Araştırma Makalesi
BibTex RIS Kaynak Göster

Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini

Yıl 2023, Cilt: 6 Sayı: 2, 117 - 126, 01.04.2023
https://doi.org/10.34248/bsengineering.1257224

Öz

Artan nüfus yoğunluğunun ve küresel ısınmadan kaynaklanan iklim değişikliklerinin tarımsal üretimin miktarı ve kalitesi üzerinde önemli etkileri bulunmaktadır. Bu nedenle dünya, gıda kıtlığı gibi ciddi problemlerle karşı karşıyadır. Dolayısıyla tarım, ülkelerin ekonomik ve sosyal kalkınma programlarında bulunan hayati bir faaliyettir. Sert kabuklu meyveler kategorisinde dünyada bademden sonra üretimi en fazla yapılan ürün fındıktır. Üretimi Türkiye, İtalya, İspanya, ABD gibi ülkelerde yoğunlaşmış olan fındığın dünyadaki talebinin yaklaşık %70'ini Türkiye karşılamaktadır. Bu nedenle, fındık üretiminde verime etki eden parametrelerin tespit edilmesi ve bu parametrelere bağlı olarak verimin tahmin edilmesi çok büyük önem arz etmektedir. Bu çalışmada, Sakarya, Düzce, Samsun, Giresun, Trabzon illerindeki ve bu illerin fındık üretimi yapılan ilçelerindeki, fındık üretimine etki eden parametreler incelenerek bir sonraki adımda elde edilecek verim tahmini yapılmıştır. Tahmin işlemi için gereken özniteliklerin eldesi için ham veri setine bazı ön işleme adımları uygulanmış, temel bileşenler analizi (Principal Component Analysis, PCA) ile öznitelik sayısı azaltılmıştır. Ön işlemeden geçen bu veriler girdi olarak, XGBoost algoritması, Yalın Uzun-Kısa Süreli Bellek (Long Short-Term Memory, LSTM) modeli, Yığılmış LSTM modeli, Konvolüsyonel Sinir Ağı (Convolutional Neural Network, CNN) modeli ve CNN-LSTM hibrit modeline verilerek tahmin işlemi gerçekleştirilmiştir. Son olarak bu yöntemlerin her biri için Ortalama Hataların Karekökü (Root Mean Square Error, RMSE) ile tahmin hatası elde edilmiş ve yöntem kıyaslamaları için kullanılmıştır. Bu sonuçlara göre, en düşük RMSE=1,32 değeriyle en iyi performans CNN-LSTM hibrit modeli ile elde edilmiştir.

Kaynakça

  • Ahmadi N, Constandinou TG, Bouganis CS. 2019. Decoding hand kinematics from local field potentials using long short-term memory (LSTM) network. 9th International IEEE/EMBS Conference on Neural Engineering (NER), March 20-23, 2019, San Francisco, US, pp: 415-419.
  • Ali I. 2010. The quest for active carbon adsorbent substitutes: inexpensive adsorbents for toxic metal ions removal from wastewater. Separ Purificat Rev, 39(3-4): 95-171.
  • An N, Turp MT, Türkeş M, Kurnaz ML. 2020. Mid-term impact of climate change on hazelnut yield. Agriculture, 10: 159.
  • Asar M, Yalçın S, Yücel G, Nadaroğlu Y, Erciyas H. 2007. Zirai meteoroloji. Çevre ve Orman Bakanlığı Devlet Meteoroloji İşleri Genel Müdürlüğü Yayınları, Ankara, Türkiye, pp: 189.
  • Bali N, Singla A. 2022. Emerging trends in machine learning to predict crop yield and study its influential factors: A survey. Archives Comput Methods Eng, 29: 95-112.
  • Beyhan N, Odabaş F. 1996. İklimsel faktörlerin fındıkta verimlilik üzerine etkileri ve yetiştiricilik açısından önemi. Ondokuz Mayıs Üniv Zir Fak Derg, 11(1): 177-188.
  • Box GE, Jenkins GM, Reinsel GC, Ljung GM. 2015. Time series analysis: forecasting and control. John Wiley & Sons, New York, US, pp: 712.
  • Cedric LS, Adoni WYH, Aworka R, Zoueu JT, Mutombo FK, Krichen M, Kimpolo CLM. 2022. Crops yield prediction based on machine learning models: case of west african countries. Smart Agri Tech, 2: 100049.
  • Chen T, He T, Benesty M, Khotilovich V, Tang Y, Cho H, Chen K, Mitchell R, Cano I, Zhou T. 2015. Xgboost: extreme gradient boosting. URL: http://mirrors.nic.cz/R/web/packages/xgboost/xgboost.pdf (erişim tarihi: 10 Ekim 2022).
  • Cioffi R, Travaglioni M, Piscitelli G, Petrillo A, De Felice F. 2020. Artificial intelligence and machine learning applications in smart production: Progress, trends, and directions. Sustainability, 12(2): 492.
  • Desloires J, Ienco D, Botrel A. 2023. Out-of-year corn yield prediction at field-scale using sentinel-2 satellite ımagery and machine learning methods. Available at SSRN 4329505. DOI: 10.2139/ssrn.4329505.
  • Fei S, Hassan MA, Xiao Y, Su X, Chen Z, Cheng Q, Duan F, Chen R, Ma Y. 2022. UAV-based multi-sensor data fusion and machine learning algorithm for yield prediction in wheat. Prec Agri, 1: 26.
  • Hochreiter S, Schmidhuber J. 1997. Long short-term memory. Neural Comput, 9(8): 1735-1780.
  • İrdem C. 2021. Türkiye fındık verimi üzerinde sıcaklık ve yağışın etkileri. Coğrafi Bil Derg, 19(1): 242-262.
  • Kent R. 2020. Data construction and data analysis for survey research. Bloomsbury Publishing, New York, US, pp: 248.
  • Kim N, Lee YW. 2016. Machine learning approaches to corn yield estimation using satellite images and climate data: a case of Iowa State. J Korean Soc Survey Geodesy Photogrammetry Cartography, 34(4): 383-390.
  • Köksal İ. 2002. Türk fındık çeşitleri. Fındık tanıtım Grubu Yayınları, Ankara, Türkiye, pp: 136.
  • Liliane TN, Charles MS. 2020. Factors affecting yield of crops. In: Amanullah Dr, editör: Agronomy-climate change & food security, IntechOpen, Londoni UK, pp: 9.
  • Liu J, Goering C, Tian L. 2001. A neural network for setting target corn yields. Transact ASAE, 44(3): 705.
  • Marko O, Brdar S, Panic M, Lugonja P, Crnojevic V. 2016. Soybean varieties portfolio optimisation based on yield prediction. Comput Electron Agri, 127: 467-474.
  • Paudel D, Boogaard H, de Wit A, van der Velde M, Claverie M, Nisini L, Janssen S, Osinga S, Athanasiadis IN. 2022. Machine learning for regional crop yield forecasting in Europe. Field Crops Res, 276: 108377.
  • Romero JR, Roncallo PF, Akkiraju PC, Ponzoni I, Echenique VC, Carballido JA. 2013. Using classification algorithms for predicting durum wheat yield in the province of Buenos Aires. Comput Electron Agri, 96: 173-179.
  • Şimşek O, Nadaroğlu Y, Yücel G, Dokuyucu O, Gökdağ A. 2014. Türkiye fenoloji atlası. Orman ve Su İşleri Bakanlığı, Zirai Meteoroloji Şube Müdürlüğü, Ankara, Türkiye, pp: 104.
  • Tuncer C, Özdemir İO, Kushiyev R. 2019. New pest species in Turkish hazelnut orchards: Xylosandrus germanus Blandford (Coleoptera: Curculionidae: Scolytinae), Metcalfa pruinosa Say (Hemiptera: Flatidae), Croesus septentrionalis Linnaeus (Hymenoptera: Tenthredinidae) and Anoplophora chinensis Forster (Coleoptera: Cerambycidae). BSJ Agri, 3(1): 74-81.
  • Üstün NŞ, Karaosmanoğlu H. 2017. Sert kabuklu meyveler ve fonksiyonel özellikleri. Meyve Bilimi, 2: 142-148.
  • Villanueva MB, Salenga MLM. 2018. Bitter melon crop yield prediction using machine learning algorithm. International J Adv Comput Sci Appl, 9: 3.
  • Yadav SSP, Reddy R, Dharun D, Niveditha A, Hema N. 2021. Crop yield prediction using ımage processing. Nveo-Natural Volats Essen Oils J, 2021: 11981-11992.
  • Zaman M. 2004. Geograpical Distribution and Production of Hazelnut in Turkey. Doğu Coğrafya Derg, 9(11): 49-92.
  • Zhao S, Zheng H, Chi M, Chai X, Liu Y. 2019. Rapid yield prediction in paddy fields based on 2D image modelling of rice panicles. Comput Electron Agri, 162: 759-766.

Learning Based Yield Forecasting for Hazelnut Production

Yıl 2023, Cilt: 6 Sayı: 2, 117 - 126, 01.04.2023
https://doi.org/10.34248/bsengineering.1257224

Öz

Increasing population density and climate changes resulting from global warming have significant effects on the amount and quality of agricultural production. Therefore, the world is facing severe problems, such as food shortages. Therefore, agriculture is a vital activity in countries' economic and social development programs. In the category of hard-shelled fruits, hazelnut is the most produced product in the world after almonds. Turkey meets approximately 70% of the world's demand for hazelnut, which is concentrated in countries such as Turkey, Italy, Spain, and the USA. For this reason, it is essential to determine the parameters affecting the yield in hazelnut production and to estimate the yield depending on these parameters. In this study, the parameters affecting the hazelnut production in the provinces of Sakarya, Düzce, Samsun, Giresun, Trabzon and the districts of these provinces where hazelnut production is made were examined, and the yield estimation to be obtained in the next step was made. In order to get the features required for the forecasting process, some pre-processing steps were applied to the raw data set, and the number of features was reduced by Principal Components Analysis (PCA). These pre-processed data were given as input to the XGBoost algorithm, Lean (Long Short-Term Memory, LSTM) model, Stacked LSTM model, (Convolutional Neural Network, CNN) model and CNN-LSTM hybrid model, and estimation was carried out. Finally, (Root Mean Square Error, RMSE) estimation error was obtained for each method and used for comparison. According to these results, the best performance with the lowest RMSE=1.32 value was obtained with the CNN-LSTM hybrid model.

Kaynakça

  • Ahmadi N, Constandinou TG, Bouganis CS. 2019. Decoding hand kinematics from local field potentials using long short-term memory (LSTM) network. 9th International IEEE/EMBS Conference on Neural Engineering (NER), March 20-23, 2019, San Francisco, US, pp: 415-419.
  • Ali I. 2010. The quest for active carbon adsorbent substitutes: inexpensive adsorbents for toxic metal ions removal from wastewater. Separ Purificat Rev, 39(3-4): 95-171.
  • An N, Turp MT, Türkeş M, Kurnaz ML. 2020. Mid-term impact of climate change on hazelnut yield. Agriculture, 10: 159.
  • Asar M, Yalçın S, Yücel G, Nadaroğlu Y, Erciyas H. 2007. Zirai meteoroloji. Çevre ve Orman Bakanlığı Devlet Meteoroloji İşleri Genel Müdürlüğü Yayınları, Ankara, Türkiye, pp: 189.
  • Bali N, Singla A. 2022. Emerging trends in machine learning to predict crop yield and study its influential factors: A survey. Archives Comput Methods Eng, 29: 95-112.
  • Beyhan N, Odabaş F. 1996. İklimsel faktörlerin fındıkta verimlilik üzerine etkileri ve yetiştiricilik açısından önemi. Ondokuz Mayıs Üniv Zir Fak Derg, 11(1): 177-188.
  • Box GE, Jenkins GM, Reinsel GC, Ljung GM. 2015. Time series analysis: forecasting and control. John Wiley & Sons, New York, US, pp: 712.
  • Cedric LS, Adoni WYH, Aworka R, Zoueu JT, Mutombo FK, Krichen M, Kimpolo CLM. 2022. Crops yield prediction based on machine learning models: case of west african countries. Smart Agri Tech, 2: 100049.
  • Chen T, He T, Benesty M, Khotilovich V, Tang Y, Cho H, Chen K, Mitchell R, Cano I, Zhou T. 2015. Xgboost: extreme gradient boosting. URL: http://mirrors.nic.cz/R/web/packages/xgboost/xgboost.pdf (erişim tarihi: 10 Ekim 2022).
  • Cioffi R, Travaglioni M, Piscitelli G, Petrillo A, De Felice F. 2020. Artificial intelligence and machine learning applications in smart production: Progress, trends, and directions. Sustainability, 12(2): 492.
  • Desloires J, Ienco D, Botrel A. 2023. Out-of-year corn yield prediction at field-scale using sentinel-2 satellite ımagery and machine learning methods. Available at SSRN 4329505. DOI: 10.2139/ssrn.4329505.
  • Fei S, Hassan MA, Xiao Y, Su X, Chen Z, Cheng Q, Duan F, Chen R, Ma Y. 2022. UAV-based multi-sensor data fusion and machine learning algorithm for yield prediction in wheat. Prec Agri, 1: 26.
  • Hochreiter S, Schmidhuber J. 1997. Long short-term memory. Neural Comput, 9(8): 1735-1780.
  • İrdem C. 2021. Türkiye fındık verimi üzerinde sıcaklık ve yağışın etkileri. Coğrafi Bil Derg, 19(1): 242-262.
  • Kent R. 2020. Data construction and data analysis for survey research. Bloomsbury Publishing, New York, US, pp: 248.
  • Kim N, Lee YW. 2016. Machine learning approaches to corn yield estimation using satellite images and climate data: a case of Iowa State. J Korean Soc Survey Geodesy Photogrammetry Cartography, 34(4): 383-390.
  • Köksal İ. 2002. Türk fındık çeşitleri. Fındık tanıtım Grubu Yayınları, Ankara, Türkiye, pp: 136.
  • Liliane TN, Charles MS. 2020. Factors affecting yield of crops. In: Amanullah Dr, editör: Agronomy-climate change & food security, IntechOpen, Londoni UK, pp: 9.
  • Liu J, Goering C, Tian L. 2001. A neural network for setting target corn yields. Transact ASAE, 44(3): 705.
  • Marko O, Brdar S, Panic M, Lugonja P, Crnojevic V. 2016. Soybean varieties portfolio optimisation based on yield prediction. Comput Electron Agri, 127: 467-474.
  • Paudel D, Boogaard H, de Wit A, van der Velde M, Claverie M, Nisini L, Janssen S, Osinga S, Athanasiadis IN. 2022. Machine learning for regional crop yield forecasting in Europe. Field Crops Res, 276: 108377.
  • Romero JR, Roncallo PF, Akkiraju PC, Ponzoni I, Echenique VC, Carballido JA. 2013. Using classification algorithms for predicting durum wheat yield in the province of Buenos Aires. Comput Electron Agri, 96: 173-179.
  • Şimşek O, Nadaroğlu Y, Yücel G, Dokuyucu O, Gökdağ A. 2014. Türkiye fenoloji atlası. Orman ve Su İşleri Bakanlığı, Zirai Meteoroloji Şube Müdürlüğü, Ankara, Türkiye, pp: 104.
  • Tuncer C, Özdemir İO, Kushiyev R. 2019. New pest species in Turkish hazelnut orchards: Xylosandrus germanus Blandford (Coleoptera: Curculionidae: Scolytinae), Metcalfa pruinosa Say (Hemiptera: Flatidae), Croesus septentrionalis Linnaeus (Hymenoptera: Tenthredinidae) and Anoplophora chinensis Forster (Coleoptera: Cerambycidae). BSJ Agri, 3(1): 74-81.
  • Üstün NŞ, Karaosmanoğlu H. 2017. Sert kabuklu meyveler ve fonksiyonel özellikleri. Meyve Bilimi, 2: 142-148.
  • Villanueva MB, Salenga MLM. 2018. Bitter melon crop yield prediction using machine learning algorithm. International J Adv Comput Sci Appl, 9: 3.
  • Yadav SSP, Reddy R, Dharun D, Niveditha A, Hema N. 2021. Crop yield prediction using ımage processing. Nveo-Natural Volats Essen Oils J, 2021: 11981-11992.
  • Zaman M. 2004. Geograpical Distribution and Production of Hazelnut in Turkey. Doğu Coğrafya Derg, 9(11): 49-92.
  • Zhao S, Zheng H, Chi M, Chai X, Liu Y. 2019. Rapid yield prediction in paddy fields based on 2D image modelling of rice panicles. Comput Electron Agri, 162: 759-766.
Toplam 29 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Research Articles
Yazarlar

Doğan Yıldız 0000-0001-9670-4173

Gülcan Yıldız 0000-0001-8631-8383

Sercan Demirci 0000-0001-6739-7653

Yayımlanma Tarihi 1 Nisan 2023
Gönderilme Tarihi 27 Şubat 2023
Kabul Tarihi 29 Mart 2023
Yayımlandığı Sayı Yıl 2023 Cilt: 6 Sayı: 2

Kaynak Göster

APA Yıldız, D., Yıldız, G., & Demirci, S. (2023). Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini. Black Sea Journal of Engineering and Science, 6(2), 117-126. https://doi.org/10.34248/bsengineering.1257224
AMA Yıldız D, Yıldız G, Demirci S. Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini. BSJ Eng. Sci. Nisan 2023;6(2):117-126. doi:10.34248/bsengineering.1257224
Chicago Yıldız, Doğan, Gülcan Yıldız, ve Sercan Demirci. “Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini”. Black Sea Journal of Engineering and Science 6, sy. 2 (Nisan 2023): 117-26. https://doi.org/10.34248/bsengineering.1257224.
EndNote Yıldız D, Yıldız G, Demirci S (01 Nisan 2023) Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini. Black Sea Journal of Engineering and Science 6 2 117–126.
IEEE D. Yıldız, G. Yıldız, ve S. Demirci, “Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini”, BSJ Eng. Sci., c. 6, sy. 2, ss. 117–126, 2023, doi: 10.34248/bsengineering.1257224.
ISNAD Yıldız, Doğan vd. “Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini”. Black Sea Journal of Engineering and Science 6/2 (Nisan 2023), 117-126. https://doi.org/10.34248/bsengineering.1257224.
JAMA Yıldız D, Yıldız G, Demirci S. Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini. BSJ Eng. Sci. 2023;6:117–126.
MLA Yıldız, Doğan vd. “Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini”. Black Sea Journal of Engineering and Science, c. 6, sy. 2, 2023, ss. 117-26, doi:10.34248/bsengineering.1257224.
Vancouver Yıldız D, Yıldız G, Demirci S. Fındık Üretimi için Öğrenme Tabanlı Verim Tahmini. BSJ Eng. Sci. 2023;6(2):117-26.

                                                24890