Sürdürülebilir Akıllı Tarım için Muhallebi Elması Hastalıklarının ResNet Odaklı Otomatik Tanımlanması
Öz
Otomatik bir meyve hastalığı tespit sisteminin geliştirilmesi, tarımsal verimliliğin artırılması açısından kritik öneme sahiptir. Bu çalışma, özellikle derin öğrenmeye dayalı sınıflandırma yaklaşımı kullanarak ekşi elma (custard apple) bitkilerinde hastalık tespitini ele almıştır. Hindistan, Portekiz, Tayland, Küba ve Batı Hint Adaları gibi farklı bölgelerden geniş bir görüntü veri tabanı kullanılarak, sistem 8226 meyve ve yaprak hastalığı görüntüsünü altı farklı kategoriye başarıyla sınıflandırmıştır: antraknoz, kara kanser, diplodia çürüklüğü, meyvedeki yaprak lekesi, yapraktaki yaprak lekesi ve unlu bit. Transfer öğrenme kullanılarak, sistem karmaşık arka planlara sahip doğal ortamlarda çekilmiş görüntülerle bile güçlü bir sınıflandırma performansı sergilemiştir. Görüntülerin özgün özellikleri analiz edilerek, önerilen model hastalık belirtilerini doğru bir şekilde tanımlamıştır. Ayrıca, sınıflandırma doğruluğu (CA), duyarlılık, keskinlik, F1 skoru ve hata matrisi gibi değerlendirme metrikleri, modelin etkinliğini ortaya koymuş; ResNet, en verimli mimari olarak öne çıkarak etkileyici bir %99,77 CA elde etmiştir. Bu çalışma, sistemin ekşi elma ürünlerinde hastalık tespitini önemli ölçüde iyileştirme potansiyelini göstermiş ve tarımsal yönetim ile üretim verimliliğini artırmak için umut verici bir araç sunmaktadır.
Anahtar Kelimeler
Akıllı Tarım Muhallebi Elması Derin Öğrenme Hastalık Sınıflandırması Çok Sınıflı Sınıflandırma Transfer Öğrenme
Kaynakça
- Ahila Priyadharshini, R., Arivazhagan, S., Arun, M., & Mirnalini, A. (2019). Maize leaf disease classification using deep convolutional neural networks. Neural Computing and Applications, 31, 8887–8895.
- Altan, G. (2020). Performance evaluation of capsule networks for classification of plant leaf diseases. International Journal of Applied Mathematics Electronics and Computers, 8(3), 57-63.
- Azgomi, H., Haredasht, F. R., & Motlagh, M. R. S. (2023). Diagnosis of some apple fruit diseases by using image processing and artificial neural network. Food Control, 145, 109484.
- Bharathi Raja, N., & Selvi Rajendran, P. (2023). An efficient banana plant leaf disease classification using optimal ensemble deep transfer network. Journal of Experimental & Theoretical Artificial Intelligence, 1–24.
- Chaitanya, K. P., & Posonia, A. M. (2024). Tuned weighted feature fusion with hybridized DNN-RNN framework for plant disease detection and classification. International Journal of Remote Sensing, 45(5), 1608–1639.
- Chen, J., Han, J., Liu, C., Wang, Y., Shen, H., & Li, L. (2022). A deep-learning method for the classification of apple varieties via leaf images from different growth periods in natural environment. Symmetry, 14(8), 1671.
- Chen, R., Liu, W., Yang, H., Jin, X., Yang, G., Zhou, Y., & Feng, H. (2024). A novel framework to assess apple leaf nitrogen content: Fusion of hyperspectral reflectance and phenology information through deep learning. Computers and Electronics in Agriculture, 219, 108816.
- Chen, Y., Pan, J., & Wu, Q. (2023). Apple leaf disease identification via improved CycleGAN and convolutional neural network. Soft Computing, 27(14), 9773–9786.
- Cheng, P., Xu, X., Yang, X., Nie, Y., Chen, W., Qu, Z., & Zhao, J. (2024). Deep learning network with new weighting strategy for ISAR image enhancement. International Journal of Remote Sensing, 45(9), 3003–3021.
- Chuanlei, Z., Shanwen, Z., Jucheng, Y., Yancui, S., & Jia, C. (2017). Apple leaf disease identification using genetic algorithm and correlation-based feature selection method. International Journal of Agricultural and Biological Engineering, 10(2), 74–83.
- Dubey, S. R., & Jalal, A. S. (2016). Apple disease classification using color, texture, and shape features from images. Signal, Image and Video Processing, 10, 819–826.
- Ergün, E. (2025). Attention-enhanced hybrid deep learning model for robust mango leaf disease classification via ConvNeXt and vision transformer fusion. Frontiers in Plant Science, 16, 1638520.
- Ergün, E. (2024a). Deep learning based multiclass classification for citrus anomaly detection in agriculture. Signal, Image and Video Processing, 1–12.
- Ergün, E. (2024b). Artificial intelligence approaches for accurate assessment of insulator cleanliness in high-voltage electrical systems. Electrical Engineering, 1–16.
- Ergün, E., Aydemir, Ö., & Korkmaz, O. E. (2024). Investigating the informative brain region in multiclass electroencephalography and near-infrared spectroscopy based BCI system using band power-based features. Computer Methods in Biomechanics and Biomedical Engineering, 1–16.
- Gaikwad, S. S., Rumma, S. S., & Hangarge, M. (2022). Fungi affected fruit leaf disease classification using deep CNN architecture. International Journal of Information Technology, 14(7), 3815–3824.
- Gürsoy, M. İ., & Alkan, A. (2022). Investigation of diabetes data with permutation feature importance based deep learning methods. Karadeniz Fen Bilimleri Dergisi, 12(2), 916-930.
- Hasan, S., Jahan, S., & Islam, M. I. (2022). Disease detection of apple leaf with combination of color segmentation and modified DWT. Journal of King Saud University-Computer and Information Sciences, 34(9), 7212–7224.
- Hossen, M. I., Awrangjeb, M., Pan, S., & Mamun, A. A. (2025). Transfer learning in agriculture: a review. Artificial Intelligence Review, 58(4), 97.
- Korkut, Ş. G., Kocabaş, H., & Kurban, R. (2024). A comparative analysis of convolutional neural network architectures for binary image classification: A case study in skin cancer detection. Karadeniz Fen Bilimleri Dergisi, 14(4), 2008-2022.
- Liu, Z., Abeyrathna, R. R. D., Sampurno, R. M., Nakaguchi, V. M., & Ahamed, T. (2024). Faster-YOLO-AP: A lightweight apple detection algorithm based on improved YOLOv8 with a new efficient PDWConv in orchard. Computers and Electronics in Agriculture, 223, 109118.
- Luque, A., Carrasco, A., Martín, A., & de Las Heras, A. (2019). The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition, 91, 216–231.
- Ma, L., Shuai, R., Ran, X., Liu, W., & Ye, C. (2020). Combining DC-GAN with ResNet for blood cell image classification. Medical & Biological Engineering & Computing, 58, 1251–1264.
- Renugadevi, A. S. (2021). Classification of custard apple leaves using deep convolutional networks. Turkish Journal of Computer and Mathematics Education, 12(6), 3288–3292.
- Shilaskar, S., Bannore, P., Badhe, T., Bari, N., & Bhatlawande, S. (2023). Vision-based detection of mealybug infection in custard apple using machine learning. In 2023 International Conference in Advances in Power, Signal, and Information Technology (APSIT). IEEE, June, 162–166.
- Singh, S., Gupta, I., Gupta, S., Koundal, D., Aljahdali, S., Mahajan, S., & Pandit, A. K. (2022). Deep learning-based automated detection of diseases from apple leaf images. Computers, Materials & Continua, 71(1).
- Sulistyowati, T., Purwanto, P., Alzami, F., & Pramunendar, R. A. (2023). Vgg16 deep learning architecture using imbalance data methods for the detection of apple leaf diseases. Moneter: Jurnal Keuangan dan Perbankan, 11(1), 41–53.
- Sun, Y., Zheng, K., Yin, J., Wu, C., & Niu, X. (2023). Explicit matrix gradient expression for residual network. Journal of Experimental & Theoretical Artificial Intelligence, 1–20.
- Tanwar, S., & Singh, J. (2023). ResNext50 based convolution neural network-long short term memory model for plant disease classification. Multimedia Tools and Applications, 82(19), 29527–29545.
- Thangaraj, R., Anandamurugan, S., & Kaliappan, V. K. K. (2021). Automated tomato leaf disease classification using transfer learning-based deep convolution neural network. Journal of Plant Diseases and Protection, 128(1), 73–86.
- Thite, S., Patil, K., Jadhav, R., Suryawanshi, Y., & Chumchu, P. (2024). Empowering agricultural research: A comprehensive custard apple (Annona squamosa) disease dataset for precise detection. Data in Brief, 53, 110078.
- Tianjing, Y., & Mhamed, M. (2024). Developments in automated harvesting equipment for the apple in the orchard. Smart Agricultural Technology, 100491.
- Upadhyay, N., & Gupta, N. (2024). Diagnosis of fungi affected apple crop disease using improved ResNeXt deep learning model. Multimedia Tools and Applications, 1–20.
- Vallabhajosyula, S., Sistla, V., & Kolli, V. K. K. (2022). Transfer learning-based deep ensemble neural network for plant leaf disease detection. Journal of Plant Diseases and Protection, 129(3), 545–558.
- Varma, T., Mate, P., Azeem, N. A., Sharma, S., & Singh, B. (2025). Automatic mango leaf disease detection using different transfer learning models. Multimedia Tools and Applications, 84(11), 9185-9218.
- Vijayaganth, V., & Krishnamoorthi, M. (2024). A novel plant leaf disease detection by adaptive fuzzy C-means clustering with deep neural network. Journal Of Experimental & Theoretical Artificial Intelligence, 36(5), 785–813.
- Wakchaure, G. C., Nikam, S. B., Barge, K. R., Kumar, S., Meena, K. K., Nagalkar, V. J., & Reddy, K. S. (2024). Maturity stages detection prototype device for classifying custard apple (Annona squamosa L.) fruit using image processing approach. Smart Agricultural Technology, 7, 100394.
- Yu, H., Cheng, X., Chen, C., Heidari, A. A., Liu, J., Cai, Z., & Chen, H. (2022). Apple leaf disease recognition method with improved residual network. Multimedia Tools and Applications, 81(6), 7759–7781.
- Zhang, W., Zhou, G., Chen, A., & Hu, Y. (2022). Deep multi-scale dual-channel convolutional neural network for internet of things apple disease detection. Computers and Electronics in Agriculture, 194, 106749.
- Zhou, G., Zhang, L., & Chen, J. (2023). Multi-class classification of fruits based on capsule networks. Computers and Electronics in Agriculture, 204, 107503.
- Zhu, R., Zou, H., Li, Z., & Ni, R. (2022). Apple-Net: A model based on improved YOLOv5 to detect apple fruits. Symmetry, 14(9), 1944.
- Zhong, Y., & Zhao, M. (2020). Research on deep learning in apple leaf disease recognition. Computers and Electronics in Agriculture, 168, 105146.
Öz
The development of an automated fruit disease detection system is critical to improve agricultural productivity. This study specifically addressed disease detection in custard apple plants by using a deep learning-based classification approach. Using an extensive image database from different regions, including India, Portugal, Thailand, Cuba and the West Indies, the system successfully classified 8226 images of fruit and leaf diseases of custard apple into six different categories: anthracnose, black canker, diplodia rot, leaf spot on fruit, leaf spot on leaf, and mealy bug. Using transfer learning, the system demonstrated strong classification performance, even with images taken in natural environments with complex backgrounds. By analyzing the unique features of the images, the proposed model accurately identified disease symptoms. In addition, evaluation metrics such as classification accuracy (CA), recall, precision, F1 score and confusion matrix underscored the model’s effectiveness, with ResNet standing out as the most efficient architecture, achieving an impressive 99.77% CA. This study demonstrated the potential of the system to significantly improve disease detection in custard apple crops, and offers a promising tool for improving agricultural management.
Anahtar Kelimeler
Smart Agriculture Custard Apple Deep Learning Disease Classification Multi-class Classification Transfer Learning
Kaynakça
- Ahila Priyadharshini, R., Arivazhagan, S., Arun, M., & Mirnalini, A. (2019). Maize leaf disease classification using deep convolutional neural networks. Neural Computing and Applications, 31, 8887–8895.
- Altan, G. (2020). Performance evaluation of capsule networks for classification of plant leaf diseases. International Journal of Applied Mathematics Electronics and Computers, 8(3), 57-63.
- Azgomi, H., Haredasht, F. R., & Motlagh, M. R. S. (2023). Diagnosis of some apple fruit diseases by using image processing and artificial neural network. Food Control, 145, 109484.
- Bharathi Raja, N., & Selvi Rajendran, P. (2023). An efficient banana plant leaf disease classification using optimal ensemble deep transfer network. Journal of Experimental & Theoretical Artificial Intelligence, 1–24.
- Chaitanya, K. P., & Posonia, A. M. (2024). Tuned weighted feature fusion with hybridized DNN-RNN framework for plant disease detection and classification. International Journal of Remote Sensing, 45(5), 1608–1639.
- Chen, J., Han, J., Liu, C., Wang, Y., Shen, H., & Li, L. (2022). A deep-learning method for the classification of apple varieties via leaf images from different growth periods in natural environment. Symmetry, 14(8), 1671.
- Chen, R., Liu, W., Yang, H., Jin, X., Yang, G., Zhou, Y., & Feng, H. (2024). A novel framework to assess apple leaf nitrogen content: Fusion of hyperspectral reflectance and phenology information through deep learning. Computers and Electronics in Agriculture, 219, 108816.
- Chen, Y., Pan, J., & Wu, Q. (2023). Apple leaf disease identification via improved CycleGAN and convolutional neural network. Soft Computing, 27(14), 9773–9786.
- Cheng, P., Xu, X., Yang, X., Nie, Y., Chen, W., Qu, Z., & Zhao, J. (2024). Deep learning network with new weighting strategy for ISAR image enhancement. International Journal of Remote Sensing, 45(9), 3003–3021.
- Chuanlei, Z., Shanwen, Z., Jucheng, Y., Yancui, S., & Jia, C. (2017). Apple leaf disease identification using genetic algorithm and correlation-based feature selection method. International Journal of Agricultural and Biological Engineering, 10(2), 74–83.
- Dubey, S. R., & Jalal, A. S. (2016). Apple disease classification using color, texture, and shape features from images. Signal, Image and Video Processing, 10, 819–826.
- Ergün, E. (2025). Attention-enhanced hybrid deep learning model for robust mango leaf disease classification via ConvNeXt and vision transformer fusion. Frontiers in Plant Science, 16, 1638520.
- Ergün, E. (2024a). Deep learning based multiclass classification for citrus anomaly detection in agriculture. Signal, Image and Video Processing, 1–12.
- Ergün, E. (2024b). Artificial intelligence approaches for accurate assessment of insulator cleanliness in high-voltage electrical systems. Electrical Engineering, 1–16.
- Ergün, E., Aydemir, Ö., & Korkmaz, O. E. (2024). Investigating the informative brain region in multiclass electroencephalography and near-infrared spectroscopy based BCI system using band power-based features. Computer Methods in Biomechanics and Biomedical Engineering, 1–16.
- Gaikwad, S. S., Rumma, S. S., & Hangarge, M. (2022). Fungi affected fruit leaf disease classification using deep CNN architecture. International Journal of Information Technology, 14(7), 3815–3824.
- Gürsoy, M. İ., & Alkan, A. (2022). Investigation of diabetes data with permutation feature importance based deep learning methods. Karadeniz Fen Bilimleri Dergisi, 12(2), 916-930.
- Hasan, S., Jahan, S., & Islam, M. I. (2022). Disease detection of apple leaf with combination of color segmentation and modified DWT. Journal of King Saud University-Computer and Information Sciences, 34(9), 7212–7224.
- Hossen, M. I., Awrangjeb, M., Pan, S., & Mamun, A. A. (2025). Transfer learning in agriculture: a review. Artificial Intelligence Review, 58(4), 97.
- Korkut, Ş. G., Kocabaş, H., & Kurban, R. (2024). A comparative analysis of convolutional neural network architectures for binary image classification: A case study in skin cancer detection. Karadeniz Fen Bilimleri Dergisi, 14(4), 2008-2022.
- Liu, Z., Abeyrathna, R. R. D., Sampurno, R. M., Nakaguchi, V. M., & Ahamed, T. (2024). Faster-YOLO-AP: A lightweight apple detection algorithm based on improved YOLOv8 with a new efficient PDWConv in orchard. Computers and Electronics in Agriculture, 223, 109118.
- Luque, A., Carrasco, A., Martín, A., & de Las Heras, A. (2019). The impact of class imbalance in classification performance metrics based on the binary confusion matrix. Pattern Recognition, 91, 216–231.
- Ma, L., Shuai, R., Ran, X., Liu, W., & Ye, C. (2020). Combining DC-GAN with ResNet for blood cell image classification. Medical & Biological Engineering & Computing, 58, 1251–1264.
- Renugadevi, A. S. (2021). Classification of custard apple leaves using deep convolutional networks. Turkish Journal of Computer and Mathematics Education, 12(6), 3288–3292.
- Shilaskar, S., Bannore, P., Badhe, T., Bari, N., & Bhatlawande, S. (2023). Vision-based detection of mealybug infection in custard apple using machine learning. In 2023 International Conference in Advances in Power, Signal, and Information Technology (APSIT). IEEE, June, 162–166.
- Singh, S., Gupta, I., Gupta, S., Koundal, D., Aljahdali, S., Mahajan, S., & Pandit, A. K. (2022). Deep learning-based automated detection of diseases from apple leaf images. Computers, Materials & Continua, 71(1).
- Sulistyowati, T., Purwanto, P., Alzami, F., & Pramunendar, R. A. (2023). Vgg16 deep learning architecture using imbalance data methods for the detection of apple leaf diseases. Moneter: Jurnal Keuangan dan Perbankan, 11(1), 41–53.
- Sun, Y., Zheng, K., Yin, J., Wu, C., & Niu, X. (2023). Explicit matrix gradient expression for residual network. Journal of Experimental & Theoretical Artificial Intelligence, 1–20.
- Tanwar, S., & Singh, J. (2023). ResNext50 based convolution neural network-long short term memory model for plant disease classification. Multimedia Tools and Applications, 82(19), 29527–29545.
- Thangaraj, R., Anandamurugan, S., & Kaliappan, V. K. K. (2021). Automated tomato leaf disease classification using transfer learning-based deep convolution neural network. Journal of Plant Diseases and Protection, 128(1), 73–86.
- Thite, S., Patil, K., Jadhav, R., Suryawanshi, Y., & Chumchu, P. (2024). Empowering agricultural research: A comprehensive custard apple (Annona squamosa) disease dataset for precise detection. Data in Brief, 53, 110078.
- Tianjing, Y., & Mhamed, M. (2024). Developments in automated harvesting equipment for the apple in the orchard. Smart Agricultural Technology, 100491.
- Upadhyay, N., & Gupta, N. (2024). Diagnosis of fungi affected apple crop disease using improved ResNeXt deep learning model. Multimedia Tools and Applications, 1–20.
- Vallabhajosyula, S., Sistla, V., & Kolli, V. K. K. (2022). Transfer learning-based deep ensemble neural network for plant leaf disease detection. Journal of Plant Diseases and Protection, 129(3), 545–558.
- Varma, T., Mate, P., Azeem, N. A., Sharma, S., & Singh, B. (2025). Automatic mango leaf disease detection using different transfer learning models. Multimedia Tools and Applications, 84(11), 9185-9218.
- Vijayaganth, V., & Krishnamoorthi, M. (2024). A novel plant leaf disease detection by adaptive fuzzy C-means clustering with deep neural network. Journal Of Experimental & Theoretical Artificial Intelligence, 36(5), 785–813.
- Wakchaure, G. C., Nikam, S. B., Barge, K. R., Kumar, S., Meena, K. K., Nagalkar, V. J., & Reddy, K. S. (2024). Maturity stages detection prototype device for classifying custard apple (Annona squamosa L.) fruit using image processing approach. Smart Agricultural Technology, 7, 100394.
- Yu, H., Cheng, X., Chen, C., Heidari, A. A., Liu, J., Cai, Z., & Chen, H. (2022). Apple leaf disease recognition method with improved residual network. Multimedia Tools and Applications, 81(6), 7759–7781.
- Zhang, W., Zhou, G., Chen, A., & Hu, Y. (2022). Deep multi-scale dual-channel convolutional neural network for internet of things apple disease detection. Computers and Electronics in Agriculture, 194, 106749.
- Zhou, G., Zhang, L., & Chen, J. (2023). Multi-class classification of fruits based on capsule networks. Computers and Electronics in Agriculture, 204, 107503.
- Zhu, R., Zou, H., Li, Z., & Ni, R. (2022). Apple-Net: A model based on improved YOLOv5 to detect apple fruits. Symmetry, 14(9), 1944.
- Zhong, Y., & Zhao, M. (2020). Research on deep learning in apple leaf disease recognition. Computers and Electronics in Agriculture, 168, 105146.
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Sinyal İşleme |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 5 Mart 2025 |
| Kabul Tarihi | 9 Aralık 2025 |
| Yayımlanma Tarihi | 23 Şubat 2026 |
| DOI | https://doi.org/10.31466/kfbd.1652009 |
| IZ | https://izlik.org/JA76KG47EZ |
| Yayımlandığı Sayı | Yıl 2026 Cilt: 16 Sayı: 1 |
Amaç ve Kapsam
Karadeniz Fen Bilimleri Dergisi, Giresun Üniversitesi tarafından yılda dört kez (15 Mart, 15 Haziran, 15 Eylül ve 15 Aralık) yayın yapan bilimsel hakemli bir dergidir.
Yayın hayatına 2010 yılında başlamıştır. Fen, Mühendislik, ve Teknoloji alanlarından gelen eserleri kabul etmektedir.
Gönderilecek eserlerde; alanında bir boşluğu dolduracak özgün bir araştırma makalesi olması şartı aranır.
Dergimizde aşağıdaki alanlarda üretilen akademik makaleler yayınlanır.
Mühendislik
Elektrik Elektronik Mühendisliği, Makina Mühendisliği, Bilgisayar Bilimleri ve Bilişim, İnşaat Mühendisliği, Mekatronik Mühendisliği, Enerji Sistemleri Mühendisliği, Çevre Mühendisliği, Gıda Mühendisliği, Harita ve Kadastro Mühendisliği, Endüstri Mühendisliği, Jeofizik Mühendisliği, Jeoloji Mühendisliği, Genetik ve Biyomühendislik, Tekstil Mühendisliği, Fizik Mühendisliği, Kimya Mühendisliği, Malzeme Bilimleri ve diğer mühendislikler
Temel Bilimler
Fizik, Kimya, Matematik ve İstatistik
Yazım Kuralları
Makale şablonu için TIKLAYINIZ.
İngilizce makale şablonu için tıklayınız.
Teklif Hakkı Devir Formu'na erişmek için lütfen buraya tıklayınız.
Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar ile insan ve hayvanlar üzerinde yapılan klinik ve deneysel çalışmalar için etik kurul onayı alınmış olmalı ve bu onay makalede belirtilmeli ve belgelendirilmelidir.
Makale Başlığı
Türkçe makaleler için hem Türkçe hem de İngilizce olarak makale konusuna uygun, amacı ve sonucu anlatan kısa ve yalın bir başlık olmalıdır. Makale başlığı koyu, ilk harfleri büyük ve ortalanarak 14 punto Times New Roman fontu ile yazılmalıdır. Türkçe makalelerde İngilizce başlık, İngilizce özetten önce verilmelidir.
Yazar İsimleri ve Adresleri
İsimler kısaltılmadan soy isimler büyük harfle başlığın altına yan yana ortalanarak yazılır. Adreslerde kısaltma kullanılmamalıdır. Farklı adreslere sahip yazarlar için rakamlı üst indis kullanılmalıdır. İsimler Times New Roman 12 punto, düz; adresler ise Times New Roman 10 punto, düz olmalıdır. İsimlerden önce Ünvan yazılmamalıdır. Ayrıca sorumlu yazarın telefon ve e-posta adresi 10 punto Times New Roman fontunda Sorumlu Yazar kısmına yazılmalıdır.
Özet
Bu Microsoft Word belgesi Giresun Üniversitesi Fen Bilimleri Enstitüsü tarafından yönetilen Karadeniz Fen Bilimleri Dergisi’ne gönderilecek olan makaleler için örnek olması amacıyla hazırlanmıştır. Dergimize gönderilmek üzere hazırlanan makalelerin bu şablona bağlı olarak hazırlanması makalenin düzenlenme, değerlendirilme ve yayımlanma aşamalarını hızlandıracaktır. Özet kısmında çalışmanın yenilikleri ve temel bulguları vurgulanmalıdır. Türkçe ve İngilizce özet kısımları Times New Roman yazı tipi ile yazılmalıdır ve 10 punto büyüklüğü seçilmelidir. Özet kısmının yazımında tek satır aralığı seçilmelidir. Makale özetinin en fazla 200 kelime olmasına dikkat edilmelidir. Türkçe ve İngilizce özetlerin 1 (bir) sayfayı geçmemesi önerilmektedir. Anahtar kelime sayısı en az 3 en fazla 6 olmalıdır.
İngilizce Başlık
Makale başlığı koyu, ilk harfleri büyük ve ortalanarak 14 punto Times New Roman fontu ile yazılmalıdır.
Abstract
Bu Microsoft Word belgesi Giresun Üniversitesi Fen Bilimleri Enstitüsü tarafından yönetilen Karadeniz Fen Bilimleri Dergisine gönderilecek makaleler için örnek olması amacıyla hazırlanmıştır. Dergimize gönderilmek üzere hazırlanan makalelerin bu şablona bağlı olarak hazırlanması makalenin düzenlenme, değerlendirilme ve yayımlanma aşamalarını hızlandıracaktır. Özet kısmında çalışmanın yenilikleri ve temel bulguları vurgulanmalıdır. Türkçe ve İngilizce özet kısımları Times New Roman yazı tipi ile yazılmalıdır ve 10 punto büyüklüğü seçilmelidir. Özet kısmının yazımında tek satır aralığı seçilmelidir. Makale özetinin en fazla 200 kelime civarında olmasına dikkat edilmelidir. Türkçe ve İngilizce özetlerin 1 (bir) sayfayı geçmemesi önerilmektedir. Anahtar kelime sayısı en az 3 en fazla 6 olmalıdır.
1. Giriş
Karadeniz Fen Bilimleri Dergisi Giresun Üniversitesi Fen Bilimleri Enstitüsü tarafından 6 ayda bir (yılda iki kez) yayınlanan ulusal hakemli bir dergidir. Dergi, Fen Bilimleri sahasında ulusal ve uluslararası düzeyde yapılan bilimsel çalışmaları bilim adamlarına, uzmanlara ve kamuoyuna duyurmayı amaçlar.
Ana metin, A4 kağıt boyutuna 2 cm kenar boşlukları ile 12 punto yazı büyüklüğünde Times New Roman yazı tipi ile 1,5 satır aralığı ve her iki yana yaslı şekilde yazılmalıdır. Ana bölüm başlıkları numaralandırılmalı, kelimelerin ilk harfleri büyük olmalı ve koyu (bold) karakterde yazılmalıdır. Ana bölüm başlığından sonra 1,5 satır aralıklı bir satır boşluk bırakılarak metne geçilmelidir. Başlıkla üst metin arasında da bir satır boşluk bırakılmalıdır. Paragraflar 1 cm içerden başlamalıdır. Paragraflar arasında boşluk bırakılmamalıdır.
Bu bölümde çalışmayla ilgili yeterli literatür taraması verilmeli, çalışmanın amaçları ve literatürdeki yeri vurgulanmalıdır. Detaylı literatür incelemesinden ve sonuçların özetinin verilmesinden kaçınılmalıdır.
2. Materyal ve Metot
Bu bölümde çalışmada kullanılan materyal ve metotlar detaylı ve açık bir şekilde anlatılmalıdır.
2.1. Alt Başlık
Ana başlıklar alt başlıklar içerebilir.
2.2. Şekiller, Tablolar ve Denklemler
Şekiller grafik, diyagram fotoğraf, resim, harita olabilir. Şekil yazısı şeklin alt kısmına yazılmalıdır. Hem şekil hem de şekil yazısı sayfaya ortalanmalıdır. Şekil yazılar okunaklı olmalıdır. Şekil ile üst metin arasında 1 satır boşluk bırakılmalıdır. Şekil yazısı ile alt metin arasında da 1 satır boşluk bırakılmalıdır. Şekil yazısı 11 punto olarak yazılmalıdır. Şekil yazılarına atıfta bulunulmalıdır.
Tablolar açık çerçeveli tercih edilebilir. Tablo yazısı tablonun üst kısmına yazılmalıdır. Hem tablo hem de tablo yazısı sayfanın soluna hizalanmalıdır. Tablo yazısı ile üst metin arasında 1 satır boşluk bırakılmalıdır. Tablo ile alt metin arasında 1 satır boşluk bırakılmalıdır. Tablo yazıları tercihen 11 punto ile ya da 10 punto ile yazılmalıdır ve tek satır aralığı seçilmelidir. Tablo yazılarına atıfta bulunulmalıdır.
Denklem ekleme ihtiyacı duyulduğunda denklemler sırasıyla 1’den başlanarak numaralandırılmalıdır. Denklem paragraftan başlanarak yazılır. Denklem numarası sağ kenara yerleştirilmelidir. Denklem ile metin arasında üstten ve alttan bir satır boşluk bırakılır. Denklemler resim formatında olmamalıdır. Word denklem düzenleyicisi tercih edilebilir.
3. Bulgular ve Tartışma
Bu bölümde çalışma sonucunda elde edilen bulgular verilmelidir. Elde edilen bulgular ile ilgili literatür çalışmaları yapılarak karşılaştırmalar yapılabilir.
4. Sonuçlar ve Öneriler
Bu bölümde çalışmadan elde edilen sonuçlar verilmelidir. Okuyucular için öneriler ve görüşler belirtilebilir.
Teşekkür
Bu kısımda çalışmada yardımları ya da destekleri bulunan kişi veya kişilere ya da kurumlara teşekkür edilebilir.
Kaynaklar
Kaynaklar yazar soyadına göre dizini hazırlanmalıdır ve sayfanın sol kenar boşluğu hizasından başlanarak yazılmalıdır. Metin içindeki literatür açıklamaları soyadı ve tarih verilmek suretiyle (Soyadı, 2017), (Soyadı ve Soyadı, 2017) şeklinde düzenlenmelidir. İkiden fazla yazar olması durumunda birinci yazardan sonra “ark.” kısaltılması yapılmalıdır (Soyadı ve ark., 2017). Birden fazla kaynak belirtilmek istendiğinde bunlar noktalı virgül ile ayrılmalıdır (Soyadı, 2017; Soyadı ve Soyadı, 2017). Kaynaklar APA formatından esinlenerek hazırlanmıştır. Aşağıda örnek olabilecek kaynaklar verilmiştir.
Periyodik yayınlar:
Soyadı, A., Soyadı, B. B., ve Soyadı, C., (2017). Yayınlanan Makalenin Adı. Makalenin Yayınlandığı Dergi Adı, 7(1), 1-12.
Harlow, H. F. (1983). Fundamentals for preparing psychology journal articles. Journal of Comparative and Physiological Psychology, 55, 893-896.
Kernis, M. H., Cornell, D. P., Sun, C. R., Berry, A., Harlow, T., and Bach, J. S. (1993). There's more to self-esteem than whether it is high or low: The importance of stability of self-esteem. Journal of Personality and Social Psychology, 65, 1190-1204.
Scruton, R. (1996). The eclipse of listening. The New Criterion, 15(3), 5-13.
Henry, W. A., III. (1990, April 9). Making the grade in today's schools. Time, 135, 28-31.
Schultz, S. (2005, December 28). Calls made to strengthen state energy policies. The Country Today, pp. 1A, 2A.
Moller, G. (2002, August). Ripples versus rumbles [Letter to the editor]. Scientific American, 287(2), 12.
Baumeister, R. F. (1993). Exposing the self-knowledge myth [Review of the book The self-knower: A hero under control, by R. A. Wicklund and M. Eckert]. Contemporary Psychology, 38, 466-467.
Brownlie, D. (2007). Toward effective poster presentations: An annotated bibliography. European Journal of Marketing, 41, 1245-1283. doi:10.1108/03090560710821161
Wooldridge, M.B., and Shapka, J. (2012). Playing with technology: Mother-toddler interaction scores lower during play with electronic toys. Journal of Applied Developmental Psychology, 33(5), 211-218. http://dx.doi.org/10.1016/j.appdev.2012.05.005
Kenneth, I. A. (2000). A Buddhist response to the nature of human rights. Journal of Buddhist Ethics, 8. Retrieved from http://www.cac.psu.edu/jbe/twocont.html
Smyth, A. M., Parker, A. L., and Pease, D. L. (2002). A study of enjoyment of peas. Journal of Abnormal Eating, 8(3), 120-125. Retrieved from
http://www.articlehomepage.com/full/url/
Kitaplar:
Soyadı, A. A., (2017). Kitap adı. Kitabın basıldığı yer: Yayınevi.
Mayer, D. (2010). Essential evidence-based medicine (2nd ed.). Cambridge, England: Cambridge University Press.
Glasgow, N. A., McNary, S. J., and Hicks, C. D. (2006). What successful teachers do in diverse classrooms. Thousand Oaks, CA: Corwin Press.
Calfee, R. C., and Valencia, R. R. (1991). APA guide to preparing manuscripts for journal publication. Washington, DC: American Psychological Association.
Duncan, G. J., and Brooks-Gunn, J. (Eds.). (1997). Consequences of growing up poor. New York, NY: Russell Sage Foundation.
Plath, S. (2000). The unabridged journals. K. V. Kukil (Ed.). New York, NY: Anchor.
Laplace, P. S. (1951). A philosophical essay on probabilities. (F. W. Truscott and F. L. Emory, Trans.). New York, NY: Dover. (Original work published 1814)
Helfer, M. E., Kempe, R. S., and Krugman, R. D. (1997). The battered child (5th ed.). Chicago, IL: University of Chicago Press.
O'Neil, J. M., and Egan, J. (1992). Men's and women's gender role journeys: A metaphor for healing, transition, and transformation. In B. R. Wainrib (Ed.), Gender issues across the life cycle (pp. 107-123). New York, NY: Springer.
Wiener, P. (Ed.). (1973). Dictionary of the history of ideas (Vols. 1-4). New York, NY: Scribner's.
Sempozyum, Kongre, Bildiri:
Soyadı, A., Soyadı, B. B., ve Soyadı, C., (2017, Ay). Yayınlanan Bildirinin Adı. Bildirinin Yayınlandığı Sempozyum, Kongre, Toplantı ya da Konferans Adı (s. 1-12). Şehir: Varsa Üniversite veya Kuruluş.
Schnase, J. L., and Cunnius, E. L. (Eds.). (1995). Proceedings from CSCL '95: The First International Conference on Computer Support for Collaborative Learning. Mahwah, NJ: Erlbaum.
Armstrong, D. B., Fogarty, G. J., and Dingsdag, D. (2007). Scales measuring characteristics of small business information systems. In W-G. Tan (Ed.), Proceedings of Research, Relevance and Rigour: Coming of age: 18th Australasian Conference on Information Systems (pp. 163-171). Toowoomba, Australia: University of Southern Queensland.
Green, D. B. and DeSilva, A. (2015, June). The toxicity levels of household chemicals. Paper presented at the National Symposium on Air Pollution, University of Southern California, California.
Taylor, J. A. (2006, November). Assessment: a tool for development and engagement in the first year of university study. Paper presented at the Engaging Students: 9th Pacific Rim in Higher Education (FYHE) Conference, Griffith, Australia. Retrieved from http://www.fyhe.com.au/past_papers/2006/Papers/Taylor.pdf
Tez:
Soyadı, A. A., (2017). Yüksek Lisans veya Doktora Tezinin Adı. Yüksek Lisans Tezi, Giresun Üniversitesi, Fen Bilimleri Enstitüsü, Giresun.
Yoshida, Y. (2001). Essays in urban transportation. Dissertation Abstracts International, 62, 7741A.
Considine, M. (1986). Australian insurance politics in the 1970s: Two case studies. (Unpublished doctoral dissertation). University of Melbourne, Melbourne, Australia.
Kassover,A. (1987). Treatment of abusive males: Voluntary vs. court-mandated referrals (Unpublished doctoral dissertation). Nova University, Fort Lauderdale, FL.
Biswas, S. (2008). Dopamine D3 receptor: A neuroprotective treatment target in Parkinson's disease. Retrieved from ProQuest Digital Dissertations. (AAT 3295214)
Cooley, T. (2009). Design, development, and implementation of a Wireless Local Area Network (WLAN): The Hartford Job Corps Academy case study (Doctoral dissertation). Available from ProQuest Dissertations and Theses database. (UMI No. 3344745)
Adams, R. J. (1973). Building a foundation for evaluation of instruction in higher education and continuing education (Doctoral dissertation). Retrieved from http://www.ohiolink.edu/etd/
Diğer Kaynaklar:
Bergmann, P. G. (1993). Relativity. In The New Encyclopedia Britannica. (Vol. 26, pp. 501-508). Chicago, IL: Encyclopedia Britannica.
Bernstein, M. (2002). 10 tips on writing the living Web. A List Apart: For People Who Make Websites, 149. Retrieved from http://www.alistapart.com/articles/writeliving
Hallam, A. Duality in consumer theory [PDF document]. Retrieved from Lecture Notes Online Web site: http://www.econ.iastate.edu/classes/econ501/Hallam/index.html
URL-1: http://www.giresun.edu.tr, (Erişim Tarihi: 22 Mart 2017).
Yazarlar makalelerini dergimizin makale yazım kurallarına uygun olarak hazırlamalıdır.
Makale şablonu için TIKLAYINIZ.
İngilizce makale şablonu için tıklayınız.
Teklif Hakkı Devir Formu'na erişmek için lütfen buraya tıklayınız.
Etik İlkeler ve Yayın Politikası
Karadeniz Fen Bilimleri Dergisi Mart, Haziran, Eylül ve Aralık aylarında olmak üzere yılda dört kez yayımlanan hakemli akademik bir dergidir.
Karadeniz Fen Bilimleri Dergisi (KFBD), Committee on Publication Ethics (COPE) kılavuz ve politikalarına göre belirlenen etik görev ve sorumluluklar çerçevesinde temel bilim, mühendislik ve teknolojinin tüm yönleriyle ilgili özgün araştırmaları değerlendirir ve yayınlar. Gönderilecek eserlerde; alanında bir boşluğu dolduracak özgün bir araştırma makalesi olması şartı aranır.
Dergimizde hakemlerin ve yazarların birbirlerine karşı kimliklerinin gizli tutulduğu çift taraflı kör hakem sistemi kullanılır. Yazarlar ve hakemler, kimliklerinin gizli kalması için gayret göstermelidir. Bu amaçla sisteme dosya gönderen yazar, editör, hakem gibi kişilerin metin ve dosyaları sisteme yüklerken dikkat etmeleri gerekir.
Yayın Kurulu, dergiye gönderilen eserlerin öncelikle yayın ilkeleri ile dergi kapsamı, bilimsel içerik ve şekil açısından inceler. Ön incelemeden geçen eserler değerlendirilmesi amacıyla en az 2 hakeme gönderilir. Eserin dergiye kabul edilebilmesi için 2 hakemden de olumlu değerlendirme alması gerekir. Gerektiği durumlarda 3. hakemden de değerlendirme sürecine katkı sağlaması istenebilir. Son karar editöre aittir.
Dergimiz araştırma etiğinde en yüksek standartları gözetir ve uluslararası araştırma etiği ilkelerini benimser. Makalelerin etik kurallara uygunluğu yazarların sorumluluğundadır. Gönderilen makalenin her yazarı, yayın etiğine uygun etik sorumlulukları eşit olarak paylaşır. Yayınlanmak üzere gönderilen makaleler ayrıca intihal tespitinde kullanılan özel bir program aracılığıyla makalelerin daha önce yayımlanmamış olduğu ve intihal içermediği teyit edilir.
Kabul edilen eserin yayınlanma süreci, eserin alındığı tarihten itibaren 2-12 ay sürmektedir.
Dergiye makale gönderimi ücretsizdir. Yayına kabul edilen makaleden de hiç bir ücret talep edilmez.
KFBD, ücretsiz erişimi destekleyen Budapeşte Açık Erişim Girişimi'ne (BOAI) imza attı ve bu girişimde açıklanan Açık Erişim İlkelerini benimsedi.
Karadeniz Fen Bilimleri Dergisi, hakemli ve açık erişim politikasını benimsemiş bir dergidir. Bu bağlamda, Budapeşte Açık Erişim Hareketine (BOAI) taraftır. BOAI'ye göre Açık Erişim, “hakem değerlendirmesinden geçmiş bilimsel literatürün, internet aracılığıyla; finansal, yasal ve teknik engeller olmaksızın, serbestçe erişilebilir, okunabilir, indirilebilir, kopyalanabilir, dağıtılabilir, basılabilir, taranabilir, tam metinlere bağlantı verilebilir, dizinlenebilir, yazılıma veri olarak aktarılabilir ve her türlü yasal amaç için kullanılabilir olması”dır.
Dergimize gönderilen akademik çalışmalardaki intihalleri tespit etmek amacıyla İntihal Tespit Programları kullanılır. Dergimize makale gönderen yazarlar etik ihlal yapmadıklarını beyan etmiş sayılırlar. İntihal yaptığı tespit edilen yazarların eserlerine dergimizde yer verilmez. Bu konuyla ilgili rapor yazara gönderilir.
Karadeniz Fen Bilimleri Dergisi yazarlardan makale değerlendirme ve yayın süreci için herhangi bir ücret talep etmemektedir.
Bu dergi, iştirak eden kütüphanelerin dağıtılan arşivleme sistemi yaratması amaçlı, kütüphanelerin koruma ve restorasyon amaçlı kalıcı arşivler yaratmasına izin vermek için LOCKSS sistemi kullanmaktadır.
Bu dergide makalelerini yayımlayan yazarlar aşağıdaki şartları kabul etmiş bulunmaktadır:
Yazar makale telif hakkını elinde tutar ve ilk yayımlama hakkını dergiye verir. Makale, yazarının belirtilmesi ve ilk yayımının bu dergide yapılması koşuluyla diğerleri tarafından paylaşılmasına olanak veren Creative Commons Attribution lisansı altında lisanslanır.
Yazar, makalenin dergide yayımlanmış versiyonunun tam yetki vermeden dağıtımı (örneğin, kurumsal bir veri bankasına gönderilmesi ya da bir kitapta yayımlanması) için ayrı sözleşme düzenlemeleri yapabilir.
Yazarların makalelerini dergiye göndermeden önce ya da gönderi süreci devam ederken internet üzerinden (örneğin, kurumsal veri tabanında ya da kendi web sitelerinde) paylaşmaları teşvik edilir; bu, hem verimli fikir alışverişlerine hem de makalenin daha erken ve daha çok atıf almasına yol açabilir (bakınız Açık Erişimin Etkisi).
EDİTÖRLERİN VE YAYIN KURULUNUN SORUMLULUKLARI
Karadeniz Fen Bilimleri Dergisi'nin tüm editörleri, dergideki değerlendirmelerinde ve kararlarında bağımsızdır. Hiçbir dış ve/veya iç faktör kararlarını etkileyemez. Editörlerin olumlu ve/veya olumsuz herhangi bir kısıtlamaya maruz kalması halinde, kısıtlamaya karışanlar hakkında yasal işlem başlatma hakları saklıdır. Öte yandan, editörler dergideki kararlarından sorumludur. Derginin içeriğinden ve zamanında yayınlanmasından sorumlu tek kişi baş editördür.
Dergi editörleri ve Yayın Kurulu üyelerinin, gönderilen materyalleri bölüm editörleri, istatistik editörleri, dil editörleri, kopya editörleri, tasarım editörleri ve gerektiğinde hakemler dışındaki üçüncü kişilerle paylaşması ve gönderilen materyalleri kendilerinin kullanması yasaktır. Bir editör ile yazar veya yazarın kurumu arasında işbirliği veya rekabet açısından çıkar çatışması olması durumunda, değerlendirme sürecini yönetmek üzere Yayın Kurulu'nun başka bir üyesi görevlendirilir.
Editörler, alanında uzman en az iki hakem atayarak gönderilen makalelerin hakem değerlendirmesini sağlar. Makalelerin araştırmacılar ve okuyucular için önemi, hakem raporları, intihal ve telif hakkı ihlali gibi hukuki sorunlar göz önünde bulundurularak yayın kararından sorumlu yazı işleri müdürü sorumludur. Baş editör, kararını diğer editörler ve hakemlerle tartışabilir.
HAKEMLERİN SORUMLULUKLARI
Dergiye gönderilen bir makalenin bilimsel içeriğinin, bilimsel düzeninin ve uygunluğunun dergi ilkelerine göre kontrol edilmesi ve uygun olmayan yazı içeriği için hakem görüşünün uygunluğun sağlanmasıdır. Hakemlik süreci, hakemlerin makaleler hakkındaki değerlendirmelerini editörlere iletmelerini sağlamakla kalmaz, aynı zamanda onlara makalelerin içeriğini iyileştirme fırsatı da verir.
Bir makaleyi değerlendirmekle görevlendirilen hakem, makalenin içeriği dışında bir bilim dalında uzmansa, makalenin konusuna uzaksa, değerlendirme için yeterli süre yoksa veya çıkar çatışması varsa, atanan editörü bilgilendirin ve geri çekilmesini isteyin. Makalenin içeriği hakemin uzmanlık alanına uygunsa değerlendirmeyi tamamlamalı ve en kısa sürede raporu editöre göndermelidir.
Makaleleri değerlendirmekle görevlendirilen hakemler, makalelerin gizli belge olduğunu peşinen onaylar ve bu belgelere ilişkin bilgileri, değerlendirmeye katılan editörler dışında üçüncü kişilerle paylaşmaz. Hakemler, makaleler yayınlanmak üzere kabul edildikten veya reddedildikten sonra bile bilgi paylaşmamaya devam eder. Değerlendirme için hakeme izinsiz olarak gönderilen makalede bir fikrin kullanıldığından şüpheleniliyorsa, COPE akış şeması “Bir hakemin bir yazarın fikirlerini veya verilerini sahiplendiğinden şüpheleniyorsanız ne yapmalısınız?” takip edilir.
Hakemler, eleştirilerini bilimsel bir zemin üzerine inşa etmeli ve açıklamalarında bilimsel kanıtlara yer vermelidir. Hakemler tarafından makaleleri geliştirmek için yapılan tüm yorumlar açık ve doğrudan olmalı ve rahatsız edici yazar duygularından uzak bir şekilde yazılmalıdır. Hakaret ve aşağılayıcı ifadelerden kaçınılmalıdır.
Hakemler kaynak gösterilmeden kullanılan makalelerdeki alıntıları belirlemelidir. Yayımlanan makalelerdeki ifadeler, gözlemler, sonuçlar veya kanıtlar, ilgili kaynak gösterilerek alıntılanmalıdır. Hakemler ayrıca alıntı yapılan referans(lar)da alıntıların var olduğundan emin olmalıdır.
Hakem, yazar(lar) ile bir veya daha fazla ilgi alanına giren bir durumda ise, bunu editöre bildirerek, hakemin makaleden çekilmesini istemelidir.
YAZARLARIN SORUMLULUKLARI
Orijinal araştırma makalelerinin yazarları, sonuçları uygun bir şekilde sunmalı ve üzerinde tartışmalıdır. Makalelerin metodolojik içeriklerinin tekrarlanabilir olması gerektiğinden, yazarlar açıklamalarında açık olmalı ve kasıtlı olarak yanlış veya eksik verileri bildirmemelidir.
Yazarlardan ihtiyaç duyulduğunda (etik durumlar vb.) Ham verilerini sunmaları istenebilir. Bu nedenle, yazıların ham verileri gerektiğinde sunulmak üzere güvenli bir yerde saklanmalıdır. Yayın sonrası ham verilerin saklanma süresi en az 10 yıl olmalıdır.
Gönderilen makalelerin yazarları, makalelerinin orijinal olduğundan veya alıntılar için alıntı yapılan referansları içerdiğinden emin olmalıdır.
Aynı araştırmaya ilişkin birden fazla yayın raporlaması yapılması onaylanmış bir yöntem değildir. Yazarlar bu tür durumlara dikkat etmeli ve aynı makaleyi aynı anda farklı dergilere göndermemelidir.
Makalelerde sorumlu yazar olarak yalnızca aşağıdaki kişiler yer almalıdır:
1) Bir çalışmada kavram, tasarım, uygulama, veri toplama ve/veya analize büyük katkı sağlayan araştırmacılar,
2) Makalelerin hazırlanmasında veya kritik revizyonunda yer alan araştırmacılar,
3 ) Araştırmacılar, makalelerin en son sürümünü onayladılar ve sunumunu kabul ettiler.
Yukarıdaki liste dışında katkıda bulunanlar (teknik yardım, yazım ve editörlükte yardımcılar, genel katkılar vb.) yazar listesinde yer almamalıdır, ancak teşekkür bölümünde listelenebilir. Makalelerin ilgili yazarları, yazar olarak katkıda bulunanların ve teşekkür bölümünde yer alacakların ayrı bir listesini sağlamalıdır.
Yazarlar makalelerinde her türlü çıkar çatışmasını açıkça beyan etmelidir. Makalelerin konusu ile ilgili herhangi bir çıkar çatışması bulunmadığı da beyan edilmelidir. En yaygın çıkar çatışması türleri, mali destekler, eğitim veya diğer fon türleri, kişisel veya kurumsal ilişkiler ve bağlılıklardır. Çalışmaların tüm mali destek kaynakları (hibeleri veya diğer referans numaraları ile birlikte) beyan edilmelidir.
Yazarlar, kişisel olarak elde ettikleri bilgileri (konuşmalar, yazışmalar veya görgü tanıklarıyla yapılan tartışmalar) kaynaklarının izni olmadıkça kullanmamalıdır. Özel belgelere veya hibe başvurularının hakemliğine ilişkin bilgiler, ilgili hizmeti sağlayan makamların izni olmadan kullanılmamalıdır.
Yazarlar, hakemlik sürecinde yer almakla yükümlüdür ve editörlerin ham verileri, etik onaylar için kanıtları, hasta onaylarını ve telif hakkı izin formu taleplerini ve açıklamalarını yanıtlayarak işbirliği yapmalıdır. Yazarlar, akran değerlendirmesi süreci tarafından üretilen revizyon önerilerine olumlu veya olumsuz bir şekilde yanıt vermelidir. Olumsuz yanıtlarına karşı görüşlerini de mutlaka eklemelidirler.
Yazarlar, yayınlanan makalelerinde önemli bir hata veya yanlışlık fark ettiklerinde, bir yazım hatası için dergi editörü veya yayıncı ile iletişime geçmelidir. Editör hatayı fark ederse, yayınlanan makalelerin düzeltilmesi veya geri çekilmesi ile ilgili süreci başlatır.
Ücret Politikası
Dergiye makale gönderimi ücretsizdir. Yayına kabul edilen makaleden de hiç bir ücret talep edilmez.
KFBD, ücretsiz erişimi destekleyen Budapeşte Açık Erişim Girişimi'ne (BOAI) imza attı ve bu girişimde açıklanan Açık Erişim İlkelerini benimsedi.
Dizinler
Dergi Kurulları
Baş Editör
Yayıncılık Müdürü
Editörler / Editors
Alan Editörleri
Kontrol Sistemleri, Yenilenebilir Enerji Kaynakları, Güç Elektroniği, Optimizasyon
Mizanpaj Editörleri / Manuscript Editors
Biographical notes: Arzu Aydın Uncumusaoğlu is an Associate Professor of Engineering Faculty at Giresun University, Giresun, Turkey. She received her BSc, MSc and PhD at Faculty of Fisheries at Ege University in 1999, 2002 and 2007, respectively. She has published many papers at various national and international journals and conferences. She is also a member of many journals and associations. Her current research focuses on water quality and pollution, sediment quality and pollution, hydrobiology, zooplankton, Hyperiidea, heavy metals, bioaccumulation, biomagnification, biological indices, statistical ecosystem evaluation, ecological ındices, biological ındices, statistical techniques.
Yazı İşleri Müdürü / Editorial Manager
Karadeniz Fen Bilimleri Dergisinde yayınlanan makaleler Creative Commons Attribution-NonCommercial 4.0 International
kapsamında lisanslanmıştır.