Fuzzy Logic Analysis of the Effects of Soil Salinity on Soil Fertility in Irrigated Areas

Yıl 2018, 1. Uluslararası Tarımsal Yapılar ve Sulama Kongresi Özel Sayısı, 400 - 408, 31.12.2018

Yeşim Ahi Korkmaz Bellitürk Hüseyin Tevfik Gültaş

Öz

It was aimed to determine the effects of salinity parameters obtained from soil samples belonging to irrigated agriculture fields in Ziya Organic Farming Corporation Inc., located in the province of Lüleburgaz, Kırklareli in Turkey, on soil fertility with a fuzzy logic model. Firstly, soil parameters were determined in different irrigated agricultural areas and analyzed by running model. Changes in soil properties and productivity were analyzed by Fuzzy Logic and interpreted. Physical and chemical analyzes of soil samples investigated in the study were made according to standard methods. Soil samples have clay or clay loam texture in respect of physical properties. Some parameters related to salinity were also determined in the chemical analyzes of soil samples such as pH, EC, Na, Ca, Mg and CaCO3. The changes in the parameters of the selected areas are as follows; pH 6,63 – 7,92; soil salinity (EC) 0,60-1,10 dS/m; lime (CaCO3) 1,98-10,30%; sodium (Na) 14-232 mg kg-1; calcium (Ca) 2409-9990 mg kg-1 and magnesium (Mg) 215-1102 mg kg-1. In the model, these parameters, which directly effects soil productivity, are considered as input variables, and productivity is considered as output variable. By obtaining fuzzy values relating to these parameters, the soil productivity profiles and percentages (%) of each are presented. Fuzzy productivity values differ from 38,50% to 84,40%.

Anahtar Kelimeler

Fuzzy Logic, soil quality, salinity, productivity prediction

Toprakta Tuzluluk Parametrelerinin Sulanan Alanlarda Toprak Verimliliğine Etkilerinin Bulanık Mantık ile Analizi

Öz

Araştırmada, Kırklareli ili Lüleburgaz ilçesinde
bulunan Ziya Organik Tarım İşletmesi A.Ş.’nde yer alan sulu tarım alanlarına
ait toprak örneklerinden elde edilen tuzluluk parametrelerinin, toprak
verimliliğine olan etkilerinin bulanık mantık modeli ile belirlenmesi
hedeflenmiştir. Bu amaçla, Fuzzy Logic (Bulanık Mantık) modeli kullanılmıştır.
Modelin çalıştırılmasında öncelikle, farklı sulu tarım parsellerinde toprak
parametrelerinin tespiti ve analizi gerçekleştirilmiştir. Toprak
özelliklerindeki değişimler verimlilik bakımından Fuzzy Logic ile analiz
edilerek modellenmiş ve yorumlanmıştır. Araştırmada incelenen toprak
örneklerinin, fiziksel ve kimyasal analizleri standart metotlara göre
yapılmıştır. Toprak örneklerinin fiziksel özellik bakımından çoğunlukla killi
ve killi tın bünyede olduğu bulunmuştur. Toprak örneklerinin kimyasal
analizlerinde tuzluluk ile ilgili bazı parametreler de (pH, EC, Na, Ca, Mg ve
kireç) belirlenmiştir. Seçilen parsellerde; pH değerleri 6,63 – 7,92; toprak
tuzluluğu değerleri (EC) 0,60-1,10 dS/m; kireç % 1,98-10,30; sodyum (Na) 14-232
mg kg-1; kalsiyum (Ca) 2409-9990 mg kg-1 ve magnezyum
(Mg) 215-1102 mg kg-1 aralıklarında değişmiştir. Toprak
verimliliğini doğrudan etkileyen bu parametreler modeldeki giriş
değişkenlerini, verimlilik ise çıkış değişkenini oluşturmuştur. Bu
parametrelere ait bulanık değerler elde edilerek, her bir alana ait toprak
verimlilik profilleri ve yüzde (%) verimlilik değerleri ortaya konulmuştur.
Fuzzy verimlilik değerleri % 38,50 – 84,40 aralığında değişmiştir.

Anahtar Kelimeler

Fuzzy Logic modeli, toprak kalitesi, tuzluluk, verimlilik tahmini

Kaynakça

• Bellitürk, K., 2013. Toprak Verimliliğinin Belirlenmesinde Toprak ve Bitki Analizlerinin Önemi. NKÜ Ziraat Fakültesi Ziraat Haber, 2(7): 10-11.
• Chau, K.W., Wu C.L. and Li, Y. S., 2005. Comparison of several flood forecasting models in Yangtze River, J Hydrol. Eng. ASCE. 10(6): 485-491.
• Chen, K.W. and Chau, K.W., 2006. Intelligent manipulation and calibration of parameters for hydrological models. Int J Environ Pollut. 28(3-4): 432-447.
• Dökmen, F. and Aslan, Z., 2013. Evaluation of the parameters of water quality with wavelet techniques. Water Resour Manage. 27(14): 4977-4988.
• Duru, N., Dökmen, F., Canbay, M.M. and Kurtuluş, C., 2010. Soil productivity analysis based on a Fuzzy Logic System, J. Sci. of Food and Agric., 90(13): 2220-2227.
• FAO, 1982. Micronutrients and the nutrient status of soils: A global study. Food and Agriculture Organization of the United Nations. FAO Soils Bulletin 48, Rome.
• FAO, 1990. Micronutrient, Assesment at The Country Level: An International Study. FAO Soils Bulletin 63. Rome.
• Gemici, E., Ardıçlıoğlu, M. ve Kocabaş, F., 2013. Akarsularda debinin yapay zeka yöntemleri ile modellenmesi. Erciyes Üniv. Fen Bil. Enst. Dergisi 29(2): 135-143.
• Gintz, M.A., Lüdeke, M.K.B., Petschel-Held, G., Reusswig, F., Plöchl, M., Lammel G. and Schellnhuber, H.J., 1997. Fuzzy logic based global assessment of the marginality of agricultural land use. Climate Research, 8(2): 135-150.
• Güneş, A., Alpaslan, M. ve İnal, A., 2010. Bitki Besleme ve Gübreleme (V. Baskı). Ankara Üniv. Ziraat Fakültesi Yayın No: 1581, Ders Kitabı No: 533, Ankara.
• Kacar, B., 2009. Toprak Analizleri, 2. Baskı, Nobel Yayınları, 467 sayfa, Ankara.
• Kremenova, O., 2004. Fuzzy Modelling of Maps. Helsinki University of Technology Department of Surveying Master Thesis. pp. 84.
• Lin, C.H., Huang, T.H. and Shaw, D., 2010. Applying water quality modeling to regulating land development in a watershed. Water Res. Manage. 24(4): 629-640.
• Lindsay, W.L. and Norwell, W.A., 1969. Development of a DTPA Micronutrient Soil Test Sci. Am. Proc. 35: 600-602.
• MATLAB, 2015. Fuzzy Logic Toolbox Version, R2015a.
• McBratney, AB. and Odeh, I.O.A., 1997. Application of fuzzy sets in soil science: fuzzy logic, fuzzy measurements and fuzzy decisions. Geoderma. 77: 85-113.
• Muttil, N. and Chau, K.W., 2006. Neural network and genetic programming for modelling coastal algal blooms. Int J Environ Pollut. 28(83-4): 223-238.
• Odabaş, C., Pehlivan, İ. ve Cinal, D.M., 2009. Bulanık mantık ile güneş enerjisi uygulaması. 5. Uluslararası İleri Teknolojiler Sempozyumu. (IATS’09). Karabük, Türkiye.
• Richards, L.A., 1954. Diagnosis and improvement of saline and alkali soils. USDA Agricultural Handbook No. 60, US Department of Agriculture, Washington DC. pp. 160.
• Sağlam, M.T., 2012. Toprak ve Suyun Kimyasal Analiz Yöntemleri. Namık Kemal Üniversitesi Ziraat Fakültesi Yayınları No: 2, Ders Kitabı No: 2, 154 sayfa, Tekirdağ.
• Taormina, R., Chau, K.W. and Sethib, R., 2012. Artificial Neural Network simulation of hourly groundwater levels in a coastal aquifer system of the Venice lagoon. Eng Appl Artif Intel. 25(8): 1670-1676.
• TOVEP, 1991. Türkiye Toprakları Verimlilik Envanteri. T.C. Tarım Orman ve Köy İşleri Bakanlığı Köy Hizmetleri Genel Müdürlüğü.
• Tüzüner, A., 1990. Toprak ve Su Analiz Laboratuvarları El Kitabı. T.C. Tarım ve Köy İşleri Bakanlığı, Köy Hizmetleri Genel Müdürlüğü, s: 61-73, Ankara.
• Wu, C.L., Chau, K.W. and Li, Y.S., 2009. Predicting monthly stream flow using data-driven models coupled with data-preprocessing techniques. Water Resources Research 45, W08432: 1-23.
• Zadeh, L.A., 1965. Fuzzy Sets. Information and Control. 8: 338-353.