Affiliation:
1. KÜTAHYA DUMLUPINAR ÜNİVERSİTESİ
Abstract
En önemli ve hayati insan faaliyetlerden biri olarak tarım, küresel, yerel ve çevresel sorunlara karşı oldukça savunmasızdır. Bu kırılganlık COVID-19 pandemisinin ilk aşamalarında da görülmüştür. Bu bağlamda, söz konusu durumların tarımsal ürünlerin talep ve fiyatlama dinamikleri üzerinde önemli etkilerinin olduğu söylenebilmektedir. Yine de tarımsal faaliyetlerin temel amacı, mahsul verimi ve üretimini iyileştirmek olduğu ifade edilebilir. Türkiye'nin hızla değişen koşullarla başa çıkabilmesi için, 11. Kalkınma Planının da ana hedeflerinden biri olarak belirtilen veriye dayalı tarımsal bilgi sistemlerini geliştirmeye devam etmesi gerekmektedir. Dolayısıyla doğru üretim miktarı tahmini, kritik bir görev olarak öne çıkmaktadır. Bu doğrultuda, 1990-2019 dönemi için meteorolojik parametreler, tarım ilacı kullanımı ve rekolteye dayalı veri setlerini kullanarak, Türkiye'deki dokuz ana mahsulün üretim miktarı tahmininde makine öğrenmesi yöntemlerinin geçerliliğinin değerlendirilmesi, bu çalışmanın temel amacı olarak ifade edilebilir. Eğitim aşamasından sonra tüm modellerle üretim miktarı tahmini yapılmış, elde edilen sonuçlar gerçek değerlerle karşılaştırılmıştır. Sonuçlara göre Karar Ağacı Regresyon (KAR) ve Rastgele Orman Regresyon (ROR) yöntemleriyle, bilhassa buğday, arpa ve mısır için başarılı tahminler alınmış, Destek Vektör Regresyon (DVR) yönteminin ise tutarsız tahminler verdiği görülmüştür.
Publisher
Ekonomi Politika ve Finanas Arastirmalari Dergisi
Subject
Materials Chemistry,Economics and Econometrics,Media Technology,Forestry
Reference72 articles.
1. Ahmad, I., Saeed, U., Fahad, M., Ullah, A., Rahman, M.H., Ahmad, A. and Judge, J. (2018). Yield forecasting of spring maize using remote sensing and crop modeling in Faisalabad-Punjab Pakistan. Journal of the Indian Society of Remote Sensing, 46, 1701-1711. https://doi.org/10.1007/s12524-018-0825-8
2. Alpaydın, E. (2004). Introduction to machine learning. Cambridge: The MIT Press.
3. Alston, D.G., Schmitt, D.P., Bradley, J.R. and Coble, H. (1993). Multiple pest interactions in soybean: Effects on heterodera glycines egg populations and crop yield. Journal of Nematology, 25(1), 42-49. Retrieved from https://www.ncbi.nlm.nih.gov/
4. Araújo, S.O., Peres, R.S., Barata, J., Lidon, F. and Ramalho, J.C. (2021). Characterising the agriculture 4.0 landscape—emerging trends, challenges and opportunities. Agronomy, 11(4), 667-703. https://doi.org/10.3390/agronomy11040667
5. Bali, N. and 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, 95, 95-112. https://doi.org/10.1007/s11831-021-09569-8
Cited by
6 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献