Sulama Durumu Tahmini için Makine Öğrenimi Algoritmalarının Karşılaştırmalı Analizi

Abstract

Şunu söyleyebiliriz ki, yönetim verimlilik açısından kritik bir faktördür. Doğru sulama, bitki üretimi ve verimlilik açısından hayati öneme sahiptir. Bitkilerin ihtiyaç duyduğu su miktarının bir şeklinin belirlenmesi, su mühendisliğinin etkin kullanımı ve yönetimin üretkenliğinin maksimize edilmesi açısından doğru bir şekilde büyük önem taşır. Sulama kararları genellikle karmaşıktır ve çeşitli paylaşımlarını sağlar. Makineyi çalıştırabilirim; Çok çeşitli ve dinamik faktörleri dikkate alarak, sulama tahminleme işlemlerini oldukça yüksek bir doğrulukla gerçekleştirebilir. Makine tabanlı tabanlı sulama durumunun tahmin edilmesi, su yapısının daha verimli olmasını sağlar ve bitki yönetimi ve yönetim ilişkilerinin arttırılmasını sağlar. Geleneksel kesme ve nesnelerin internet tabanlı yöntemlere kıyaslaması, makine kullanımı ile temizleme sistemlerinin, daha hassas sulama kararlarının verilabildiği tespit edilmiştir.

Bu, Kaggle'dan elde edilen sulama veri seti kullanılarak sulama durumu tahmini için makine geliştirmeleri kullanıldı. Veri setinde eksik ve yanıltıcı veriler düzeltilmiş, bağımlı (sulama durumu) ve bağımsız (hava sıcaklığı, nemi, toprak nem değeri, yağış durumu) etkisi elde edilmiştir. Güneydoğu Anadolu Bölgesi'ndeki illere (Adıyaman, Batman,Diyarbakır,Gaziantep, Kilis, Mardin, Siirt, Şanlıurfa ve Şırnak) odaklanılarak farklı kişilerin sıcaklıklarının doğrulukları test edilmiştir. Her il için ayrı ayrı yapılan analizlerde, makine geliştirmei programlarından; Karar Ağaçları (Karar Ağacı), Destek Vektör Makineleri (SVM), Rastgele Orman (Random Forest), Naive Bayes, Gradyan Artırma (Gradient Boosting), Doğrusal Regresyon (Lineer Regresyon), K-En Yakın Komşu (KNN) ve Yapay Sinir Ağı model kullanılarak sulama tahminleme işlemi gerçekleştirilmiştir.

Veri kümesi üzerinde yapılan tahminler sonucu elde edilen doğruluk oranları karşılaştırılmış ve etkili büyümelerin; Rastgele Orman (%95) ,Karar Ağacı (%97), Gradyan Artırma (%93) ve Yapay Sinir Ağı (%98) modeli ile tüm şehirlerde %90'ın tahmininde artırıldı. Diğer uygulamaların da yüksek doğruluk oranları ile (%75 üzeri) kaydedilmemiş değer performansı sergilenmiştir. Her bir il için yapılan analizlerde, seçilen performans sıralamasının benzer olduğu belirlendi. Sonuç olarak, bu çalışma makinesi geliştirmelerinin yönetimi sulamada oldukça yüksek bir performansla kullanılabildiği görülmektedir.