Prediction of Sunflower Production Amount by ANFIS Method

Öz

Sunflower, the most important oil crop plant in Turkey, In recent years, has decreased in production, and as a result of the increase in consumption, it has come to be imported in recent years. Especially in terms of satisfying the need for oils, it is essential to calculate the need so that it can be imported accordingly. In this study, ANFIS, a machine learning method, has been employed to estimate the quantity of production of sunflower. To increase the learning capacity of ANFIS, the input variables' membership functions have been specified via K-means clustering. The estimated production has been calculated in accord with the cultivated area, humidity, temperature and the duration of insolation and the amount of rainfall. This model has been applied to Edirne and the estimation has been reached with a mean squared error of 0,003243778. Thus, it is to be possible to estimate the amount of production in following years depending on the changing amounts of inputs.

Anahtar Kelimeler

• Sunflower Production Forecasting
• Machine Learning
• K-means
• ANFIS Method.

Ayçiçeği Üretim Miktarının ANFIS Metodu ile Tahmini

Öz

Son yıllarda Türkiye’de en önemli yağ bitkisi olan ayçiçeği üretiminin az, tüketimin çok olması nedeniyle ihtiyacı karşılamak için yurt dışından temin edilmektedir. Ancak ayçiçeği ithalatında dünyada baş gösteren salgın hastalıklar, doğal afetler ve savaşlardan dolayı zorluklar yaşanmaktadır. Özellikle yağ ihtiyacının karşılanması noktasında ayçiçeğine olan ihtiyacın sürekli karşılanabilmesi için ayçiçeği üretim miktarının doğru olarak tahmin edilmesi gerekiyor ki uygun miktarlarda ithal edilebilsin. Çalışmada ayçiçeği üretim miktarını tahmin etmek için makine öğrenme yöntemlerinden ANFIS yöntemi kullanılmıştır. ANFIS modelinin öğrenme kabiliyetini arttırmak amacıyla K-ortalamalar algoritması ile girdi değişkenlerinin üyelik fonksiyon sayıları belirlenmiştir. ANFIS modelinde ekilen alan, nem, sıcaklık, güneşlenme süresi ve yağış miktarı gibi kriterlere göre ayçiçeği üretim miktarı tahmin edilmesi sağlanmıştır. Bu model Edirne bölgesinde uygulanmış ve 0,003243778 hata (MSE) ile tahmin sağlanmıştır. Böylece ANFIS modeliyle girdilerin değişen miktarına göre gelecek yıllar için üretim miktarı tahmin edilebilecektir.

Anahtar Kelimeler

• Ayçiçeği Üretim Tahmini
• Makine Öğrenmesi
• K-ortalamalar
• ANFIS Metot

Kaynakça

1. Aboukarima, A. and Minyawi, M. (2013). Prediction of sunflower crop yield using computer software application. Journal of Soil Sciences and Agricultural Engineering, 4(11): 1257-1272.
2. Can, Ş. ve Gerşil, M. (2018). Manisa pamuk fiyatlarının zaman serisi analizi ve yapay sinir ağı teknikleri ile tahminlenmesi ve tahmin performanslarının karşılaştırılması. Yönetim ve Ekonomi, 25(3): 1017-1031.
3. Dalton, L., Balalrin, V. and Brun, M. (2009). Clustering algorithms: On learning, validation, performance, and applications to genomics. Current Genomics, 10(1): 430-445.
4. Geçit, H.H., Çiftçi, C. Y., Emeklier, H.Y., İkincikarakaya, S., Adak, S., Kolsarıcı, Ö., Ekiz, H., Altunok, S., Sancak, C., Sevimay, C.S. ve Kendir, H. (2009). Tarla Bitkiler. Ankara: Ankara Üniversitesi Ziraat Fakültesi Yayınları.
5. Goyal, M. and Gupta, V. (2015). Identification of homogenous rainfall regimes in northeast region on India using fuzzy cluster anlysis. Water Resources Management, 28(1): 4491-4511.
6. Gül, A., Öztürk, E. ve Polat, T. (2016). Günümüz Türkiye’sinde bitkisel yağ açığını kapatmada ayçiçeğinin önemi. Alınteri Zirai Bilimler Dergisi, 30(1): 70-76. Hmouz, A., Shen, J., Al-Hmouz, R. and Yan, J. (2012). Modeling and simulation of an adaptive neuro-fuzzy inference system (ANFIS) for mobile learning. IEEE Transactions on Learning Technologies, 5(3): 226-237.
7. İncekara, F. (197). Endüstri bitkileri ve ıslahı (2. Cilt). İzmir: Ege Üniversitesi Ziraat Fakültesi Yayınları.
8. Jain, N., Kumar, A., Garud, S., Pradhan, V. and Kulkarni, P. (2017). Crop selection method based on various environmental factors using machine learning. International Research Journal of Engineering and Technology, 4(2): 1530-1533.

9. Jang, J. (1993). ANFIS: Adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man and, Cybernetics, 23(3): 665-685.
10. Kakilli, S. ve Ergüven, O.C. (2015). Yağlı tohumlar ve bitkisel yağ Sektörünün finansal analizi: Hatay ilinde bir uygulama. Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 12(29): 258-282.
11. Kouchakzadeh, M., Khashei-Siuki, A. and Ghahraman, B. (2011). Predicting dryland wheat yield from meteorological data using expert system, Khorasan Province, Iran. Journal of Agricultural Science and Technology, 13(4): 627-640.
12. Mishra, S., Mishra, D. and Santra, G. (2016). Applications of machine learning techniques in agricultural crop production: A Review Paper. Indian Journal of Science an Technology, 9(38): 1-14.
13. Paudel, D., Boogaard, H., de Wit, A., Janssen, S., Osinga, S., Pylianidis, C. and Athanasiadis, I. (2021). Machine learning for large-scale crop yield forecasting. Agricultural Systems, 187(1): 103016.
14. Saplıoğlu, K., Senel, F. ve Küçükerdem, T. (2019). ANFIS ile yapılan modellemelerin alt modellere bölünmesi ve bu modellerin alt küme sayılarının belirlenmesinde K-means algoritmasının kullanılması: Eksik akış verisi tamamlama örneği. International Symposium on Innovations in Civil Engineering and Technology, 2(1): 624-632.
15. Saplıoğlu, K. ve Acar, R. (2020). K-means kümeleme algoritması kullanılarak oluşturulan yapay zeka modelleri ile sediment taşınımının tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1): 306-322.
16. Semerci, A. ve Özer, S. (2011). Türkiye’de ayçiçeği ekim alanı, üretim miktarı ve verim değerinde olası değişimler. Tekirdağ Ziraat Fakültesi Dergisi. 8(3): 46-52
17. Trépos, R., Champolivier, L., Dejoux J.-F., Al Bitar, A., Casadebaig, P. and Debaeke, P. (2020). Forecasting sunflower grain yield by assimilating leaf area index into a crop model. Remote Sensing, 12(22): 3816.
18. Xu, R. And Wunsch, D. (2005). Survey of clustering algorithms. IEEE Transactions on Neural Networks, 16(3): 645-678.
19. Yerdelen, A., Mermer, A., Dedeoğlı, F., Yıldız, H., Kaya, Y., Süzer, S. ve Öcal, M.B. (2008). Edirne ilinde ürün deseninin coğrafi bilgi sistemleri ve uzaktan algılama yöntemleri kullanılarak belirlenmesi ve ayçiçeği verim tahmini. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 17(1-2): 1-7.