Artificial Intelligence-Based Fertilizer and Crop Forecasting in Smart Agriculture with the Help of the Internet of Things

Yıl 2024, , 958 - 973, 01.09.2024

Zülküf Güman , Faruk Baturalp Gunay

https://doi.org/10.21597/jist.1445970

Öz

In agricultural activities, it is very important to get high-yield harvests at low costs. To get a high yield from the harvest, it is necessary to choose products and fertilizers suitable for the agricultural land. Getting high yields with low costs in agriculture is also possible with smart agriculture. With smart agriculture, agricultural activity stages can be controlled; Precautions can also be taken against negativities that may arise from external factors. To control agricultural lands remotely; Internet of Things (IoT) based sensors require hardware systems to receive data from these sensors and send them to the server. The data sent to the server is evaluated with artificial intelligence algorithms and the need for the land is determined according to the result and the need for fertilizer, irrigation need, etc. suitable for the agricultural stage is determined. Processing is carried out according to needs. For this purpose, in this study, hardware products, including field and server modules, were developed to capture sensor data from agricultural land with IoT and send it to the server. Data sets taken from open-access websites were used to train models with machine learning methods, one of the fields of artificial intelligence. The data taken from the field is evaluated with the created machine learning models, allowing the selection of products and fertilizers suitable for the land.

Anahtar Kelimeler

Smart farming, Artificial intelligence, Machine learning, İnternet of things, Crop Selection, Fertilizer Selection

Nesnelerin İnterneti Yardımıyla Akıllı Tarımda Yapay Zekâ Tabanlı Gübre ve Mahsul Tahmini

Öz

Tarımsal faaliyetlerde düşük maliyetler yüksek verimli hasat almak oldukça önemlidir. Hasattan yüksek verim almak için de tarım arazisine uygun ürün ve gübre seçimi yapmak gerekmektedir. Tarımda düşük maliyetler ile yüksek verim alma da akıllı tarım ile mümkün olabilmektedir. Akıllı tarım ile tarımsal faaliyet aşamaları kontrol edilebildiği gibi; dış etkenlerden gelebilecek olumsuzluklara karşı da önlem alınabilmektedir. Tarım arazilerini uzaktan kontrol edebilmek için; nesnelerin interneti (IoT) tabanlı sensörler, bu sensörlerden veri alıp sunucuya göndermek için donanımsal sistemlere ihtiyaç vardır. Sunucuya gönderilen verilerde yapay zekâ algoritmaları ile değerlendirilip sonuca göre arazinin ihtiyacı belirlenir ve tarım aşamasına uygun gübre ihtiyacı, sulama ihtiyacı vb. ihtiyaçlara göre işlem yapılır. Bu amaçla bu çalışmada tarım arazisinden IoT ile sensör verilerinin alınıp sunucuya göndermek amaçlı arazi ve sunucu modülü olmak üzere donanımsal ürünler yapılmıştır. Yapay zekâ alanlarından biri olan makine öğrenmesi yöntemleri ile modelleri eğitmek için açık erişimli internet sitelerinden alınan veri setleri kullanılmıştır. Araziden alınan veriler oluşturulan makine öğrenmesi modelleri ile değerlendirilip araziye uygun ürün ve gübre seçimi yapılmasına olanak sağlanmaktadır.

Anahtar Kelimeler

Akıllı tarım, Yapay Zekâ, Makine öğrenmesi, Nesnelerin interneti, Mahsül seçimi, Gübre Seçimi

Kaynakça

• Abdullah, A. L. A. N., & KARABATAK, M. (2020). Veri seti-sınıflandırma ilişkisinde performansa etki eden faktörlerin değerlendirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 531-540.
• Ağızan, K., Bayramoğlu, Z., & Ağızan, S. (2022). Akıllı Tarım Teknolojilerinin Tarımsal İşletme Yöneticiliğine Sunduğu Avantajlar. Turkish Journal of Agriculture-Food Science and Technology, 10(9), 1697-1706.
• Arabameri, A., Pradhan, B., & Rezaei, K. (2019). CBS'de kesinlik faktörü ve rastgele orman modelleri ile entegre coğrafi ağırlıklı regresyon kullanarak oyuntu erozyonu bölgelendirme haritalaması. Çevre yönetimi dergisi, 232, 928-942.
• Atalay, M., & Çelik, E. (2017). Büyük veri analizinde yapay zekâ ve makine öğrenmesi uygulamalari artificial intelligence and machine learning applications in big data analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
• Aydın, A., Usanmaz, B., & Göktaş, Y. (2021). Nesnelerin interneti’nin eğitimde kullanıldığı alanlar ve bu alanlara etkileri. Yükseköğretim ve Bilim Dergisi, 11(2), 425-436.
• Ayhan, S., & Erdoğmuş, Ş. (2014). Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.
• Basu, T., & Pal, S. (2018). Identification of landslide susceptibility zones in Gish River basin, West Bengal, India. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards, 12(1), 14-28.
• Bayrakçi, H. C., Çiçekdemir, R. S., & Özkahraman, M. (2021). Tarım Arazilerinde Harcanan Su Miktarını Yapay Zekâ Teknikleri Kullanarak Belirlenmesi1. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(6), 237-250.
• Baz, F. Ç. (2022). Cloud Systems Used in Smart Agriculture, the Internet of Things and Uses of Other Technologies and a Smart Agriculture Architectural Proposal. Turkish Journal of Agriculture-Food Science and Technology, 10(6), 1066-1071.
• Biçakçi, S. N. (2019). Nesnelerin interneti. Takvim-i vekayi, 7(1), 24-36.
• Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992, July). A training algorithm for optimal margin classifiers. In Proceedings of the fifth annual workshop on Computational learning theory (pp. 144-152).
• Brownlee, J. (2016). K Nearest Neighbors for Machine Learning. Retrieved March 23, 2020,
• Çakmakçı, M. F., & Cakmakcı, R. (2023). Uzaktan Algılama, Yapay Zekâ ve Geleceğin Akıllı Tarım Teknolojisi Trendleri. Avrupa Bilim ve Teknoloji Dergisi, (52), 234-246.
• Çetinkaya, Z., & Horasan, F. (2021). Decision trees in large data sets. International Journal of Engineering Research and Development, 13(1), 140-151.
• Duman, E. (2022). Akıllı Tarımda LoRa Haberleşmesinin Rolü, Uygulama Alanları, Bir Mimari Önerisi ve Performans Analizi. Artificial Intelligence Studies, 5(2), 56-70.
• Erdal, E., & Ergüzen, A. (2020). Nesnelerin İnterneti (IoT). International Journal of Engineering Research and Development, 12(3), 24-34
• Foody, G. M., Boyd, D. S., & Sanchez‐Hernandez, C. (2007). Mapping a specific class with an ensemble of classifiers. International Journal of Remote Sensing, 28(8), 1733-1746.
• Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
• Github, 2023 Mahsul Gübre Tahmini ML, Erişim adresi: https://github.com/vinubhat092/crop_fertilizer_prediction_ML (Erişim Tarihi: 08.02.2024).
• Gültepe, Y. (2021). Performance of lung cancer prediction methods using different classification algorithms. CMC_Computers Materials & Continua, 67(2), 2015-2028.
• Harrison, O. (2018). Machine Learning Basics with the KNearest Neighbors Algorithm. Retrieved March 23, 2020
• Japkowicz, N. (2011). Performance evaluation for learning algorithms. Cambridge University Press, Cambridge 2011.
• Kaggle, 2023 Mahsul Analizi ve Tahmini, Erişim adresi: https://www.kaggle.com/code/theeyeschico/crop-analysis-and-prediction/input (Erişim Tarihi: 08.02.2024)
• Lorena, A. C., Jacintho, L. F., Siqueira, M. F., De Giovanni, R., Lohmann, L. G., De Carvalho, A. C., & Yamamoto, M. (2011). Comparing machine learning classifiers in potential distribution modelling. Expert Systems with Applications, 38(5), 5268-5275.
• Orhan, Y., & Türker, T. (2023). Akıllı Tarım Uygulamaları için Histogram ve Makine Öğrenimi Kullanan Bitki Sınıflandırma Yöntemi. Acta Infologica, 7(1), 17-28.
• Özdemir, S. (2018). Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği. Turkish Journal of Forestry, 19(1), 51-56.
• Özer B, Kuş S & Yıldız O. (2022). Veri Madenciliği Yöntemleri İle Tarımsal Veri Analizi: Bir Akıllı Tarım Sistemi Önerisi. Mühendislik Bilimleri ve Tasarım Dergisi, 10(4), 1417-1429.
• Özlem, A. K. A. R., & Güngör, O. (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, (106), 139-146.
• Priya, R., Ramesh, D., & Khosla, E. (2018, September). Crop prediction on the region belts of India: a Naïve Bayes MapReduce precision agricultural model. In 2018 international conference on advances in computing, communications and informatics (ICACCI) (pp. 99-104). IEEE.
• Rish, I. (2001). An empirical study of the naive Bayes classifier. In IJCAI 2001 workshop on empirical methods in artificial intelligence (Vol. 3, No. 22, pp. 41-46).
• Stoltzfus, J. C. (2011). Logistic regression: a brief primer. Academic emergency medicine, 18(10), 1099-1104.
• Xie, Y., & Peng, M. (2019). Forest fire forecasting using ensemble learning approaches. Neural Computing and Applications, 31, 4541-4550. https://doi.org/10.1007/s00521-018-3515-0.
• Yakut, Y. B. E. T. Y., YAKUT, E., & Yavuz, S. (2014). Yapay Sinir Ağlari ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1), 139-157.
• Yenikaya, M. A., Güvenoğlu, E., & Kondakci, S. (2022). Nesnelerin İnterneti (IoT) Tabanlı Akıllı Sulama ve Gübreleme Sistemi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 15(1), 14-23.
• Yıldırım, O., Gunay, F. B., & Yağanoğlu, M. (2023). Makine Öğrenmesi Yöntemleriyle Orman Yangını Tahmini. Journal of the Institute of Science and Technology, 13(3), 1468-1481.
• Yoon, J. (2021). Forecasting of real GDP growth using machine learning models: Gradient boosting and random forest approach. Computational Economics, 57(1), 247-265.