Farklı arazi kullanım türlerinde sınırlandırılmış su aralığının değerlendirilmesi ve makine öğrenme algoritmalarıyla tahmini

Yıl 2022, Cilt: 10 Sayı: 1, 69 - 81, 22.06.2022

Pelin Alaboz , Orhan Dengiz , Sekan İç

https://doi.org/10.33409/tbbbd.1110496

Öz

Küresel ısınma ve kuraklık ile suyun önemi artmaktadır. Suyun etkin kullanımı için teknolojik gelişmeler takip edilerek gelecek senaryolar ve tahminler dikkate alınmalıdır. Günümüzde her alanında var olan algoritmalar, teknolojik gelişmeler ile birlikte yaşantımızın merkezi haline gelmiştir. Tarımsal alandaki yeni gelişmelerle ile birlikte makine öğrenme algoritmalarının kullanımları araştırılmaktadır. Bu çalışmada; farklı arazi kullanım türleri üzerindeki (orman, mera ve tarım arazisi) toprakların, sınırlandırılmış su aralığı (SSA) içeriklerinin belirlenmesi sonucu alandaki sıkışma ve havalanma problemleri değerlendirilmiştir. Ayrıca, SSA’nın farklı makine öğrenme algoritmaları (rastgele orman, yapay sinir ağları ve destek vektör makinaları) ile tahmin edilebilirliği dağılım haritaları ile ortaya konmuştur.Tarım yapılan toprakların SSA içerikleri oldukça geniş olup 0.03-0.21 cm3cm-3 aralıklarında değişim göstermiştir. Çalışma alanında incelenen mera topraklarının %43.63’ünde optimum koşullar, % 36’sında havalanma, %14.54’ünde sıkışma, %5.45’inde hem havalanma hem sıkışma problemleri tespit edilmiştir. Orman örtüsü altında toprakların %37.03’ünde optimum koşullar yani yarayışlı su içeriği SSA ya eşit olarak tespit edilmiştir. İncelenen algoritmalar arasında en başarılı tahmin rastgele orman (RO) algoritmasıyla elde edilmiştir. RO algoritması ile SSA’nın tahmin edilmesinde RMSE değeri 0.039 cm3 cm-3, olarak belirlenmiştir. RO ile SSA’nın tahmininde kum ve kil en iyi tahmin edici parametre olarak tespit edilmiştir. Elde edilen gerçek ve tahmin değerlerinin dağılım haritalarında en düşük RMSE Simple Kriging yöntemi ile SSA için Spherical ve RO için ise Exponential model olarak belirlenmiştir. Çalışma sonucunda RO algoritması ile SSA ‘nın düşük hata oranı ile tahmin edilebileceği ve dağılım haritalarının oluşturulabileceği ortaya konmuştur. Ayrıca tarım üretimde özellikle fındık arazilerinde dağılım gösteren topraklarda, mera ve orman topraklarına göre daha fazla sıkışma ve havalanma problemlerinin olduğu tespit edilmiştir.

Anahtar Kelimeler

Toprak su dinamiği, pedotransfer fonksiyonlar, jeoistatistik

Destekleyen Kurum

TAGEM

Proje Numarası

TAGEM/TSKAD/18/A9/P5/355

Teşekkür

Bu çalışma TAGEM tarafından desteklenen TAGEM/TSKAD/18/A9/P5/355 No’lu proje kapsamında gerçekleştirilmiştir. Katkılarından dolayı teşekkür ederiz.

Evaluation of least limiting water range in different land use types and estimation with machine learning algorithms

Öz

The importance of water is increasing with global warming and drought. For the effective use of water, technological developments should be followed and future scenarios and predictions should be taken into account. Algorithms that exist in every field today have become the center of our lives with technological developments. With the new developments in the agricultural field, the uses of machine learning algorithms are being investigated. In this study; As a result of determining the least limiting water range (LLWR) contents of soils on different land-use types (forest, pasture, and agricultural land), compaction and aeration problems in the area were evaluated. In addition, the predictability of SSA with different machine learning algorithms (random forest, artificial neural networks, and support vector machines) is demonstrated with distribution maps. The LLWR contents of the cultivated soils varied in the range of 0.03-0.21 cm3 cm-3. Optimum conditions were determined in 43.63% of the pasture lands examined in the study area, aeration problems in 36%, compaction in 14.54%, and both aeration and compaction problems in 5.45%. Optimum conditions, namely the available water content, were found to be equal to SSA in 37.03 % of the soils under forest cover. Among the analyzed algorithms, the most successful prediction was obtained with the random forest (RF) algorithm. The RMSE value was determined as 0.039 cm3 cm-3 in estimating the LLWR with the random forest algorithm. Sand and clay were determined as the best predictors for the estimation of RF and LLWR. In the distribution maps of the observed and predicted values obtained, the lowest RMSE value was determined by the Spherical model of the Simple Kriging method for SSA while the Exponential model of the Simple Kriging method was found the most suitable model for RF. As a result of the study, it has been revealed that LLWR can be obtained with a low error rate and distribution maps can be created with the random forest algorithm. In addition, it has been determined that there are more compaction and aeration problems in soils of hazelnut cultivated areas for agricultural production when compared with pasture and forest soils.

Anahtar Kelimeler

Soil water dynamics, pedotransfer functions, geostatistics

Proje Numarası

TAGEM/TSKAD/18/A9/P5/355

Kaynakça

• Akar Ö, Güngör Ö. 2013. Classification of multispectral images using random forest algorithm. Journal of Geodesy and Geoinformation 1(2):139-146.
• Alaboz P, Demir S, Dengiz O. 2020. Determination of spatial distribution of soil moisture constant using different ınterpolation model case study, Isparta Atabey plain. Journal of Tekirdag Agricultural Faculty 17(3): 432-444.
• Alaboz P, Başkan O, Dengiz O. 2021. Computational intelligence applied to the least limiting water range to estimate soil water content using GIS and geostatistical approaches in alluvial lands. Irrigation and Drainage 70(5): 1129-1144.
• Alaboz P, Demir S, Işıldar A A, Başayiğit L. 2021a. Elma tarım alanlarında yüzey toprakların sınırlandırılmış su aralığının belirlenmesi. Toprak Su Dergisi 10(1): 13-22.
• Arslan E, Çaycı G, Dengiz O, Yüksel M, Atikman Çiçek N. 2018. Toprakların bazı makro besin elementi içeriklerinin farklı tarımsal arazi kullanımları altında konumsal dağılımlarının belirlenmesi. Toprak Su Dergisi, 7(2): 28-37.
• Ballabio C. 2009. Spatial prediction of soil properties in temperate mountain regions using support vector regression. Geoderma 151: 338–350. https://doi.org/10.1016/ j.geoderma.2009.04.022.
• Breiman L. 2001. Random Forests,Machine learning, Kluwer Academic Publishers 45(1): 5-32.
• Burt R. 2014. Soil survey field and laboratory methods manual. United States Department of Agriculture. Natural Resources Conservation Service. National Soil Survey Center. Natural Resources Conservation Service. Kellog Soil Survey Laboratory.
• Busscher WJ. 1990. Adjustment of flat- tipped penetrometer resistance data to a common water content. http://naldc. nal.usda. gov/download/18014/PDF.
• Cecagno D, de Andrade S E V G, Anghinoni I, Kunrath T R, Martins A P, Reichert J M, de Faccio Carvalho PC. 2016. Least limiting water range and soybean yield in a long-term, no-till, integrated crop-livestock system under different grazing intensities. Soil and Tillage Research, 156: 54-62.
• Chan K, Oates A, Swan A, Hayes R, Dear B, Peoples M. 2006. Agronomic consequences of tractor wheel compaction on a clay soil. Soil and Tillage Research 89 (1): 13-21
• Cortes C, Vapnik V. 1995. Support-vector networks. Mach. Learn. 20, 273–297.
• Çakır F S, 2019. Yapay sinir ağları. Nobel yayınları, 2. Baskı, Ankara.
• Da Silva A, Kay B, Perfect E. 1994. Characterization of the least limiting water range of soils. Soil Science Society of America Journal 58 (6): 1775-1781.
• Da Silva AP, Kay B. 1997. Estimating the least limiting water range of soils from properties and management. Soil Science Society of America Journal 61 (3): 877-883.
• Dong Z, Wang N, Liu J, Xie J, Han J. 2021. Combination of machine learning and VIRS for predicting soil organic matter. Journal of Soils and Sediments, 21(7): 2578-2588.
• Eraslan S, İmamoğlu A, Coşkun A, Saygın F, Dengiz O. 2016. İnebolu Havzası topraklarının erozyon duyarlılıklarını belirlenmesinde agregat ve strüktür stabilite durumları, Arazi örtüsü ile olan ilişkileri. Uluslararası Coğrafya Sempozyumu, 13-14.
• Erol H. 2011. Farklı dozlarda humik+fulvik asit uygulamasının farklı bölge topraklarında mısır vejetasyonu altında toprağın biyolojik aktivitesine etkisi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Toprak Bilimi ve Bitki Besleme Anabilim Dalı, 58s.
• FAO-Toprak Gübre ve Su Kaynakları MAE. 2015. Türkiye topraklarının organik karbon bilgi yönetim sistemi, Ankara.
• Gülser C, Ekberli İ, Gülser F. 2021. Effects of deforestation on soil properties and organic carbon stock of a hillslope position land in Black Sea Region of Turkey. Eurasian Journal of Soil Science. 10(4):278-284.
• Gündüz Z, Barik K. 2019. Farklı Toprak Yönetiminin Toprağın Bazı Fiziksel Özelliklerine Etkisi. Journal of the Institute of Science and Technology 9(3): 1797-1807.
• Haghighi Fashi F, Gorji M, Sharifi F. 2017. Least limiting water range for different soil management practices in dryland farming in Iran. Archives of Agronomy and Soil Science 63(13): 1814-1822.
• IPCC - Intergovernmental Panel on Climate Change, 2019. Fifth assessment report (AR5). https://www.ipcc.ch/report/ar5/syr/.
• İmamoğlu A, Eraslan S, Coşkun A, Saygın, F, Dengiz O. 2018. Farklı toprak özelliklerine bağlı toprak kabuk oluşumu. Türk Coğrafya Dergisi (71): 47-52.
• Kacar B. 2009. Toprak analizleri. Nobel yayın dağıtım, Ankara, p.467.
• Kalkınma Bakanlığı, 2018. On Birinci Kalkınma Planı (2019-2023), Tarımda toprak ve suyun sürdürülebilir kullanımı. Özel İhtisas Komisyon Raporu.
• Karahan G, Erşahin S, Öztürk HS. 2014. Field capacity dynamics affected by soil properties. Journal of Agricultural Faculty of Gaziosmanpasa University 30(1): 1-9.
• Kay BD, Anger DA. 2002. Soil structure in soil physics companion (AWarrick, Ed) 249-296.
• Leão TP, Da Silva AP, Perfect E, Tormena CA. 2005. An algorithm for calculating the least limiting water range of soils. Agronomy Journal 97(4): 1210-1215.
• Letey J. 1958. Relationship between soil physical properties and crop production. In Advances in soil science (pp. 277-294). Springer, New York, NY.
• Lewis CD. 1982. Industrial and business forecasting methods. londra: butterworths publishing, 40 p
• Liaw A, Wiener M. 2002, Classification and regression by random forest. R News, Vol.2/3, December.
• Marashi M, Torkashvand A M, Ahmadi A, Esfandyari M, 2017. Estimation of soil aggregate stability indices using artificial neural network‎ and multiple linear regression models. Spanish Journal of Soil Science: SJSS 7(2):122-132.
• MGM - Meteoroloji Genel Müdürlüğü, 20220. http://www. mgm.gov.tr /veridegerlendirme/yillik-toplam-yagis verileri .aspx #sfU.
• Negiş H, Şeker C, Çetin A. 2020. Toprak sıkışması ve sınırlayıcı su aralığı üzerine farklı organik materyallerin etkileri. Toprak Bilimi ve Bitki Besleme Dergisi 8(2): 118-127.
• Özdemir N. 2019. Farklı topoğrafik yapı ve arazi kullanım koşullarında hacim ağırlığı ile bazı fiziksel ve kimyasal toprak özellikleri arasındaki ilişkiler. Toprak Bilimi ve Bitki Besleme Dergisi 7(2): 86-91.
• Öztürkmen AR, Ramazanoğlu E, Çelik A, Arslan M. 2021. Effects of different land use on some soil properties in Adıyaman province. Avrupa Bilim ve Teknoloji Dergisi (25): 594-600.
• Pal M. 2005. Random forest classifier for remote sensing classification. International Journal of Remote Sensing 26(1): 217-222.
• Prasad AM, Iverson LR, Liaw A. 2006. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction. Ecosystems 9:181-199.
• Saygın F, Dengiz O, İç S, İmamoğlu A. 2019. Bazı fiziko-kimyasal toprak özellikleri ile bazı erodibilite parametreleri arasındaki ilişkilerin mikro havza ölçeğinde değerlendirilmesi. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi 20 (1): 82-91.
• Silva SHG, Weindorf DC, Pinto LC, Faria WM, Junior FWA, Gomide LR, Curi N. 2020. Soil texture prediction in tropical soils: A portable X-ray fluorescence spectrometry approach. Geoderma 362: 114136. Smola AJ, Schölkopf B. 2004. A tutorial on support vector regression. Statistics and Computing 14(3):199-222. Takçı H. 2008. Data Mining Lecture Notes, Gebze Institute of Technology.
• Tavanti RF, Freddi ODS, Tavanti TR, Rigotti A, Magalhães WDA. 2019. Pedofunctions applied to the least limiting water range to estimate soil water content at specific potentials. Engenharia Agrícola 39(4): 444-456.
• Watts JD, Lawrence RL. 2008. Merging random forest classification with an object-oriented approach for analysis of agricultural lands, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXVII(B7).
• Watts JD, Powell SL, Lawrence RL, Hilker T. 2011. Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery. Remote Sensing of Environment, 115(1): 66-75.
• Wilding LP. 1985. Spatial variability: Its documentation, accommodation and implication to soil surveys. 166-194p. In D.R. Nielsen and J. Bouma (eds.). Soil Spatial Variability: Pudoc. Wageningen Netherlands.
• Wu L, Feng G, Letey J, Ferguson L, Mitchell J, Mc Cullough-Sanden B, Markegard G. 2003. Soil management effects on the nonlimiting water range. Geoderma 114(3-4): 401-414.
• Yamaç SS, Şeker C, Negiş H. 2020. Evaluation of machine learning methods to predict soil moisture constants with different combinations of soil input data for calcareous soils in a semiarid area. Agricultural Water Management 234:106121.