Sulama Durumu Tahmini için Makine Öğrenimi Algoritmalarının Karşılaştırmalı Analizi
DOI:
https://doi.org/10.24925/turjaf.v13i2.497-503.7497Anahtar Kelimeler:
Sulama durumu tahmini- Makine öğrenimi- Tarımsal sulama- Yapay zekâÖzet
Geleneksel yöntemlere kıyasla, makine öğrenimi ile desteklenen sistemlerin, daha hassas sulama kararları verebildiği tespit edilmiştir. Bu çalışmada, veri bilimi alanında sıkça kullanılan veri paylaşım platformu olan Kaggle’dan faydalanılmıştır. Sulama durumu tahmini için “Weather Data” veri kümesi kullanılmıştır, Veri kümesinde eksik ve aykırı veriler düzeltilmiş, bağımlı (sulama durumu) ve bağımsız (hava sıcaklığı, nemi, toprak nem değeri, yağış durumu) parametreler elde edilmiştir. Güneydoğu Anadolu Bölgesi’ndeki illere (Adıyaman, Batman, Diyarbakır, Gaziantep, Kilis, Mardin, Siirt, Şanlıurfa ve Şırnak) odaklanılarak farklı koşullarda algoritmaların doğrulukları test edilmiştir. Her bir il için ayrı ayrı yapılan analizlerde, makine öğrenimi algoritmalarından Karar Ağaçları, Destek Vektör Makineleri, Rastgele Orman, Naive Bayes, Gradyan Artırma, Lojistik Regresyon, K-En Yakın Komşu ve Yapay Sinir Ağı modelleri kullanılarak sulama durumu tahmini gerçekleştirilmiştir. Veri kümesi üzerinde yapılan tahminler sonucunda algoritmalar, doğruluk (accuracy) metriği kullanılarak karşılaştırılmış ve en etkili algoritmaların Rastgele Orman (%95) ,Karar Ağacı (%97), Gradyan Artırma (%93) ve Yapay Sinir Ağı (%98) modeli ile tüm şehirlerde %90’ın üzerinde sulama durumu tahmini doğruluğu elde edilmiştir. Diğer algoritmalar da yüksek doğruluk oranları ile (%75 üzeri) dikkate değer performans sergilemişlerdir. Her bir il için yapılan analizlerde, algoritma performans sıralamasının benzer olduğu belirlenmiştir. Sonuç olarak, bu çalışma makine öğrenimi algoritmalarının tarımsal sulamada oldukça yüksek bir performansla kullanılabileceğini göstermektedir.
Referanslar
Akkaya, G. (2007). Yapay sinir ağları ve tarım alanındaki uygulamaları. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 38(2), 195-202.
Başakın, E. E., Ekmekçioğlu, Ö., & Özger, M. (2019). Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(8), 985-991.
Bayrakçı, H. C., Çiçekdemir, R. S., & Özkahraman, M. (2021). Tarım Arazilerinde Harcanan Su Miktarını Yapay Zekâ Teknikleri Kullanarak Belirlenmesi1. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(6), 237-250.
Bircan, H. (2004). Lojistik regresyon analizi: Tıp verileri üzerine bir uygulama. Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 2, 185-208.
Bütüner, R., Şimşek, M., Aksöz, G., & Sadi, Ş. A. N. (2023). Yapay Sinir Ağları ile Mısır Yapraklarında Hastalık Tespiti. Journal of Information Systems and Management Research, 5(2), 21-31.
Çakmak, B., & Gökalp, Z. (2013). Kuraklık ve tarımsal su yönetimi. Gaziosmanpaşa Bilimsel Araştırma Dergisi, (4), 1-11.
Çakmak, B., Yıldırım, M., & Aküzüm, T. (2008). Türkiye’de tarımsal sulama yönetimi, sorunlar ve çözüm önerileri. TMMOB, 2, 215-224.
Demir, E. (2003). Güneydoğu Anadolu Projesinin Ülke Ekonomisine Katkısı ve Bölge Yerleşim Alanlarına Etkisi. Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, 23(3).
Demirci, M. (2019). Destek vektör makineleri ve M5 karar ağacı yöntemleri kullanılarak yağış akış ilişkisinin tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), 1113-1124.
Ergul Aydın, Z., İçmen Erdem, B., & Erzurum Çiçek, Z. İ. (2023). Prediction bike-sharing demand with gradient boosting methods. Pamukkale University Journal of Engineering Sciences, 29(8), 824-832.
Güman, Z., & Gunay, F. B. Nesnelerin İnterneti Yardımıyla Akıllı Tarımda Yapay Zekâ Tabanlı Gübre ve Mahsul Tahmini. Journal of the Institute of Science and Technology, 14(3), 958-973.
Güneydoğu Anadolu Projesi (GAP) Bölge Kalkınma İdaresi Başkanlığı. (2023). GAP Son Durum Raporu 2023. GAP Bölge Kalkınma İdaresi Başkanlığı. http://www.gap.gov.tr/upload/dosyalar/pdfler/2023_GAP_SON_DURUM_RAPORU.pdf
Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260.
Kiliç, S. (2013). Linear regression analysis. Psychiatry and Behavioral Sciences, 3(2), 90.
Kendırlı, B. (2001). Harran ovası sulama birliklerinde antepfıstığının sulama planlaması. Journal of Agricultural Sciences, 7(04), 114-120.
Meena, S. (2024). Weather Data [Data set]. Kaggle. Retrieved from https://www.kaggle.com/code/sachinmeena04/weather-data analysis/input?select=Weather+Data.csv
Nusrat, F., Uzbaş, B., & Baykan, Ö. K. (2020). Prediction of diabetes mellitus by using gradient boosting classification. Avrupa Bilim ve Teknoloji Dergisi, 268-272.
Özcan, B., & Özer, E. H. (2021). Karar Teorisinin Tarım Sektöründe Uygulanması. Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi, 3(1), 257-281.
Öztürk, K., & Şahin, M. E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. Takvim-i Vekayi, 6(2), 25-36.
Sargıncı, M., Dönmez, A. H., & Yıldız, O. (2022). Biyosferde Su Döngüsü ve Bitkiler Tarafından Suyun Alınma Mekanizmalar. Düzce Üniversitesi Süs ve Tıbbi Bitkiler Botanik Bahçesi Dergisi, 1(1), 8-20.
Sevgen, S. C., & Aliefendioğlu, Y. (2020). Mass apprasial with a machine learning algorithm: random forest regression. Bilişim Teknolojileri Dergisi, 13(3), 301-311.
Şahin, H. (2024). Tarımsal Akıllı Sulama Sistemlerinde Yapay Zekâ, Derin Öğrenme ve Nesnelerin İnterneti Uygulamaları. Tarım Makinaları Bilimi Dergisi, 20(1), 41-60.
Taştan, M. (2019). Nesnelerin İnterneti Tabanlı Akıllı Sulama ve Uzaktan İzleme Sistemi. Avrupa Bilim ve Teknoloji Dergisi, (15), 229-236.
Terzi, İ., Özgüven, M. M., Altaş, Z., & Uygun, T. TARIMDA YAPAY ZEKA KULLANIMI.
Türkes, M. (2012). Türkiye’de gözlenen ve öngörülen iklim değişikliği, kuraklık ve çölleşme. Ankara Üniversitesi Çevrebilimleri Dergisi, 4(2), 1-32.
Uzun, E. (2007). İnternet tabanlı bilgi erişimi destekli bir otomatik öğrenme sistemi.
Yıldız, O., Dönmez, A. H., & Sargıncı, M. (2022). Su ve bitki sağlığına etkisi: Bitkilerde suyun alınma mekanizmaları. Düzce Üniversitesi Süs ve Tıbbi Bitkiler Botanik Bahçesi Dergisi, 1(1), 8-20.
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
