YAPAY SİNİR AĞLARI NARX İLE TÜRKİYE FINDIK ÜRETİM MİKTARI TAHMİNİ

Öz

Fındık, dünyada üretimi yaygın olan sert kabuklu meyvelerin başında gelmektedir. Türkiye, sahip olduğu toprak ve iklim koşulları açısından oldukça yüksek tarımsal potansiyele sahiptir. Ülkemiz, fındık üretiminde dünyada önemli bir paya sahiptir ve bu sayede lider konumdadır. Bu liderlik sayesinde ülkemiz dünya fındık piyasasında oldukça önemli bir konumda yer almakta ve pazarı etkileyebilecek kadar büyük bir gücü elinde tutmaktadır. Özellikle ülkemiz için önemi büyük olan ve dünya piyasasında söz sahibi olduğumuz fındık ürününün üretim tahmini birçok açıdan önem arz etmektedir. Çalışmada zaman serisi modellemede yaygın olarak kullanılan NARX (Doğrusal Olmayan Otoregresif Dışsal Girdili Model) modeli kullanılarak fındık üretim miktarı tahmini yapılmıştır. Bu amaçla, Türkiye fındık üretim miktarı bağımlı değişken olarak alınmıştır. Fındıktan sonra üretimi ülkemizde en çok yapılan sert kabuklu meyve olduğu için, ceviz ikame ürün olarak seçilmiştir. Bağımsız değişken olarak ise ceviz basit fiyat endeksi, fındık basit fiyat endeksi, meyve veren yaşta ağaç sayısı, sıcaklık ve yağış alınmıştır. Analiz 1991-2021 yıllarını kapsamaktadır. Çalışmada kullanılan veriler, TÜİK (Türkiye İstatistik Kurumu), FAO (Birleşmiş Milletler Gıda ve Tarım Örgütü) ve Meteoroloji Genel Müdürlüğünden temin edilmiştir. Çalışmada MATLAB programı kullanılmıştır. Birçok deneme sonucunda optimal NARX Modeli, gizli katmanda 10 adet nörona ve 4 gecikme uzunluğuna sahip model olarak belirlenmiştir. Sonuçlar YSA NARX modelinin fındık üretimi tahmininde başarılı sonuçlar ürettiğini göstermiştir.

Anahtar Kelimeler

• Fındık Üretimi
• Yapay Sinir Ağları
• NARX
• Tahminleme

Estimation of Turkey Hazelnut Production Quantity with Artificial Neural Networks NARX

Öz

Hazelnut is one of the most common hard-shelled fruits, which are produced in the world. Turkey has a very high agricultural potential in terms of its soil and climatic conditions. Our country has an important share in hazelnut production in the world and is thus in a leading position. Thanks to this leadership, our country occupies a very important position in the world hazelnut market and holds such a great power that it can affect the market. The production estimation of the hazelnut product, which is especially important for our country and we have a say in the world market, is important in many respects. In the study, hazelnut production was estimated by using the NARX (Non-linearAutoregressive with Exogenous Input) model, which is widely used in time series modeling. For this purpose, the amount of hazelnut production in Turkey was taken as the dependent variable. Since it is the most produced hard-shelled fruit in our country after hazelnut, walnut was chosen as a substitute product. Walnut simple priceindex, hazelnut simple priceindex, number of trees at fruiting age, temperature and precipitation were taken as independent variables. The analysis covers the years 1991-2021. The dataused in the study were obtained from TUİK (Turkish Statistical Institute), FAO (The Food and Agriculture Organization) and Turkish State Meteorological Service. In the study, MATLAB program was used. As a result of many trials, the optimal NARX Model has been determined as the model with 10 neurons in the hidden layer and 4 lag lengths. The results showed that the ANN NARX model produced successful results in estimation of hazelnut production.

Anahtar Kelimeler

• Hazelnut Production
• Artificial Neural Networks
• NARX
• Prediction

Kaynakça

1. Abraham, E. R., Mendes dos Reis, J. G., Vendrametto, O., Oliveira Costa Neto, P. L. D., Carlo Toloi, R., Souza, A. E. D., ve Oliveira Morais, M. D. (2020). Time series prediction with Artificial Neural Networks: an analysis using Brazilian soybean production. Agriculture, 10(10), 475.
2. Aliev, K., Jawaid, M. M., Narejo, S., Pasero, E., &Pulatov, A. (2018). Internet of plants application for smart agriculture. International Journal of Advanced Computer Science and Applications, 9(4).
3. Bars, T. (2021). Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü TEPGE. Ürün Raporu Fındık 2021. Erişim Adresi: https://tinyurl.com/mrx4rwxf
4. Boussaada, Z., Curea, O., Remaci, A., Camblong, H., ve Mrabet Bellaaj, N. (2018). A nonlinear autoregressive exogenous (NARX) neural network model forth eprediction of the daily direct solar radiation. Energies, 11(3), 620.
5. Byakatonda, J., Parida, B. P., Kenabatho, P. K., & Moalafhi, D. B. (2018). Influence of climate variability and length of rainy season on crop yields in semiarid Botswana. Agricultural and Forest Meteorology, 248, 130-144.
6. Da Silva, I. N., Spatti, D. H., Flauzino, R. A., Liboni, L. H. B., ve dos Reis Alves, S. F. (2017). Artificial neuralnet works. Cham: Springer International Publishing, 39.
7. Demuth, H., Beale, M., ve Hagan, M. (1992). Neural network toolbox. For Use with MATLAB. The Math WorksInc, 2000. Devyatkin, D., ve Otmakhova, Y. (2021). Methods for Mid-Term Forecasting of Crop Export and Production. Applied Sciences, 11(22), 10973.
8. Doğan, E., Işık, S., ve Sandalcı, M. (2007). Günlük buharlaşmanın yapay sinir ağları kullanarak tahmin edilmesi. Teknik Dergi, 18(87), 4119-4131.

9. Elmas, Ç. (2016). Yapay Zeka Uygulamaları:(Yapay Sinir Ağı, Bulanık Mantık, Sinirsel Bulanık Mantık, Genetik Algoritma). Seçkin Yayıncılık.
10. Fayaz, S. A., Zaman, M., &Butt, M. A. (2022). A hybrid adaptive grey wolf Levenberg-Marquardt (GWLM) and nonlinear autoregressive with exogenous input(NARX) neural network model forth eprediction of rain fall.
11. International Journal of Advanced Technology and Engineering Exploration, 9(89), 509.
12. Haykin, S.(1999). A comprehensive foundation. Neuralnet works. Pearson Education.
13. Karaatlı, M., Demirci, E., & Baykaldı, A. (2020). Ticari Kredi Faiz Oranlarının YSA NARX ve VAR Modelleri ile Öngörülmesi. İşletme Araştırmaları Dergisi, 12(3), 2327-2343.
14. Khaled, S., Fakhry, M., Esmail, H., Ezzat, A., & Hamad, E. (2022). Analysis of training optimization algorithms in the NARX neural network for classification of heart sound signals. International Journal of Scientific and Engineering Research, 13(2), 382-390.
15. Khamis, A., ve Abdullah, S. N. S. B. (2014). Forecasting wheat price using back propagation and NARX neural network. The International Journal of Engineering and Science, 3(11), 19-26.
16. Kılınç, G., Karaatlı, M., ve Ömürbek, N. (2022). Türkiye Limanlarındaki Konteyner ve Yük Elleçleme Hacimlerinin YSA NARX Modeli ile Öngörülmesi. Verimlilik Dergisi, (2), 248-263.
17. Menezes Jr, J. M. P., ve Barreto, G. A. (2008). Long-term time series prediction with the NARX network: An empirical evaluation. Neurocomputing, 71(16-18), 3335-3343.
18. Mitrea, C. A., Lee, C. K. M., ve Wu, Z. (2009). A comparison between neural Networks and traditional forecasting methods: A case study. International journal of engineering business management, 1, 11.
19. Phil, K. (2017). Matlab deep learning with machine learning, neural Networks and artificial intelligence. Apress, New York.
20. Potdar, K., &Kinnerkar, R. (2017, July). A non-linear autoregressive neural network model for forecasting Indian index of industrial production. In 2017 IEEE region 10 symposium (TENSYMP) (pp. 1-5). IEEE.
21. Sarı, A., Aktaş, M., Yönetken, A., ve Doğan, R. (2021). Güneş Işınım Tahmininde NARX Modelinin Uygulanması. Afyon Kocatepe Üniversitesi Uluslararası Mühendislik Teknolojileri ve Uygulamalı Bilimler Dergisi, 4(1), 1-6.
22. Sönmez Çakir, F. (2019). Yapay Sinir Ağları Matlab Kodları ve Matlab Toolbox Çözümleri.Nobel Akademik Yayıncılık.
23. T.C. Tarım ve Orman Bakanlığı Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü Müdürlüğü, 2022- Temmuz Tarım Ürünleri Piyasa Raporu (https://tinyurl.com/3btbfmwx)
24. Yıldırım, H., ve Karaatlı, M. (2022). Yapay Sinir Ağları NARX Modeli ile Elma Üretim Miktarının Öngörülmesi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (42), 1-29.