Sulama Durumu Tahmini için Makine Öğrenimi Algoritmalarının Karşılaştırmalı Analizi

Sulama Durumu Tahmini için Makine Öğrenimi Algoritmalarının Karşılaştırmalı Analizi

Blog Article

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 berkley power worm 100 pack 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 merlot redbud tree for sale 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.