Research Article
BibTex RIS Cite

Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği

Year 2023, Volume: 20 Issue: 1, 13 - 23, 30.06.2023

Hasan Arda Burhan Naciye Tuba Yılmaz Soydan

https://doi.org/10.25308/aduziraat.1140357

Abstract

YYemeklik tane baklagiller en temel karbonhidrat, lif ve protein kaynakları olarak sağlıklı beslenme için gerekli başlıca vitamin ve mineralleri sağlamaktadırlar. Türkiye’de ise yemeklik tane baklagiller, tahıllardan sonra yetiştiriciliği en fazla yapılan tarla bitkileri olup; baklagiller için gen merkezi konumunda olan ülkemizde üretilen başlıcaları; nohut, yeşil ve kırmızı mercimek, fasulye ve bakladır. Öte yandan tarımsal üretimin hava koşullarına karşı oldukça duyarlı olması, hali hazırdaki küresel iklim değişikliğinin çevre, doğal kaynaklar ve üretim sistemleri üzerindeki olumsuz etkilerini daha da önemli kılmaktadır. Bu çalışmada ortalama nem, ortalama sıcaklık ve ortalama yağış meteorolojik faktörleri ile ekiliş ve üretim değerlerini içeren veri seti kullanılarak Destek Vektör Regresyon (DVR), Karar ağacı Regresyon (KAR) ve Rastgele Orman Regresyon (ROR) makine öğrenmesi yöntemleriyle Türkiye’de üretimi en fazla yapılan yemeklik tane baklagil türleri olan nohut ve mercimek için 2021-2022 yılı üretim miktarı ve verim tahmini yapılmıştır. Elde edilen tahminlerin doğruluğu ve buna bağlı olarak kullanılan yöntemlerin geçerliliği, tahminlerin gerçek değerlerle karşılaştırılmasına ek olarak çeşitli performans ölçütleri ile değerlendirilmiştir. Her üç yöntemle elde edilen sonuçlara göre 2022 yılında nohut üretiminde bir önceki yıla göre yaklaşık %25 azalma; mercimek üretiminde ise bir önceki yıla kıyasla %25 ile %65 arası artış tahmin edilmiştir. Tüm yöntemler bağlamında ağaç temelli makine öğrenmesi regresyon modellerinin daha başarılı sonuçlar verdiği ifade edilebilmektedir.

Keywords

Destek Vektör Regresyon Karar Ağacı Regresyon Rastgele Orman Regresyon Baklagiller Verim

References

  • Adak MS, Kayan N, Benlioğlu B (2015) Yemeklik Tane Baklagiller Üretiminde Değişimler ve Yeni Arayışlar. In Ziraat Mühendisliği VIII. Teknik Kongresi Bildirileri, TMMOB Ziraat Mühendisleri Odası, Ankara, 387-399.
  • Ahmed S, Muhammad I, Kumar S, Malhotra R, Maalouf F (2010) Impact of Climate Change and Variability on Diseases of Food Legumes in the Dry Areas. Proceedings of International Conference on Food Security and Climate Change in Dry Areas, International Center for Agricultural Research in the Dry Areas, Amman, 157-165.
  • Alpaydın E (2004) Introduction to Machine Learning. The MIT Press. Cambridge, MA.
  • Anonim (2022) Türkiye Nohut ve Mercimek Ekiliş-Üretim-Verim ve TMO Alımları. TMO,Ankara.https://www.tmo.gov.tr/Upload/Document/istatistikler/tablolar/9nohuteuva,https://www.tmo.gov.tr/Upload/Document/istatistikler/tablolar/8mercimekeuva.pdf (Erişim Tarihi: 01/05/2022).
  • Anwar M, McKenzie B, Hill G, Peri P (2001) A Predictive Model of Chickpea (Cicer Arietinum L.) Yield. Agronomy New Zealand, 31: 1-11.
  • Araújo SO, Peres RS, BarataJ, Lidon F, Ramalho JC (2021) Characterising the Agriculture 4.0 Landscape—Emerging Trends, Challenges and Opportunities. Agronomy, 11(4): 667.
  • Bagheri A, Zargarian N, Mondani F, Nosratti I (2020) Artificial Neural Network Potential in Yield Prediction of Lentil (Lens Culinaris L.) Influenced by Weed Interference. Journal of Plant Protection Research, 60(3): 284–295.
  • Bali N, Singla A (2022) Emerging Trends in Machine Learning to Predict Crop Yield and Study its Influential Factors: A Survey. Archives of Computational Methods in Engineering, 29(1): 95-112.
  • Bars T, Uçum İ, Akbay C (2018) ARIMA Modeli ile Türkiye Fındık Üretim Projeksiyonu. KSÜ Tarım ve Doğa Dergisi, 21: 154-160.
  • Başakın EE, Ekmekcioğlu Ö, Özger M, Çelik A (2020) Dalgacık Bulanık Zaman Serisi Yöntemi ve Gri Tahmin Yöntemi ile Türkiye Buğday Verimi Tahmini. Türkiye Tarımsal Araştırmalar Dergisi, 7(3): 246-252.
  • Benos E, Tagarakis AC, Dolias G, Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine Learning in Agriculture: A Comprehensive Updated Review. Sensors, 21(11): 3758-3813.
  • Berk A, Uçum İ (2019) Türkiye’nin Nohut Üretiminin ARIMA Modeli ile Tahmini. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(4): 2284-2293.
  • Bolat M, Ünüvar Fİ, Dellal İ (2017) Türkiye’de Yemeklik Baklagillerin Gelecek Eğilimlerinin Belirlenmesi. Tarım Ekonomisi Araştırmaları Dergisi, 3(2): 7-18.
  • Boye J, Zare F, Pletch A (2010) Pulse Proteins: Processing, Characterization, Functional Properties and Applications in Food and Feed. Food Research International, 43: 413-431.
  • Bregaglio S, Fischer K, Ginaldi F, Valeriano T, Giustarini L (2021) The Hades Yield Prediction System–A Case Study on the Turkish Hazelnut Sector. Frontiers in Plant Science, 12: 1-14.
  • Burucu D. (2021) Ürün Raporu Nohut 2021. Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü, Ankara. https://arastirma.tarimorman.gov.tr, (Erişim Tarihi: 25/04/2022).
  • Deniz M, Hiç Ö (2022) İklim Değişikliği ve Tarımın Değişen Yüzü: Artan Riskler, Tarımdaki Daralmalar ve Orman Yangınları Sonrası Politika Önerileri. Biga İktisadi ve İdari Bilimler Fakültesi Dergisi, 3(1): 12-22.
  • Doran İ, Koca, YK, Kılıç T (2009) Olası İklim Değişiminin Diyarbakır Tarımına Etkileri. In V. Ulusal Coğrafya Sempozyumu, Türkiye Coğrafyası Araştırma ve Uygulama Merkezi, Ankara, 369-377.
  • Dörtok A, Aksoy, A (2018) Türkiye Buğday Sektörünün Eşanlı Model Yöntemiyle Tahmini. KSÜ Tarım ve Doğa Dergisi, 21(4): 580-586.
  • Dumlu Gül Z, Tan M (2013) Baklagil Yem Bitkilerinin Silajlık Olarak Kullanılması. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 44(1): 188-193.
  • FAO (2021) The State of Food and Agriculture 2021: Making Agrifood Systems More Resilient to Shocks and Stresses. FAO, Rome. https://www.fao.org/3/cb4476en/cb4476en.pdf, (Erişim Tarihi: 20/04/2022)
  • Giraka O, Selvaraj VK (2020) Shor-Term Prediction of Intersection Turning Volume Using Seasonal ARIMA Model. Transportation Letters, 12(7): 483-490
  • Gopal PS, Bhargavi R (2019) Performance Evaluation of Best Feature Subsets for Crop Yield Prediction Using Machine Learning Algorithms. Applied Artificial Intelligence, 33(7): 621-642.
  • Gülaç ZN (2021) Ürün Raporu Mercimek 2021. Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü, Ankara. https://arastirma.tarimorman.gov.tr, (Erişim Tarihi: 25/04/2022).
  • Halepmollası R (2016) Alt Sekans Profil Haritaları Kullanılarak Protein Katlanması Tanıma. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  • Jeong JH, Resop JP, Mueller ND, Fleisher DH, Yun K, Butler EE, . . ., Kim SH (2016) Random Forests for Global and Regional Crop Yield Predictions. PLoS One, 11(6): e0156571.
  • Kaya Y, Polat N (2021) Bitki İndeksleri Kullanarak Buğday Bitkisinin Rekolte Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(1): 99-110.
  • Kaynar O, Yüksek G, Demirkoparan F (2016) Genetik Algoritma ile Eğitilmiş Destek Vektör Regresyon Kullanılarak Türkiye'nin Elektrik Tüketim Tahmini. İktisat Fakültesi Mecmuası, 66(2): 45-60.
  • Kün E, Çiftçi CY, Birsin M, Ülger AC, Karahan S, Zencirci N,..., Atak M (2005) Tahıl ve Yemeklik Dane Baklagiller Üretimi. In Türkiye Tarım Mühendisliği VI. Teknik Kongresi Bildiriler, TMMOB Ziraat Mühendisleri Odası, Ankara, 367-407.
  • Lin AY, Zhang M, Selpi S (2018) Using Scaling Methods to Improve Support Vector Regression’s Performance for Travel Time and Traffic Volume Predictions. In: Rojas I, Pomares H, Valenzuela O (eds), Time Series Analysis and Forecasting. ITISE 2017 Contributions to Statistics, Springer, Cham, 115-127.
  • Lischeid G, Webber H, Sommer M, Nendel C, Ewert F (2022). Machine Learning in Crop Yield Modelling: A Powerful Tool, But No Surrogate For Science. Agricultural and Forest Meteorology, 312: 108698.
  • Liu Y, Miller E, Habib KN (2021) Detecting Transportation Modes Using Smartphone Data and GIS Information: Evaluating Alternative Algorithms for an Integrated Smartphone-Based Travel Diary Imputation. Transportation Letters, 1-11.
  • Matloff N (2017) Statistical Regression and Classification - From Linear Models to Machine Learning, CRC Press, Boca Raton, FL.
  • Murphy KP (2012) Machine Learning - A Probabilistic Perspective, The MIT Press, Cambridge, MA. Müller AC, Guido S (2016) Introduction to Machine Learning with Python - A Guide for Data Scientists. O’Reilly Media, Inc. Sebastopol, CA.
  • Myttenaere A. de, Golden B, Le Grand B, Rossi F (2016) Mean Absolute Percentage Error for Regression Models. Neurocomputing, 192: 38-48.
  • Özçelik A, Özer OO (2006) Koyck Modeliyle Türkiye’de Buğday Üretimi ve Fiyatı İlişkisinin Analizi. Tarım Bilimleri Dergisi, 12(4): 333-339.
  • Pant J, Pant RP, Singh MK, Singh DP, Pant H (2021) Analysis of Agricultural Crop Yield Prediction Using Statistical Techniques of Machine Learning. Materials Today: Proceedings, 46: 10922-10926.
  • Paper D (2020) Hands-on Scikit-Learn for Machine Learning Applications - Data Science Fundamentals with Python. Apress. Logan, UT.
  • Pastor-Cavada E, Juan R, Pastor JE, Alaiz M, Vioque J (2011) Nutritional Characteristics of Seed Proteins in 15 Lathyrus Species (Fabaceae) from Southern Spain. LWT - Food Science and Technology, 44: 1059-1064.
  • Pekşen E, Artık C (2005) Antibesinsel Maddeler ve Yemeklik Tane Baklagillerin Besleyici Değerleri. Anadolu Tarım Bilimleri Dergisi, 20(2): 110-120.
  • Rokach L, Maimon O (2015) Data Mining with Decision Trees: Theory and Applications. World Scientific Publishing Co. Pte. Ltd. Singapore.
  • Sarker A, Erskine W, Singh M (2003) Regression Models for Lentil Seed and Straw Yields in Near East. Agricultural and Forest Meteorology, 116: 61–72.
  • SBB (2019) 11. Kalkınma Planı (2019-2023). Strateji ve Bütçe Başkanlığı, Ankara. https://www.sbb.gov.tr, (Erişim Tarihi: 05/05/2022).
  • Sherasia PL, Garg MR, Bhanderi BM (2018) Pulses and Their By-Products as Animal Feed. United Nations. Rome.
  • Singh P, Virmani S (1996) Modeling Growth and Yield of Chickpea (Cicer Arietinum L.). Field Crops Research, 46: 41-59.
  • Soltani A, Ghassemi-Golezani K, Khooie F, Moghaddam M (1999) A Simple Model for Chickpea Growth and Yield. Field Crops Research, 62: 213-224.
  • Suzan U, Gürgülü H (2019) Küresel Isınma ve İklim Değişikliği ile Meydana Gelen Kuraklık ve Kuraklığın Tarıma Etkileri. In: Yılmaz, FI (eds), ERASMUS Symposium, Asos Yayınevi, Elazığ, 49-62.
  • Şahin G (2016) 2016 Uluslararası Bakliyat Yılı Hasebiyle Türkiye’de Mercimek. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 20(4): 1665-1696.
  • Şimşek O, Mermer A, Yıldız H, Özaydın K A, Çakmak B, (2007) Agrometshell Modeli Kullanılarak Türkiye’de Buğdayın Verim Tahmini. Tarım Bilimleri Dergisi, 13(3): 299-307.
  • Ton A, Karaköy T, Anlarsal AE (2014) Türkiye’de Yemeklik Tane Baklagiller Üretiminin Sorunları ve Çözüm Önerileri. Türk Tarım-Gıda Bilim ve Teknoloji Dergisi, 2(4): 175-180.
  • Tunca E, Köksal ES (2021) Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi, 9(1): 189-200.
  • Uğuz S (2021) Makine Öğrenmesi - Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü. Nobel Akademik Yayıncılık. Ankara.
  • Vanli Ö, Ahmad I, Ustundag BB (2020) Area Estimation and Yield Forecasting of Wheat in Southeastern Turkey Using a Machine Learning Approach. Journal of the Indian Society of Remote Sensing, 48(12): 1757-1766.
  • Varjovi MH, Talu MF (2016) Kayısı için Otomatik Rekolte Tahmin Sistemi. In International Conference on Artificial Intelligence and Data Processing, Inonu University, Malatya, 1-5

Meteorological Factors-Oriented Machine Learning Approach for Chickpea and Lentil Production Estimation: The Case of Turkey

Year 2023, Volume: 20 Issue: 1, 13 - 23, 30.06.2023

Hasan Arda Burhan Naciye Tuba Yılmaz Soydan

https://doi.org/10.25308/aduziraat.1140357

Abstract

Legumes are the most basic carbohydrate, fiber and protein sources and provide essential vitamins and minerals for a healthy nutrition. As a gene center for legumes, edible legumes are the most cultivated field crops after cereals in Turkey and mainly produced ones are chickpeas, green and red lentils, beans and broad beans. Besides, as the agricultural production is very sensitive to weather conditions, it makes the current global climate change even more important because of its negative effects of on the environment, natural resources and production systems. In this study, by using a data set including meteorological factors as average humidity, average temperature, average precipitation in addition to cultivation and production values, estimations of production amounts and yields were performed for chickpeas and lentils by using Support Vector Regression (SVR), Decision Tree Regression (DTR) and Random Forest Regression (RFR) machine learning methods for 2021 and 2022. Also, accuracy and validity of the methods were evaluated by comparing obtained predictions with actual values and by considering various performance evaluation criteria. According to the obtained results by all three methods, in 2022 a 25% decrease in chickpea production and an increase of 25-65% in lentil production is predicted compared to the previous year. In addition, it can also be stated that tree-based machine learning methods yielded more successful outcomes in both predictions.

Keywords

Support Vector Regression Decision Tree Regression Random Forest Regression Legumes Yield

References

  • Adak MS, Kayan N, Benlioğlu B (2015) Yemeklik Tane Baklagiller Üretiminde Değişimler ve Yeni Arayışlar. In Ziraat Mühendisliği VIII. Teknik Kongresi Bildirileri, TMMOB Ziraat Mühendisleri Odası, Ankara, 387-399.
  • Ahmed S, Muhammad I, Kumar S, Malhotra R, Maalouf F (2010) Impact of Climate Change and Variability on Diseases of Food Legumes in the Dry Areas. Proceedings of International Conference on Food Security and Climate Change in Dry Areas, International Center for Agricultural Research in the Dry Areas, Amman, 157-165.
  • Alpaydın E (2004) Introduction to Machine Learning. The MIT Press. Cambridge, MA.
  • Anonim (2022) Türkiye Nohut ve Mercimek Ekiliş-Üretim-Verim ve TMO Alımları. TMO,Ankara.https://www.tmo.gov.tr/Upload/Document/istatistikler/tablolar/9nohuteuva,https://www.tmo.gov.tr/Upload/Document/istatistikler/tablolar/8mercimekeuva.pdf (Erişim Tarihi: 01/05/2022).
  • Anwar M, McKenzie B, Hill G, Peri P (2001) A Predictive Model of Chickpea (Cicer Arietinum L.) Yield. Agronomy New Zealand, 31: 1-11.
  • Araújo SO, Peres RS, BarataJ, Lidon F, Ramalho JC (2021) Characterising the Agriculture 4.0 Landscape—Emerging Trends, Challenges and Opportunities. Agronomy, 11(4): 667.
  • Bagheri A, Zargarian N, Mondani F, Nosratti I (2020) Artificial Neural Network Potential in Yield Prediction of Lentil (Lens Culinaris L.) Influenced by Weed Interference. Journal of Plant Protection Research, 60(3): 284–295.
  • Bali N, Singla A (2022) Emerging Trends in Machine Learning to Predict Crop Yield and Study its Influential Factors: A Survey. Archives of Computational Methods in Engineering, 29(1): 95-112.
  • Bars T, Uçum İ, Akbay C (2018) ARIMA Modeli ile Türkiye Fındık Üretim Projeksiyonu. KSÜ Tarım ve Doğa Dergisi, 21: 154-160.
  • Başakın EE, Ekmekcioğlu Ö, Özger M, Çelik A (2020) Dalgacık Bulanık Zaman Serisi Yöntemi ve Gri Tahmin Yöntemi ile Türkiye Buğday Verimi Tahmini. Türkiye Tarımsal Araştırmalar Dergisi, 7(3): 246-252.
  • Benos E, Tagarakis AC, Dolias G, Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine Learning in Agriculture: A Comprehensive Updated Review. Sensors, 21(11): 3758-3813.
  • Berk A, Uçum İ (2019) Türkiye’nin Nohut Üretiminin ARIMA Modeli ile Tahmini. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(4): 2284-2293.
  • Bolat M, Ünüvar Fİ, Dellal İ (2017) Türkiye’de Yemeklik Baklagillerin Gelecek Eğilimlerinin Belirlenmesi. Tarım Ekonomisi Araştırmaları Dergisi, 3(2): 7-18.
  • Boye J, Zare F, Pletch A (2010) Pulse Proteins: Processing, Characterization, Functional Properties and Applications in Food and Feed. Food Research International, 43: 413-431.
  • Bregaglio S, Fischer K, Ginaldi F, Valeriano T, Giustarini L (2021) The Hades Yield Prediction System–A Case Study on the Turkish Hazelnut Sector. Frontiers in Plant Science, 12: 1-14.
  • Burucu D. (2021) Ürün Raporu Nohut 2021. Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü, Ankara. https://arastirma.tarimorman.gov.tr, (Erişim Tarihi: 25/04/2022).
  • Deniz M, Hiç Ö (2022) İklim Değişikliği ve Tarımın Değişen Yüzü: Artan Riskler, Tarımdaki Daralmalar ve Orman Yangınları Sonrası Politika Önerileri. Biga İktisadi ve İdari Bilimler Fakültesi Dergisi, 3(1): 12-22.
  • Doran İ, Koca, YK, Kılıç T (2009) Olası İklim Değişiminin Diyarbakır Tarımına Etkileri. In V. Ulusal Coğrafya Sempozyumu, Türkiye Coğrafyası Araştırma ve Uygulama Merkezi, Ankara, 369-377.
  • Dörtok A, Aksoy, A (2018) Türkiye Buğday Sektörünün Eşanlı Model Yöntemiyle Tahmini. KSÜ Tarım ve Doğa Dergisi, 21(4): 580-586.
  • Dumlu Gül Z, Tan M (2013) Baklagil Yem Bitkilerinin Silajlık Olarak Kullanılması. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 44(1): 188-193.
  • FAO (2021) The State of Food and Agriculture 2021: Making Agrifood Systems More Resilient to Shocks and Stresses. FAO, Rome. https://www.fao.org/3/cb4476en/cb4476en.pdf, (Erişim Tarihi: 20/04/2022)
  • Giraka O, Selvaraj VK (2020) Shor-Term Prediction of Intersection Turning Volume Using Seasonal ARIMA Model. Transportation Letters, 12(7): 483-490
  • Gopal PS, Bhargavi R (2019) Performance Evaluation of Best Feature Subsets for Crop Yield Prediction Using Machine Learning Algorithms. Applied Artificial Intelligence, 33(7): 621-642.
  • Gülaç ZN (2021) Ürün Raporu Mercimek 2021. Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü, Ankara. https://arastirma.tarimorman.gov.tr, (Erişim Tarihi: 25/04/2022).
  • Halepmollası R (2016) Alt Sekans Profil Haritaları Kullanılarak Protein Katlanması Tanıma. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  • Jeong JH, Resop JP, Mueller ND, Fleisher DH, Yun K, Butler EE, . . ., Kim SH (2016) Random Forests for Global and Regional Crop Yield Predictions. PLoS One, 11(6): e0156571.
  • Kaya Y, Polat N (2021) Bitki İndeksleri Kullanarak Buğday Bitkisinin Rekolte Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(1): 99-110.
  • Kaynar O, Yüksek G, Demirkoparan F (2016) Genetik Algoritma ile Eğitilmiş Destek Vektör Regresyon Kullanılarak Türkiye'nin Elektrik Tüketim Tahmini. İktisat Fakültesi Mecmuası, 66(2): 45-60.
  • Kün E, Çiftçi CY, Birsin M, Ülger AC, Karahan S, Zencirci N,..., Atak M (2005) Tahıl ve Yemeklik Dane Baklagiller Üretimi. In Türkiye Tarım Mühendisliği VI. Teknik Kongresi Bildiriler, TMMOB Ziraat Mühendisleri Odası, Ankara, 367-407.
  • Lin AY, Zhang M, Selpi S (2018) Using Scaling Methods to Improve Support Vector Regression’s Performance for Travel Time and Traffic Volume Predictions. In: Rojas I, Pomares H, Valenzuela O (eds), Time Series Analysis and Forecasting. ITISE 2017 Contributions to Statistics, Springer, Cham, 115-127.
  • Lischeid G, Webber H, Sommer M, Nendel C, Ewert F (2022). Machine Learning in Crop Yield Modelling: A Powerful Tool, But No Surrogate For Science. Agricultural and Forest Meteorology, 312: 108698.
  • Liu Y, Miller E, Habib KN (2021) Detecting Transportation Modes Using Smartphone Data and GIS Information: Evaluating Alternative Algorithms for an Integrated Smartphone-Based Travel Diary Imputation. Transportation Letters, 1-11.
  • Matloff N (2017) Statistical Regression and Classification - From Linear Models to Machine Learning, CRC Press, Boca Raton, FL.
  • Murphy KP (2012) Machine Learning - A Probabilistic Perspective, The MIT Press, Cambridge, MA. Müller AC, Guido S (2016) Introduction to Machine Learning with Python - A Guide for Data Scientists. O’Reilly Media, Inc. Sebastopol, CA.
  • Myttenaere A. de, Golden B, Le Grand B, Rossi F (2016) Mean Absolute Percentage Error for Regression Models. Neurocomputing, 192: 38-48.
  • Özçelik A, Özer OO (2006) Koyck Modeliyle Türkiye’de Buğday Üretimi ve Fiyatı İlişkisinin Analizi. Tarım Bilimleri Dergisi, 12(4): 333-339.
  • Pant J, Pant RP, Singh MK, Singh DP, Pant H (2021) Analysis of Agricultural Crop Yield Prediction Using Statistical Techniques of Machine Learning. Materials Today: Proceedings, 46: 10922-10926.
  • Paper D (2020) Hands-on Scikit-Learn for Machine Learning Applications - Data Science Fundamentals with Python. Apress. Logan, UT.
  • Pastor-Cavada E, Juan R, Pastor JE, Alaiz M, Vioque J (2011) Nutritional Characteristics of Seed Proteins in 15 Lathyrus Species (Fabaceae) from Southern Spain. LWT - Food Science and Technology, 44: 1059-1064.
  • Pekşen E, Artık C (2005) Antibesinsel Maddeler ve Yemeklik Tane Baklagillerin Besleyici Değerleri. Anadolu Tarım Bilimleri Dergisi, 20(2): 110-120.
  • Rokach L, Maimon O (2015) Data Mining with Decision Trees: Theory and Applications. World Scientific Publishing Co. Pte. Ltd. Singapore.
  • Sarker A, Erskine W, Singh M (2003) Regression Models for Lentil Seed and Straw Yields in Near East. Agricultural and Forest Meteorology, 116: 61–72.
  • SBB (2019) 11. Kalkınma Planı (2019-2023). Strateji ve Bütçe Başkanlığı, Ankara. https://www.sbb.gov.tr, (Erişim Tarihi: 05/05/2022).
  • Sherasia PL, Garg MR, Bhanderi BM (2018) Pulses and Their By-Products as Animal Feed. United Nations. Rome.
  • Singh P, Virmani S (1996) Modeling Growth and Yield of Chickpea (Cicer Arietinum L.). Field Crops Research, 46: 41-59.
  • Soltani A, Ghassemi-Golezani K, Khooie F, Moghaddam M (1999) A Simple Model for Chickpea Growth and Yield. Field Crops Research, 62: 213-224.
  • Suzan U, Gürgülü H (2019) Küresel Isınma ve İklim Değişikliği ile Meydana Gelen Kuraklık ve Kuraklığın Tarıma Etkileri. In: Yılmaz, FI (eds), ERASMUS Symposium, Asos Yayınevi, Elazığ, 49-62.
  • Şahin G (2016) 2016 Uluslararası Bakliyat Yılı Hasebiyle Türkiye’de Mercimek. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 20(4): 1665-1696.
  • Şimşek O, Mermer A, Yıldız H, Özaydın K A, Çakmak B, (2007) Agrometshell Modeli Kullanılarak Türkiye’de Buğdayın Verim Tahmini. Tarım Bilimleri Dergisi, 13(3): 299-307.
  • Ton A, Karaköy T, Anlarsal AE (2014) Türkiye’de Yemeklik Tane Baklagiller Üretiminin Sorunları ve Çözüm Önerileri. Türk Tarım-Gıda Bilim ve Teknoloji Dergisi, 2(4): 175-180.
  • Tunca E, Köksal ES (2021) Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi, 9(1): 189-200.
  • Uğuz S (2021) Makine Öğrenmesi - Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü. Nobel Akademik Yayıncılık. Ankara.
  • Vanli Ö, Ahmad I, Ustundag BB (2020) Area Estimation and Yield Forecasting of Wheat in Southeastern Turkey Using a Machine Learning Approach. Journal of the Indian Society of Remote Sensing, 48(12): 1757-1766.
  • Varjovi MH, Talu MF (2016) Kayısı için Otomatik Rekolte Tahmin Sistemi. In International Conference on Artificial Intelligence and Data Processing, Inonu University, Malatya, 1-5
There are 54 citations in total.

Details

Primary Language Turkish
Subjects Agricultural Engineering (Other), Agricultural Policy
Journal Section Research
Authors

Hasan Arda Burhan 0000-0003-4043-2652

Naciye Tuba Yılmaz Soydan 0000-0002-4009-9047

Publication Date June 30, 2023
Published in Issue Year 2023 Volume: 20 Issue: 1

Cite

APA Burhan, H. A., & Yılmaz Soydan, N. T. (2023). Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi, 20(1), 13-23. https://doi.org/10.25308/aduziraat.1140357
AMA Burhan HA, Yılmaz Soydan NT. Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği. ADÜ ZİRAAT DERG. June 2023;20(1):13-23. doi:10.25308/aduziraat.1140357
Chicago Burhan, Hasan Arda, and Naciye Tuba Yılmaz Soydan. “Nohut Ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği”. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi 20, no. 1 (June 2023): 13-23. https://doi.org/10.25308/aduziraat.1140357.
EndNote Burhan HA, Yılmaz Soydan NT (June 1, 2023) Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi 20 1 13–23.
IEEE H. A. Burhan and N. T. Yılmaz Soydan, “Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği”, ADÜ ZİRAAT DERG, vol. 20, no. 1, pp. 13–23, 2023, doi: 10.25308/aduziraat.1140357.
ISNAD Burhan, Hasan Arda - Yılmaz Soydan, Naciye Tuba. “Nohut Ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği”. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi 20/1 (June 2023), 13-23. https://doi.org/10.25308/aduziraat.1140357.
JAMA Burhan HA, Yılmaz Soydan NT. Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği. ADÜ ZİRAAT DERG. 2023;20:13–23.
MLA Burhan, Hasan Arda and Naciye Tuba Yılmaz Soydan. “Nohut Ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği”. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi, vol. 20, no. 1, 2023, pp. 13-23, doi:10.25308/aduziraat.1140357.
Vancouver Burhan HA, Yılmaz Soydan NT. Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği. ADÜ ZİRAAT DERG. 2023;20(1):13-2.
 Download Cover Image