Product Recommendation System for Isparta Province Using Machine Learning Techniques

Abstract

In rural areas, the failure to cultivate crops that are suitable for the soil's nutritional values and unwise practices like improper fertilization/irrigation can have negative consequences for both soil quality and crop yield. Soil analyses are important for determining the specific nutrient value ratios that agricultural areas possess. Farmers deciding what to plant in their fields without using soil analysis methods can lead to reduced crop yields in the following years. When choosing the crop to be harvested, parameters such as organic matter, pH, salinity, saturation, depth, potassium, phosphorus, and lime content should be examined. In addition, factors related to climatic and geographical characteristics such as sunlight, humidity, rainfall and altitude should also be taken into account when deciding which crop to grow in a particular region. This study aims to suggest the most productive crops to be grown in the desired region, taking into account the parameters analysing the soil structure and location-based climatic characteristics. To create a better model, exploratory data analysis methods were employed. Algorithms such as Random Forest, XG Boost and Bagging were used to make crop recommendations based on soil values. Among these models, it was observed that Bagging algorithm made the most accurate prediction with 63% accuracy rate. Additionally, a complexity matrix was used to evaluate the accuracy of our classification system.

Keywords

• soil fertility
• artificial intelligence
• randomforest

Ethical Statement

This study is an original study; I acted in accordance with the principles and rules of scientific ethics in all stages of the study, including preparation, data collection, analysis and presentation of information; I declare that I have cited all data and information not obtained within the scope of this study and that I have included these sources in the bibliography.

Thanks

The soil analysis data used in this study was provided by Isparta Provincial Directorate of Agriculture and Forestry and Isparta Special Provincial Administration. We thank these institutions for their support. This study was presented as an abstract at the 5th International Conference on Artificial Intelligence and Applied Mathematics in Engineering (UMYMK 2023) on 3-5 November 2023.

Makine Öğrenimi Teknikleri Kullanılarak Isparta İli İçin Tarımsal Ürün Önerme Sistemi

Abstract

Kırsal bölgelerde, toprağın besin değerlerine uygun ürünlerin yetiştirilmemesi ve bilinçsiz gübreleme/sulama gibi uygulamalar, toprak kalitesi ve ürün verimi açısından olumsuz sonuçlar doğurmaktadır. Toprak analizleri, tarım alanlarının sahip olduğu özgün besin değeri oranlarını belirlemek için önemlidir. Çiftçilerin, toprak analiz yöntemlerini kullanmadan tarlalarında ne ekeceklerine karar vermeleri, ilerleyen yıllarda hasat edilecek ürünlerin verimini düşürebilir. Hasat edilecek ürünü seçerken organik madde, pH, tuzluluk, satürasyon, derinlik, potasyum, fosfor ve kireç gibi parametreler incelenmelidir. Ayrıca belirli bir bölgede hangi ürünün yetiştirileceğine karar verirken, güneş ışığı, nem, yağış ve rakım gibi iklim ve coğrafi özelliklerle ilgili faktörler de dikkate alınmalıdır. Bu çalışma, toprak yapısını analiz eden parametreleri ve konum bazlı iklim özelliklerini göz önüne alarak istenen bölgede yetiştirilecek en verimli ürünleri önermeyi amaçlamaktadır. Daha iyi bir model oluşturmak için keşifsel veri analizi yöntemleri kullanılmıştır. Toprak değerlerine dayalı olarak ürün önerileri yapmak için Random Forest, XG Boost ve Bagging gibi algoritmalar kullanılmıştır. Bu modeller arasında Bagging algoritmasının %63 doğruluk oranı ile en doğru tahminlemeyi yaptığı görülmüştür. Ayrıca, sınıflandırma sistemimizin doğruluğunu değerlendirmek için bir karmaşıklık matrisi kullanılmıştır.

Keywords

• toprak verimi
• yapay zekâ
• randomforest

Ethical Statement

Bu çalışmanın, özgün bir çalışma olduğunu; çalışmanın hazırlık, veri toplama, analiz ve bilgilerin sunumu olmak üzere tüm aşamalarından bilimsel etik ilke ve kurallarına uygun davrandığımı; bu çalışma kapsamında elde edilmeyen tüm veri ve bilgiler için kaynak gösterdiğimi ve bu kaynaklara kaynakçada yer verdiğimi beyan ederim.

Thanks

Bu çalışmada kullanılan toprak analiz verileri Isparta İl Tarım ve Orman Müdürlüğü ve Isparta İl Özel İdare’sinden sağlanmıştır. Destekleri için bu kurumlara teşekkür ederiz. Bu çalışma 3-5 Kasım 2023 tarihlerindeki 5. Uluslararası Mühendislikte Yapay Zekâ ve Uygulamalı Matematik Konferansı (UMYMK 2023)’nda özet bildiri olarak sunulmuştur.

References

1. [1] H. C. Bayrakçı, R. S. Çiçekdemir and M. Özkahraman, “Tarım Arazilerinde Harcanan Su Miktarını Yapay Zekâ Teknikleri Kullanarak Belirlenmesi,” Düzce Üniversitesi Bilim ve Teknoloji Dergisi, vol. 9, no. 6, pp. 237-250, Ara. 2021, doi:10.29130/dubited.1015690
2. [2] Türk Dil Kurumu, sozluk.gov.tr [Online] Available: https://sozluk.gov.tr. [Erişim tarihi: 15 Aralık 2023].
3. [3] Z. Doğan, S. Arslan and A. Berkman, “Türkiye’de Tarım Sektörünün İktisadi Gelişimi ve Sorunları: Tarihsel Bir Bakış”, Niğde Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, vol. 8, no. 1, pp. 29-41, Ocak 2015, ISSN: 2148-5801, e-ISSN: 1308-4216.
4. [4] M. Direk, Tarım Tarihi ve Deontoloji, Eğitim Akademi Yayınevi, 2012.
5. [5] İ. Terzi, M. M. Özgüven, Z. Altaş and T. Uygun, “Tarımda Yapay Zekâ Kullanımı,” International Erciyes Agriculture, Animal Food Sciences Conference, 24-27 April 2019, Erciyes University, Kayseri, Turkey, 2019, pp. 245-255.
6. [6] H. Ekdahl, “Agricultural Technology and the Total System,” Journal of Agricultural Engineering Research, vol. 76, no. 3, pp. 249-250, 2000. doi:10.1006/jaer.2000.0575
7. [7] H. H. Tıraş, “Sürdürülebilir Kalkınma ve Çevre: Teorik Bir İnceleme,” Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, vol. 2, no. 2, pp. 57-73, Haz. 2012.
8. [8] K. Temizel and Y. Koç, “Coğrafi Bilgi Sisteminin Hassas Tarımda Uygulanmasının Yararları: Gübreleme Örneği,” Anadolu Tarım Bilimleri Dergisi, vol. 30, no. 2, pp. 130-135, Jul. 2015, doi:10.7161/anajas.2015.30.2.130-135

9. [9] İ. Boz, A. Şahin, M. Paksoy, F. H. Giray and M. Direk, “Çevre Amaçlı Tarımsal Arazilerin Korunması Programının (ÇATAK) Yayılması ve Benimsenmesi,” TÜBİTAK Projesi Kesin Sonuç Raporu, Proje No: 110O747, 2013. Available: https://search.trdizin.gov.tr/tr/yayin/detay/613804. [Erişim tarihi: 15 Aralık 2023].
10. [10] E. Kılavuz and İ. Erdem, “Dünyada Tarım 4.0 Uygulamaları ve Türk Tarımının Dönüşümü,” Social Sciences, vol. 14, no. 4, pp. 133-157, Oct. 2019. doi:10.12739/NWSA.2019.14
11. [11] M. F. Baran, A. Çelik ve K. Bellitürk, Türkiye’de Sürdürülebilir Tarım Uygulamaları: Zorluklar ve Potansiyeller. Ankara: İksad Publishing House, 2021.
12. [12] B. Güzel ve E. 0katan, Tarım ve Yapay Zekâ. Yapay Zekânın Değiştirdiği Dinamikler. İstanbul: Eğitim Yayınevi, 2022, pp. 199-224.
13. [13] B. Çakmak, M. Yıldırım ve T. Aküzüm, “Türkiye’de Tarımsal Sulama Yönetimi, Sorunlar ve Çözüm Önerileri,” TMMOB 2. Su Politikaları Kongresi, Ankara, Türkiye, 20-22 Mart 2008, pp. 215-224.
14. [14] H. Yılmaz, V. Demircan and M. Gül, “Üreticilerin Kimyasal Gübre Kullanımında Bilgi Kaynaklarının Belirlenmesi ve Tarımsal Yayım Açısından Değerlendirilmesi,” Süleyman Demirel Üniversitesi Ziraat Fakültesi Dergisi, vol. 4, no.1, pp. 31-44, 2009, ISSN: 1304-9984.
15. [15] S. Ren, X. Cao, Y. Wei and J. Sun, “Global Refinement of Random Forest,” 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 2015, pp. 723-730, doi: 10.1109/CVPR.2015.7298672
16. [16] E. Akdağlı, “Makine Öğrenmesinde Random Forest Algoritması,” medium.com, 4 Mart 2021. [Çevrimiçi]. Mevcut: https://ece-akdagli.medium.com/makine-%C3%B6%C4%9Frenmesinde-random-forest-algoritmas%C4%B1-a79b044bbb31. [Erişim: 14 Aralık 2023].
17. [17] M. Hao, S. Hejiang, L. Junjie and W. Shen, “Developing Window Behavior Modelsf for Residential Buildings Using Xgboost Algorithm,” Energy and Buildings, vol. 205(2019), pp. 1-8, 2019. doi:10.1016/j.enbuild.2019.109564
18. [18] A. C. Kelle and H. Yüce, “MQTT Trafiğinde DoS Saldırılarının Makine Öğrenmesi ile Sınıflandırılması ve Modelin SHAP ile Yorumlanması,” Journal of Materials and Mechatronics, vol. 3, no. 1, pp. 50–62, 2022, doi:10.55546/jmm.995091
19. [19] G. Ngo, R. Beard and R. Chandra, “Evolutionary Bagging for Ensemble Learning,” Neurocomputing, vol. 510, pp. 1-14, 2022. doi:10.1016/j.neucom.2022.08.055
20. [20] Ş. Ay, “Ensemble Learning-Bagging ve Boosting,” medium.com, 16 Aralık 2019. [Çevrimiçi]. Mevcut: https://medium.com/deep-learning-turkiye/ensemble-learning-bagging-ve-boosting-50643428b22b. [Erişim: 15 Aralık 2023].