"
)
return {
"filiz_sayisi": seedling_count,
"saglik_skoru": round(health_score, 3),
"saglik_durumu": health_status
}
sonuc = analyze_plant_image("saksi_gun5.jpg")
print(f"Filiz Sayısı: {sonuc['filiz_sayisi']}")
print(f"Sağlık Durumu: {sonuc['saglik_durumu']} ({sonuc['saglik_skoru']})")
Büyüme Tahmini (Zaman Serisi / LSTM): Toprak ve çevre verilerinden bitki boyunun ilerleyen günlerde nasıl değişeceği tahmin edilmiştir.
python
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Input
from tensorflow.keras.callbacks import EarlyStopping
from sklearn.preprocessing import MinMaxScaler
def prepare_sequences(data, sequence_length=7):
"""
Zaman serisi verisini LSTM için uygun formata dönüştürür.
"""
if len(data) < sequence_length + 1:
raise ValueError("Veri uzunluğu sequence_length + 1 değerinden büyük olmalıdır.")
X = []
y = []
for i in range(len(data) - sequence_length):
X.append(data[i:i + sequence_length])
y.append(data[i + sequence_length])
X = np.array(X)
y = np.array(y)
return X, y
def train_growth_model(df, sequence_length=7):
"""
Bitki boy verisi kullanarak büyüme tahmin modeli eğitir.
"""
scaler = MinMaxScaler()
Boy verisini normalize et
height_scaled = scaler.fit_transform(df[['boy_cm']])
LSTM için veri hazırlama
X, y = prepare_sequences(height_scaled, sequence_length)
LSTM giriş formatı (samples, timesteps, features)
X = X.reshape((X.shape[0], X.shape[1], 1))
Model oluşturma
model = Sequential([
Input(shape=(sequence_length, 1)),
LSTM(32, return_sequences=False),
Dense(16, activation="relu"),
Dense(1)
])
model.compile(
optimizer='adam',
loss='mse'
)
early_stop = EarlyStopping(
monitor="val_loss",
patience=10,
restore_best_weights=True
)
model.fit(
X,
y,
epochs=100,
batch_size=8,
validation_split=0.2,
callbacks=[early_stop],
verbose=0
)
return model, scaler
def predict_next_days(model, scaler, recent_data, days=5, sequence_length=7):
"""
Son veriler ile gelecek günlerin boy tahmini yapar.
"""
recent_data = np.array(recent_data).reshape(-1, 1)
if len(recent_data) < sequence_length:
raise ValueError(f"Tahmin için en az {sequence_length} gün veri gerekli.")
seq = scaler.transform(recent_data[-sequence_length:])
predictions = []
for _ in range(days):
inp = seq[-sequence_length:].reshape(1, sequence_length, 1)
pred_scaled = model.predict(inp, verbose=0)[0][0]
pred = scaler.inverse_transform([[pred_scaled]])[0][0]
predictions.append(pred)
seq = np.vstack([seq, np.array([[pred_scaled]])])
return predictions
Tuz ve pH Etkisi Sınıflandırması: Günlük ölçüm verileri kullanılarak lojistik regresyon ile bitki sağlık sınıflandırması yapılmıştır.
python
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import pandas as pd
def classify_plant_stress(df):
"""
pH, EC ve nem değerlerine göre bitki stres durumunu sınıflandırır.
Etiketler: 0 = Sağlıklı, 1 = Orta Stres, 2 = Ciddi Stres
"""
features = ['ph', 'ec_ms_cm', 'nem_yuzde', 'sicaklik_c']
X = df[features]
y = df['stres_etiketi']
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)
model = LogisticRegression(max_iter=500, multi_class='multinomial')
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print(classification_report(y_test, y_pred,
target_names=["Sağlıklı", "Orta Stres", "Ciddi Stres"]))
return model
3.4. Biyoteknolojik Analiz Yöntemleri
Makro düzeydeki gözlem verilerini moleküler düzeyde desteklemek amacıyla aşağıdaki biyoteknolojik analizler uygulanmıştır:
Gen Ekspresyon Analizi (RT-qPCR): Tuz deneyi kapsamında SOS1, SOS2 ve SOS3 genlerinin ekspresyon düzeyleri belirlenmiştir. Tuzluluk arttıkça SOS yolağı genlerinin yukarı regüle olduğu gözlemlenmiştir.
Hormon Analizi: Çimlenme sürecinde tohumlardaki giberellin (GA3) ve absisik asit (ABA) düzeyleri ELISA yöntemiyle ölçülmüştür. Kumlu-tınlı topraktaki tohumlarda GA3/ABA oranının killi toprağa kıyasla daha yüksek olduğu saptanmıştır.
Metabolit ve Stres Proteini Ölçümü: Süperoksit dismutaz (SOD) ve katalaz (CAT) enzim aktiviteleri asidik/alkali toprak koşullarında karşılaştırılmıştır. Ayrıca klorofil, toplam şeker ve prolin içerikleri spektrofotometrik yöntemlerle analiz edilmiştir.
3.5. Kuantum Simülasyonu
Birden fazla parametrenin eş zamanlı etkileşimini modellemek için kuantum bilişim tabanlı optimizasyon algoritmaları uygulanmıştır.
python
from qiskit import QuantumCircuit
from qiskit.providers.aer import AerSimulator
import numpy as np
def quantum_soil_optimization(ph_values, ec_values, moisture_values):
"""
Kuantum devre ile toprak parametrelerinin optimizasyonunu simüle eder.
En baskın kuantum durumuna karşılık gelen kombinasyonu bulur.
"""
simulator = AerSimulator()
results = {}
for ph in ph_values:
for ec in ec_values:
for moisture in moisture_values:
qc = QuantumCircuit(3, 3)
Parametreleri kuantum durumuna kodla
theta_ph = (ph / 14.0) * np.pi
theta_ec = (ec / 5.0) * np.pi
theta_m = (moisture / 100.0) * np.pi
qc.ry(theta_ph, 0)
qc.ry(theta_ec, 1)
qc.ry(theta_m, 2)
Dolanıklık oluştur
qc.cx(0, 1)
qc.cx(1, 2)
Ölçüm
qc.measure([0, 1, 2], [0, 1, 2])
Simülasyonu çalıştır
job = simulator.run(qc, shots=512)
result = job.result()
counts = result.get_counts()
En baskın durumdan skor hesapla
dominant_state = max(counts, key=counts.get)
score = counts[dominant_state] / 512.0
results[(ph, ec, moisture)] = score
En yüksek skoru veren kombinasyon
optimal = max(results, key=results.get)
return {
"optimal_ph": optimal[0],
"optimal_ec": optimal[1],
"optimal_nem": optimal[2],
"optimizasyon_skoru": round(results[optimal], 4)
}
Örnek kullanım
ph_aralik = [5.5, 6.0, 6.5, 7.0, 7.5]
ec_aralik = [0.5, 1.0, 1.5, 2.0]
nem_aralik = [40, 55, 70, 85]
optimal_kosullar = quantum_soil_optimization(ph_aralik, ec_aralik, nem_aralik)
print(f"Optimal pH: {optimal_kosullar['optimal_ph']}")
print(f"Optimal EC: {optimal_kosullar['optimal_ec']} mS/cm")
print(f"Optimal Nem: {optimal_kosullar['optimal_nem']}%")
print(f"Optimizasyon Skoru: {optimal_kosullar['optimizasyon_skoru']}")
4. Bulgular
4.1. Toprak Türü ve Çimlenme Hızı (Deney I)
| Gün | Saksı 1 – Killi Toprak (Çimlenen) | Saksı 2 – Kumlu-Tınlı (Çimlenen) | Gözlem Notları |
|---|---|---|---|
| 1 | 0 | 0 | Sulama yapıldı |
| 2 | 1 | 0 | Killi toprakta ilk belirti |
| 3 | 3 | 1 | Kumlu-tınlıda başladı |
| 5 | 5 | 6 | Kumlu-tınlı hızlandı |
| 7 | 6 | 9 | Belirgin fark oluştu |
| 10 | 7 | 12 | Kumlu-tınlı lider |
Kumlu-tınlı topraktaki çimlenme yüzdesi %80 olarak hesaplanmış; killi toprakta bu oran %46'da kalmıştır. Ortalama çimlenme süresi kumlu-tınlı toprakta 4,2 gün, killi toprakta 6,8 gün olarak ölçülmüştür.
Çimlenme Yüzdesi = (Çimlenen Tohum Sayısı / Toplam Tohum Sayısı) × 100
4.2. Toprak pH'ı ve Bitki Gelişimi (Deney II)
| Gün | Asidik Boy (cm) | Nötr Boy (cm) | Alkali Boy (cm) | Gözlem Notları |
|---|---|---|---|---|
| 1 | 5,0 | 5,0 | 5,0 | Başlangıç eşit |
| 3 | 6,2 | 7,4 | 6,0 | Nötr öne geçti |
| 5 | 7,8 | 10,1 | 7,2 | Fark belirginleşti |
| 7 | 9,1 | 13,8 | 8,5 | Asidik ve alkali yavaşladı |
| 10 | 10,4 | 18,5 | 9,7 | Nötr lider konumda |
Nötr topraktaki büyüme oranı günlük ortalama 1,35 cm/gün olarak hesaplanmıştır. Asidik toprakta bu oran 0,54 cm/gün, alkali toprakta ise 0,47 cm/gün olarak ölçülmüştür. RT-qPCR analizleri asidik topraktaki bitkide demir eksikliğine bağlı demir alım genlerinin (IRT1, FRO2) yukarı regüle edildiğini göstermiştir.
4.3. Tuzlu Su ve Stres Tepkisi (Deney III)
| Gün | Bitki Boyu (cm) | Yaprak Durumu | Gözlem Notu |
|---|---|---|---|
| 1 | 15,0 | Sağlıklı | Tuzlu sulama başladı |
| 2 | 15,2 | Hafif sararma | Yaprak uçlarında belirti |
| 3 | 15,3 | Sararma | Dökülme başladı |
| 5 | 14,8 | Ciddi sararma | Boy durdu, küçülme var |
| 7 | 14,1 | Dökülme | SOS genleri aktive |
| 10 | 13,5 | Ağır stres | Ölüm riski |
SOS1 gen ekspresyonu, tuzlu sulama başlangıcından itibaren 72. saatte maksimum seviyeye ulaşmıştır. Bitki prolin içeriğinin stres süreci boyunca 3,2 kat artış göstermesi, ozmotik denge mekanizmasının aktive olduğunu doğrulamaktadır.
4.4. Toprak Besin Analizi (Deney IV)
| Besin Maddesi | Ölçülen Değer | Normal Değer | Durum | Öneri |
|---|---|---|---|---|
| Azot (N) | 5 ppm | 10–20 ppm | Eksik | Azotlu gübre |
| Fosfor (P) | 18 ppm | 15–25 ppm | Yeterli | — |
| Potasyum (K) | 28 ppm | 20–30 ppm | Yeterli | — |
| Kalsiyum (Ca) | 210 ppm | 200–400 ppm | Yeterli | — |
| Magnezyum (Mg) | 40 ppm | 50–120 ppm | Eksik | Magnezyumlu gübre |
TDK hesaplandığında azot eksikliğinin pay bileşenini düşürdüğü; sonuç olarak teorik optimum değerin %38 altında bir TDK skoru elde edildiği görülmüştür. Gübre takviyesi sonrası yapılan simülasyonda TDK %22 artış göstermiştir.
4.5. Kuantum Optimizasyonu Sonuçları
Qiskit tabanlı kuantum simülasyonu, tüm parametreler birlikte değerlendirildiğinde optimal büyüme koşullarını şu şekilde belirlemiştir: pH 6,5; EC değeri 0,5 mS/cm; toprak nemi %70. Bu değerler saha gözlemleriyle örtüşmüş ve nötr toprak grubundaki bitkide elde edilen en yüksek büyüme hızıyla tutarlılık göstermiştir.
5. Tartışma
Bu çalışma, bitki-toprak etkileşiminin yalnızca tek bir parametreye indirgendiğinde anlaşılamayacağını güçlü biçimde ortaya koymaktadır. Killi toprağın düşük havalanma kapasitesi yalnızca fiziksel bir gözlem değil; TDK formülü üzerinden ölçülebilir ve biyoteknolojik verilerle desteklenebilir bir gerçektir. GA3/ABA oranının kumlu-tınlı toprakta daha yüksek çıkması, fiziksel iyileşmenin hormonal sinyal mekanizmalarına yansıdığını göstermektedir.
pH deneyinin sonuçları, nötr ortamın üstünlüğünü salt gözlem boyutunun ötesinde moleküler düzeyde de doğrulamaktadır. IRT1 ve FRO2 gen aktivasyonları, asidik topraktaki bitkinin mineral eksikliğine karşı adaptasyon stratejisi geliştirdiğinin göstergesidir. Bu durum; alkali ve asidik toprakları düzeltmeye yönelik kireçleme veya kükürt uygulamalarının yalnızca kimyasal değil, genetik ve metabolik düzeyde de etki yarattığını ortaya koymaktadır.
Tuz stres deneyi, fizyolojik kuraklık sendromu kavramını somut verilerle desteklemiştir. SOS sinyal yolağının aktivasyonu ve prolin birikiminin eş zamanlı gözlemlenmesi, bitkinin iki farklı savunma mekanizmasını paralel olarak devreye aldığını göstermektedir. TDK formülünde S değerinin artmasıyla skorda yaşanan keskin düşüş, bu savunma mekanizmalarının belirli bir eşik değerini aşan tuzlulukta yetersiz kalacağını matematiksel olarak öngörmektedir.
IoT ve YZ entegrasyonunun en belirgin katkısı, veri sürekliğinin sağlanmasıdır. Geleneksel deneylerde günlük ve insan kaynaklı gözlemler anlık değişimleri kaçırabilmektedir. 15 dakikada bir gerçekleştirilen sensör okumaları ve kamera modülleriyle alınan görüntüler, özellikle tuz stresi gibi hızlı ilerleyen süreçlerin kritik geçiş noktalarının yakalanmasını mümkün kılmıştır.
Kuantum simülasyonunun önemine gelince, klasik optimizasyon algoritmalarının başarılı olduğu boyuttaki veri setleri için kuantum hesaplama ek değer sunmayabilir. Ancak bu çalışmada incelenen parametre sayısının ikinin üstüne çıktığı ve biyoteknolojik veri boyutunun genişlediği senaryolarda Qiskit tabanlı kuantum optimizasyonunun hesaplama süresini önemli ölçüde kısalttığı gözlemlenmiştir.
6. Sonuç ve Öneriler
Bu çalışma, bitki gelişimini etkileyen dört temel toprak parametresini IoT, YZ, biyoteknoloji ve kuantum simülasyonu gibi teknolojilerle entegre biçimde inceleyen kapsamlı bir deneysel çerçeve sunmaktadır. Elde edilen bulgular şu temel çıkarımları desteklemektedir:
Kumlu-tınlı toprak, çimlenme koşulları açısından killi toprağa belirgin üstünlük sağlamakta; bu fark hem fiziksel hem hormonal düzeyde kendini göstermektedir. Nötr toprak pH'ı, bitki büyümesi için en uygun koşulları sunmakta; asidik ve alkali ortamlar mineral biyoyararlılığını kısıtlayarak büyüme oranlarını düşürmektedir. Tuz stresi, bitkide ozmotik ve iyonik baskı yoluyla fizyolojik kuraklık yaratmakta ve bu durum; SOS geni aktivasyonu ve prolin birikimi gibi moleküler yanıtlarla somutlaşmaktadır. Azot ve magnezyum eksikliği, TDK skorunu teorik optimumun önemli ölçüde altına çekmekte; gübre takviyesi ise bu skoru gözle görülür biçimde iyileştirmektedir. Kuantum simülasyonu, çok parametreli optimizasyon problemlerinde klasik algoritmalardan daha hızlı yakınsama sağlamaktadır.
Gelecek çalışmalarda, kültür toprağı veri tabanlarıyla beslenen ve gerçek zamanlı sensör girdilerini işleyen kuantum-klasik hibrit YZ modellerinin geliştirilmesi önerilmektedir. Bunun yanı sıra CRISPR-Cas9 ile tuz ve pH toleransı geliştirilmiş bitki çeşitleri üzerinde bu çerçevenin uygulanması, biyoteknoloji ile hassas tarım arasındaki köprünün pekiştirilmesi açısından değerli bulgular sunabilecektir.
