Decision Support Tools for Barley Yield: The Case of Menemen - Turkey

Öz

The estimation of agricultural yield is a challenging and essential task for every farmer. Since the very old times, agriculture has always been the most important means of livelihood both in Turkey and all around the world. There are many factors that directly affect the efficiency in agriculture such as climatic features, use of water resources, proper and timely use of pesticides and fertilizers. Computer-based systems are needed to transform agriculture data into tangible information. Data mining involves certain methods of obtaining or inferring meaningful and otherwise-unknown information from the data. With the increasing significance of precision agricultural practices, farmers have become inclined to be engaged in a more conscious strategy of agriculture. In this study, barley crop data received from İzmir Menemen Provincial Directorate of Agriculture was carefully organized and evaluated with the classification algorithms in the SPSS Clementine software. CHAID and CR&T algorithms were employed and major factors that affect crop yield was defined. Based on these, a decision support system has been developed for farmers to forecast both harvest season and crop yield.

Anahtar Kelimeler

• Decision Support System,Data Mining,Decision tree,CHAID algorithm,CR&T algorithm,Agriculture

Arpa Verimi için Karar Destek Araçları. Menemen Örneği - Türkiye

Öz

Tarımsal verimin tahmini, her çiftçi için zorlu ve önemli bir görevdir. Tarım geçmişten günümüze kadar hem Türkiye hem de bütün dünyada birçok insan için en önemli geçim kaynağı olmuştur. İklimsel özellikler, su kaynaklarının kullanımı, tarımsal ilaçlar ve gübrelerin doğru ve zamanında kullanılması gibi tarımın etkinliğini doğrudan etkileyen birçok faktör vardır. Tarımsal verileri anlamlı bilgiye dönüştürme sürecinde bilgisayar destekli sistemlere ihtiyaç vardır. Veri madenciliği, verilerden anlamlı ve başka türlü bilinmeyen bilgiler elde etmek veya çıkarmak için belirli yöntemler içerir. Hassas tarım uygulamalarının artan önemi ile çiftçiler daha bilinçli bir tarım stratejisi ile meşgul olmaya eğimli hale geldi. Bu çalışmada, İzmir Menemen Tarım il müdürlüğünden alınan Arpa ürünün ekim verileri dikkatle düzenlenmiş ve SPSS Clementine yazılımındaki sınıflandırma algoritmaları ile değerlendirilmiştir.  CHAID ve CR & T algoritmaları kullanılmış ve ürün verimini etkileyen ana faktörler tanımlanmıştır. Buna dayanarak, çiftçilerin hem hasat mevsimini hem de ürün verimini tahmin etmeleri için bir karar destek sistemi geliştirilmiştir.

Anahtar Kelimeler

• Karar Destek Sistemleri,Veri Madenciliği,Karar ağacı,CHAID algoritması,CR&T algoritması,Tarım

Kaynakça

1. [1] De Geronimo E, Aparicio VC, Barbaro S, Portocarrero R., Jaime S, & Costa JL (2014). Presence of pesticides in surface water from four sub-basins in Argentina. Chemosphere 107, 423-431.
2. [2] Laurance WF, Sayer J, Cassman K. (2014). Agricultural expansion and its impacts on tropical nature. Trends in Ecology & Evolution 29, 107-116.
3. [3] Masters WA, Djurfeldt AA, De Haan C, Hazell P, Jayne T, Jirström M et al. (2013). Urbanization and farm size in Asia and Africa: Implications for food security and agricultural research. Global Food Security 2, 156-165.
4. [4] Santhosh K.Seelan, Soizik Lagute, Grant M. Cassady, “Remote sensing applications for precision agriculture: A learning community approach,” Remote Sensing of Environment, vol. 88, pp. 157-169, 2003.
5. [5] Fayyad U, Piatesky–Shapiro G, Smyth P. Data mining to knowledge discovery in databases. AI Magazine, 1996. pp. 50-67.
6. [6] Taechatanasat, P., Armstrong, L. 2013. Decision Support System Data for Farmer Decision Making, Edith Cowan University Research Online ECU Publications.
7. [7] Gobbett, D., & Bramley, R. (2014). Software tools for precision agriculture Retrieved June 4th, 2014.
8. [8] Andrew, M., Grundy, M., & Harris, C. (2013). Decision support tools for agriculture.

9. [9] Tarım ve Hayvancılıkta Bilişim Tabanlı Karar Destek Sistemleri, Tülin Akın, Coşkun Yıldırım, Handan Çakan.
10. [10] Research on GIS-based Agriculture Expert System, Zhiqing Zhu, Rongmei Zhang, Jieli Sun, 2009, World Congress on Software Engineering IEEE 252-255.
11. [11] Ontology-Based Knowledge and Optimization Model for Decision Support System to Intercropping, Kornkanok Phoksawat, Massudi Mahmuddin, 2016 IEEE.
12. [12] Raghuveer K, Yogesh M J, Shwetha S. Data mining in agriculture: a review AEIJMR 2014; 2: 2348 – 6724.
13. [13] Ramesh D, Vardhan B V. Analysis of Crop Yield Prediction Using Data Mining Techniques. International Journal of Research in Engineering and Technology 2015; 4: 470-473.
14. [14] Breiman L., Friedman J., Olshen R., and Stone C. Classification and Regression Trees. Wadsworth Int. Group, 1984.
15. [15] SPSS Inc. Clementine® 7.0 User’s Guide, 2002.