A MACHINE LEARNING-BASED CROP RECOMMENDATION SYSTEM BASED ON AGRO-CLIMATIC CONDITIONS TO ENHANCE AGRICULTURAL PRODUCTIVITY

Abstract

Agriculture is a strategic sector worldwide from both economic and societal perspectives, playing a critical role especially in food security and rural development. The sustainability of this sector is influenced by numerous environmental variables such as climate change and variations in soil properties. One of the main challenges faced by farmers is identifying the most suitable crop for the prevailing agro-climatic conditions and producing accordingly. The primary objective of this study is to develop a model capable of predicting the most appropriate crop based on soil and environmental conditions using machine learning algorithms. In the modeling process, environmental parameters such as nitrogen (N), phosphorus (P), and potassium (K) content of the soil, along with temperature, humidity, pH level, and rainfall amount, were used as inputs. Five different machine learning algorithms were applied in this study, namely Random Forest, Logistic Regression, Support Vector Machines, K-Nearest Neighbor and Gradient Boosting. The grid search approach was used to optimize each model's hyperparameters, and 5-fold cross-validation was used to assess the models' accuracy. According to the results, the most successful model was Random Forest with an accuracy of 99.32%. Although the other algorithms also achieved high accuracy, the performance of the Random Forest model stood out significantly. When compared with recent studies in the literature, the findings demonstrate the effectiveness and applicability of the proposed methods. This study contributes to the development of an intelligent crop recommendation system that can enhance agricultural productivity and resource use efficiency by enabling farmers to make data-driven decisions.

Keywords

• Crop recommendation system
• Machine learning
• Classification

TARIMSAL VERİMLİLİĞİ ARTIRMAK İÇİN AGRO-KLİMATİK KOŞULLARA BAĞLI OLARAK MAKİNE ÖĞRENMESİ TEMELLİ MAHSUL TAVSİYE SİSTEMİ

Abstract

Tarım, dünya genelinde ekonomik ve toplumsal açıdan stratejik bir sektör olup, özellikle gıda güvenliği ve kırsal kalkınma açısından kritik bir role sahiptir. Bu sektörün sürdürülebilirliği, iklim değişikliği ve toprak özelliklerindeki farklılıklar gibi çok sayıda çevresel değişkenden etkilenmektedir. Çiftçilerin karşılaştığı en temel sorunlardan biri, mevcut agro-klimatik koşullara en uygun mahsulü belirleyebilmek ve bu doğrultuda üretim yapabilmektir. Bu çalışmanın temel amacı, makine öğrenmesi algoritmalarını kullanarak toprak ve çevre koşullarına göre en uygun mahsulü tahmin edebilen bir model geliştirmektir. Modelleme sürecinde, toprağın azot (N), fosfor (P), potasyum (K) içeriği ile sıcaklık, nem, pH değeri ve yağış miktarı gibi çevresel parametreler girdi olarak kullanılmıştır. Çalışmada Rastgele Orman, Lojistik Regresyon, Destek Vektör Makineleri, K-En Yakın Komşu ve Gradyan Artırma olmak üzere beş farklı makine öğrenmesi algoritması uygulanmıştır. Her bir modelin hiperparametrelerini optimize etmek için ızgara arama yaklaşımı ve modellerin doğruluğunu değerlendirmek için 5-kat çapraz doğrulama kullanılmıştır. Sonuçlara göre, %99.32’lik doğruluk oranı ile en başarılı model Rastgele Orman olmuştur. Diğer algoritmalar da yüksek doğruluk sağlamış olsa da Rastgele Orman’ın performansı belirgin şekilde öne çıkmıştır. Elde edilen sonuçlar, literatürde yer alan güncel çalışmalarla karşılaştırıldığında yöntemlerin etkinliğini ve uygulanabilirliğini ortaya koymaktadır. Bu çalışma, çiftçilerin veri destekli kararlar almasına olanak sağlayarak, tarımsal verimliliği ve kaynak kullanım etkinliğini artırabilecek akıllı bir mahsul tavsiye sistemi geliştirilmesine katkı sunmaktadır.

Keywords

• Mahsul tavsiye sistemi
• Makine öğrenmesi
• Sınıflandırma

References

1. H.C.J. Godfray, J.R. Beddington, I.R. Crute, L. Haddad, D. Lawrence, J.F. Muir, et al., Food security: the challenge of feeding 9 billion people, Science 327 (5967) (2010) 812–818, doi:10.1126/science.1185383.
2. H. Afzal, M. Ahmad, A. Aftab, et al., Incorporating soil information with machine learning for crop recommendation to improve agricultural output, Sci. Rep. 15 (1) (2025) 8560, doi:10.1038/s41598-025-88676-z.
3. R. Parvathi, Crop recommendation system by artificial neural network, (2021).
4. D.N. Varshitha, S. Choudhary, An artificial intelligence solution for crop recommendation, Indones. J. Electr. Eng. Comput. Sci. 25 (3) (2022) 1688–1695.
5. F.S. Prity, M.A. Islam, T. Rahman, et al., Enhancing agricultural productivity: a machine learning approach to crop recommendations, Hum.-Centric Intell. Syst. 4 (1) (2024) 497–510, doi:10.1007/s44230-024-00081-3.
6. B.N. Mohapatra, V. Kale, Crop recommendation system using machine learning, ITEGAM-JETIA 10 (48) (2024) 63–68.
7. J. Madhuri, M. Indiramma, Artificial neural networks based integrated crop recommendation system using soil and climatic parameters, Indian J. Sci. Technol. 14 (19) (2021) 1587–1597.
8. N. Acharya, P. Khatiwada, R. Pandey, S. Niroula, P. Chapagain, Crop recommendation system using machine learning: a comparative study, in: Proc. KEC Conf. 2024, (2024) 302–311, doi:10.3126/injet.v1i2.66708.

9. M.P. Deepika, G. Andrew, Artificial neural network for crop recommendation, Grenze Int. J. Eng. Technol. 10 (2024) 3933–3936.
10. S. Ramzan, A. Khan, A. Hussain, et al., An innovative artificial neural network model for smart crop prediction using sensory network based soil data, PeerJ Comput. Sci. 10 (2024) e2478.
11. R. Bhavani, V. Agalya, N. Kiruthika, C. Sugapriya, Deep neural network based crop recommendation system, Int. Res. J. Eng. Technol. (IRJET) 11 (4) (2024) 278–281.
12. L. Breiman, Random forests, Mach. Learn. 45 (1) (2001) 5–32, doi:10.1023/A:1010933404324.
13. X. Chen, H. Ishwaran, Random forests for genomic data analysis, Genomics 99 (6) (2012) 323–329, doi:10.1016/j.ygeno.2012.04.003.
14. D.W. Hosmer, S. Lemeshow, R.X. Sturdivant, Applied Logistic Regression, third ed., Wiley, 2013, doi:10.1002/9781118548387.
15. C. Cortes, V. Vapnik, Support-vector networks, Mach. Learn. 20 (3) (1995) 273–297, doi:10.1007/BF00994018.
16. T. Cover, P. Hart, Nearest neighbor pattern classification, IEEE Trans. Inf. Theory 13 (1) (1967) 21–27, doi:10.1109/TIT.1967.1053964.
17. K. Beyer, J. Goldstein, R. Ramakrishnan, U. Shaft, When is 'nearest neighbor' meaningful?, in: Int. Conf. Database Theory, (1999) 217–235, doi:10.1007/3-540-49257-7_15.
18. J.H. Friedman, Greedy function approximation: a gradient boosting machine, Ann. Stat. 29 (5) (2001) 1189–1232, doi:10.1214/aos/1013203451.
19. T. Chen, C. Guestrin, XGBoost: a scalable tree boosting system, in: Proc. 22nd ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., (2016) 785–794, doi:10.1145/2939672.2939785.
20. C. Musanase, A. Vodacek, D. Hanyurwimfura, A. Uwitonze, I. Kabandana, Data-driven analysis and machine learning-based crop and fertilizer recommendation system for revolutionizing farming practices, Agriculture 13 (11) (2023) 2141.