Determining the Amount of Water Used in Agricultural Lands Using Artificial Intelligence Techniques

Abstract

One of the most important problems in our country and in the world is the water problem. The agricultural sector is among the areas with the highest water consumption. One of the important methods used in irrigation in agriculture is the drip irrigation method. In the drip irrigation system, less water is consumed by giving water to the roots of the plants and allowing them to grow. In addition, one of the important points is that the water needs of each plant are different. In the study, a data set was created according to the amount of water consumption determined in the light of data such as province, district, plant species collected from sample regions and open access websites. The amount of water consumed was tried to be estimated by using different artificial intelligence algorithms on the obtained data set. An interface program has been prepared for the artificial intelligence model that gives the most accurate result, and a system has been created that gives the most accurate water consumption amount according to the values entered by the user from the interface program and displays the result on the screen.

Keywords

• Artificial intelligence
• Machine learning
• Agriculture

Tarım Arazilerinde Harcanan Su Miktarını Yapay Zekâ Teknikleri Kullanarak Belirlenmesi1

Abstract

Ülkemizde ve dünyada en önemli problemlerden birisi de su problemidir. Su tüketiminin en çok olduğu alanlar arasında tarım sektörü gelmektedir. Tarımda sulamada kullanılan önemli yöntemlerden birisi de damla sulama yöntemidir. Damlama sulama sisteminde bitkilerin köküne su vererek büyümesi sağlanarak daha az su tüketilmesi sağlanmaktadır. Ayrıca önemli noktalardan birisi de her bitkinin su ihtiyacının farklı olmasıdır. Çalışmada örnek bölgelerden ve açık erişimli internet sitelerinden toplanan İl, ilçe, bitkinin türü gibi veriler ışığında tespit edilen su harcama miktarına göre veri seti oluşturulmuştur. Elde edilen veri seti üzerinde farklı yapay zekâ algoritmaları kullanılarak harcanan su miktarı tahmin edilmeye çalışılmıştır. En doğru sonucu veren yapay zekâ modeli için ara yüz programı hazırlanarak kullanıcının ara yüz programından girmiş olduğu değerlere göre en doğru su harcama miktarını veren ve sonucu ekranda görüntüleyen bir sistem oluşturulmuştur. 

Keywords

• Yapay zekâ
• Makine öğrenmesi
• Tarım

References

1. [1] B. Aksoy, H. D. Halis ve O. K. M. Salman, “Elma bitkisindeki hastalıkların yapay zekâ yöntemleri ile tespiti ve yapay zekâ yöntemlerinin performanslarının karşılaştırılması,” International Journal of Engineering and Innovative Research, c. 2, s. 3, ss. 194-210.
2. [2] E. Kılavuz ve İ. Erdem , "Dünyada tarım 4.0 uygulamaları ve Türk tarımının dönüşümü", Social Sciences, c. 14, s. 4, ss. 133-157, 2019.
3. [3] S. Dorak , B. B. Aşık ve G. Özsoy , "Tarımda su kalitesi ve su kirliliğinin önemi: Bursa Nilüfer Çayı örneği," Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, c. 33, s. 1, ss. 155-166, 2019.
4. [4] S. Örs ve M. Ekinci , "Kuraklık stresi ve bitki fizyolojisi," Derim, c. 32, s. 2, ss. 237-250, 2016.
5. [5] İ. Aras , "Damla sulama yöntemi", Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, c. 15, s. 1-2, ss. 49-60, 2006.
6. [6] İ. Terzi, M. M. Özgüven, Z. Altaş, & T. Uygun, “Tarımda yapay zeka kullanımı” Internatıonal Ercıyes Agrıculture, Anımal & Food Scıences Conference Proceedıngs Book, Kayseri, Türkiye, 2019, ss. 245-255.
7. [7] A. Turgut , A. Temir , B. Aksoy ve K. Özsoy , "Yapay zekâ yöntemleri ile hava sıcaklığı tahmini için sistem tasarımı ve uygulaması," International Journal of 3D Printing Technologies and Digital Industry, c. 3, s. 3, ss. 244-253, 2020.
8. [8] B. L. Aylak, O. Oral ve K. Yazıcı , "Yapay zeka ve makine öğrenmesi tekniklerinin lojistik sektöründe kullanımı," El-Cezeri, c. 8, s. 1, ss. 74-93, 2021.

9. [9] K. Öztürk & M. E. Şahin , “Yapay sinir ağları ve Yapay Zekâ’ya genel bir bakış,” Takvim-i Vekayi, c. 6, s. 2, ss. 25-36, 2018.
10. [10] M. A. Kutlugün, “Gözetimli makine öğrenmesi yoluyla türe göre metinden ses sentezleme,” Yüksek Lisans tezi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, İstanbul Sabahattin Zaim Üniversitesi, İstanbul, Türkiye, 2017.
11. [11] Y. Gültepe , "Makine öğrenmesi algoritmaları ile hava kirliliği tahmini üzerine karşılaştırmalı bir değerlendirme," Avrupa Bilim ve Teknoloji Dergisi, s. 16, ss. 8-15, 2019.
12. [12] A. Arı and H. Onder , "farklı veri yapılarında kullanılabilecek regresyon yöntemleri," Anadolu Tarım Bilimleri Dergisi, c. 28, s. 3, ss. 168-174, 2013.
13. [13] S. Kılıç , "Doğrusal regresyon analizi," Journal of Mood Disorders, c. 3, s. 2, ss. 90-92, 2013.
14. [14] G. T. Kayaalp, M. Çelik Güney ve Z. Cebeci , "Çoklu doğrusal regresyon modelinde değişken seçiminin zootekniye uygulanışı", Çukurova Üniversitesi Ziraat Fakültesi Dergisi, c. 30, s. 1, ss. 1-8, 2015.
15. [15] M. R. Özkale, “Çoklu iç ilişki ile ilgili problemler,” Doktora tezi, İstatistik Bölümü, Fen Bilimleri Enstitüsü, Çukurova Üniversitesi, Adana, Türkiye, 2007.
16. [16] F. Üçkardeş, E. Efe, D. Narinç ve T. Aksoy “Japon bıldırcınlarında yumurta ak indeksinin ridge regresyon yöntemiyle tahmin edilmesi”, Akademik Ziraat Dergisi, c. 1, s. 1, ss. 11-20, 2012.
17. [17] H. K. Topal ve E. Ç. Akay, “Hanehalkı tüketim harcamalarının mikroekonometrik analizi LAD-LASSO yöntemi,” Journal of Econometrics and Statistics , s. 33 , ss. 13-31, 2021.
18. [18] D. Derici Yıldırım ve A. T. Çiftçi , "Etkili değişkenlerin cezalı regresyon yöntemleri ile belirlenmesi: Diyabet veri kümesi üzerine bir uygulama," Mersin Üniversitesi Sağlık Bilimleri Dergisi, c. 14, s. 1, ss. 105-112, 2021.
19. [19] M. B. Keleş, A. Keleş ve A. Keleş, "Yapay zekâ teknolojisi ile uçuş fiyatı tahmin modeli geliştirme," Turkish Studies, c. 15, s. 4, ss. 511-520.
20. [20] F. V. Şahinarslan, “Makine öğrenmesi algoritmaları ile nüfus tahmini: Türkiye örneği,” Yüksek Lisans tezi, İşletme Lisansüstü Programı, Sosyal Bilimler Enstitüsü, İstanbul Teknik Üniversitesi, İstanbul, Türkiye, 2019.
21. [21] A. Kurt, B. Buldu ve İ. H. Cedimoğlu, “Xgboost ve rastgele orman algorıtmalarının ağ tabanlı saldırı tespitine yönelik performanslarının karşılaştırılması”, International Marmara Sciences Congress Proceedings Book, c. 3, ss. 730-736, Kocaeli, Türkiye, 2020.
22. [22] T. Chen, and C. Guestrin, “Xgboost: A scalable tree boosting system”, Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, Seattle, USA, 2016, pp. 785-794.
23. [23] S. S. Dhaliwal, A. A. Nahid and R. Abbas, “Effective intrusion detection system using XGBoost” , İnformation, vol. 9, no. 7, pp. 149, 2018.
24. [24] H. Abar, “Xgboost ve Mars yöntemleriyle altın fiyatlarının kestirimi”, Ekev Akademi Dergisi, c. 24, s. 83, ss. 427-446, 2020.
25. [25] M. Saraswat, (2016, December 20). Beginners Tutorial on XGBoost and Parameter Tuning in R [Online]. Available: https://www.hackerearth.com/blog/developers/beginners-tutorial-on-xgboost-parameter-tuning-r/
26. [26] E. K. Çakmak, “Arayüz tasarımında yeni bir yaklaşım: Paralel öğretim tasarımı”, Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, c. 27, s. 1, ss. 1-22, 2007.