Açık tarımsal verilerle ML tabanlı buğday verim tahmini ve açıklanabilir karar desteği: hibrit bir yaklaşım

Abstract

Açık erişimli FAOSTAT verileriyle oluşturulan 580 gözlemli panel veri seti kullanılarak, 1995–2023 dönemi için 20 Avrupa ülkesine ait buğday verimi makine öğrenmesi modelleriyle tahmin edilmiş, model sonuçları SHAP yöntemiyle açıklanmış ve elde edilen bulgular büyük dil modeli aracılığıyla taslak karar destek önerilerine dönüştürülmüştür. Karşılaştırılan dört regresyon algoritması arasında Random Forest modeli, rastgele eğitim-test ayrımında 0,8515 R², 830,72 kg/ha RMSE ve 608,02 kg/ha MAE değerleriyle en yüksek tahmin performansını göstermiştir. Ek olarak gerçekleştirilen zamansal doğrulamada ise LightGBM modeli 0,5259 R² değeriyle öne çıkmıştır. SHAP analizi, azotlu gübre kullanımının %60,77 ile model tahminlerinde en yüksek göreli öneme sahip değişken olduğunu, bunu %25,42 ile hasat edilen alan ve %13,81 ile pestisit kullanımının izlediğini göstermiştir. Ülke bazlı SHAP analizleri, değişkenlerin model tahminlerine katkılarının ülkeler arasında farklılaştığını ortaya koymuştur. Bu açıklanabilirlik çıktıları, Gemini 3.5 Flash modeline yapılandırılmış istemler aracılığıyla aktarılarak 10 ülke için taslak karar destek önerileri oluşturulmuştur. Çalışmanın özgün katkısı, yeni bir tahmin algoritması geliştirmekten ziyade açık veri, makine öğrenmesi, SHAP ve büyük dil modellerini bütünleştiren bir karar destek çerçevesi sunmasıdır.

Keywords

• Buğday verimi tahmini
• makine öğrenmesi
• açıklanabilir yapay zekâ
• büyük dil modelleri

ML-Based wheat yield prediction and explainable decision support with open agricultural data: a hybrid approach

Abstract

Using a balanced panel dataset of 580 observations constructed from open-access FAOSTAT data for 20 European countries over the period 1995–2023, wheat yield was predicted using machine learning models, the model results were interpreted using SHAP, and the findings were translated into draft decision-support recommendations through a large language model. Among the four regression algorithms compared, Random Forest achieved the highest predictive performance in the random train-test split, with an R² of 0.8515, an RMSE of 830.72 kg/ha, and an MAE of 608.02 kg/ha. In the additional temporal holdout validation, LightGBM achieved the highest R² value of 0.5259. SHAP analysis identified nitrogen fertilizer use as the variable with the highest relative importance in model predictions (60.77%), followed by harvested area (25.42%) and pesticide use (13.81%). Country-level SHAP analyses showed that the contributions of these variables to model predictions varied across countries. These explainability outputs were provided to Gemini 3.5 Flash through structured prompts to generate draft decision-support recommendations for 10 countries. Rather than developing a new prediction algorithm, the study contributes an integrated decision-support framework that combines open agricultural data, machine learning, SHAP, and large language models.

Keywords

• Wheat yield estimation
• machine learning
• explainable artificial intelligence
• large language models

References

1. Arnott, D., & Pervan, G. (2005). A critical analysis of decision support systems research. Journal of Information Technology, 20(2), 67–87. https://doi.org/10.1057/palgrave.jit.2000035
2. Aydın, B., Özkan, E., Çobanoğlu, F., Gürbüz, M. A., Kurşun, İ., & Kayhan, İ. E. (2022). Edirne ilinde buğday üretiminde girdi kullanımı ve karşılaştırmalı maliyet analizi. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi, 19(1), 111-119. https://doi.org/10.25308/aduziraat.1057144
3. Başakın, E. E., 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. https://doi.org/10.19159/tutad.685342
4. Benary, M., Wang, X. D., Schmidt, M., Soll, D., Hilfenhaus, G., Nassir, M., Sigler, C., Knödler, M., Keller, U., Beule, D., vd. (2023). Leveraging large language models for decision support in personalized oncology. JAMA Network Open, 6(11), e2343689. https://doi.org/10.1001/jamanetworkopen.2023.43689
5. Brown, T. B., Mann, B., Ryder, N., vd. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33.
6. Burhan, H. A. (2022). Crop yield prediction by ıntegrating meteorological and pesticides use data with machine learning methods: An application for major crops in Turkey. Ekonomi, Politika & Finans Araştırmaları Dergisi, 7(Özel Sayı), 1–18. https://doi.org/10.30784/epfad.1148948
7. Erbaş, N. (2025). Yozgat ilinde yetiştirilen önemli tarla bitkilerinin üretimi ve karşılaştırmalı maliyet, gelir ve kâr analizi. Tarım Ekonomisi Dergisi, 31(1), 149-158. https://doi.org/10.24181/tarekoder.1640889
8. Kumar, C., Dhillon, J., Huang, Y., & Reddy, K. N. (2025). Explainable machine learning models for corn yield prediction using UAV multispectral data. Computers and Electronics in Agriculture, 231, 109990. https://doi.org/10.1016/j.compag.2025.109990

9. 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. https://doi.org/10.1016/j.agrformet.2021.108698
10. Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
11. Mateo-Sanchis, A., Piles, M., Amorós-López, J., Muñoz-Marí, J., Adsuara, J. E., Moreno-Martínez, Á., & Camps-Valls, G. (2021). Learning main drivers of crop progress and failure in Europe with interpretable machine learning. International Journal of Applied Earth Observation and Geoinformation, 104, 102574. https://doi.org/10.1016/j.jag.2021.102574
12. Power, D. J. (2008). Decision support systems: A historical overview. In Handbook on Decision Support Systems 1 (pp. 121–140). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-48713-5_7
13. Ryo, M. (2022). Explainable artificial intelligence and interpretable machine learning for agricultural data analysis. Artificial Intelligence in Agriculture, 6, 257–265. https://doi.org/10.1016/j.aiia.2022.11.003
14. Singh, H., Roy, A., Setia, R. K., & Pateriya, B. (2022). Estimation of nitrogen content in wheat from proximal hyperspectral data using machine learning and explainable artificial intelligence (XAI) approach. Modeling Earth Systems and Environment, 8(2), 2505–2511. https://doi.org/10.1007/s40808-021-01243-z
15. Singh, N., Wang'ombe, J., Okanga, N., Zelenska, T., Repishti, J., G K, J., Mishra, S., Manokaran, R., Singh, V., Rafiq, M. I., Gandhi, R., & Nambi, A. (2024). Farmer.Chat: Scaling AI-powered agricultural services for smallholder farmers. arXiv preprint arXiv:2409.08916. https://doi.org/10.48550/arXiv.2409.08916
16. Tapkı, N., & Göz, G. (2025). Buğday üretiminde girdi kullanım durumu: Konya ili Cihanbeyli ilçesi örneği. Wheat Studies, 14(1), 1-10. https://izlik.org/JA93BJ75NN
17. Van Klompenburg, T., Kassahun, A., & Catal, C. (2020). Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 177, 105709. https://doi.org/10.1016/j.compag.2020.105709
18. Vanlı, Ö., Ahmad, I., & Üstündağ, B. B. (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. https://doi.org/10.1007/s12524-020-01196-3
19. Zhao, W. X., Zhou, K., Li, J., vd. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223. https://doi.org/10.48550/arXiv.2303.18223
20. Zytek, A., Pido, S., Alnegheimish, S., Berti-Équille, L., & Veeramachaneni, K. (2024). Explingo: Explaining AI predictions using large language models. In 2024 IEEE International Conference on Big Data (BigData) (pp. 1197–1208). IEEE. https://doi.org/10.1109/BigData62323.2024.10825114