ANTROPOJENİK FAKTÖRLERE DAYALI TARIMSAL UYGUNLUĞUN RANDOM FOREST İLE MEKÂNSAL ANALİZİ: HATAY, TÜRKİYE ÖRNEĞİ

Öz

Bu çalışma, tarımsal arazi uygunluk analizlerinde yaygın olarak kullanılan doğal çevre faktörlerinden farklı olarak, arazi kullanım planlamasında kısa ve orta vadede yönetilebilir özellik gösteren antropojenik faktörlere odaklanmaktadır. Çalışmanın temel amacı, uzman görüşleriyle belirlenen antropojenik kriterlerin makine öğrenmesi temelli mekânsal modelleme yaklaşımıyla değerlendirilmesi ve bu faktörlerin tarımsal uygunluk üzerindeki göreli etkilerinin ortaya konulmasıdır. Bu yönüyle çalışma, insan kaynaklı tarım arazisi uygunluğu (AALS) literatüründe sınırlı düzeyde ele alınan antropojenik odaklı yaklaşımlara metodolojik ve uygulamaya dönük bir katkı sunmayı hedeflemektedir. Analizde kullanılan değerlendirme faktörleri, uzman görüşlerine dayalı Delphi tekniği ile belirlenen faktörlerden türetilmiştir. Çalışma kapsamında Coğrafi Bilgi Sistemleri (CBS) ve Uzaktan Algılama (UA) teknikleri kullanılarak mekânsal veri katmanları üretilmiş ve CORINE arazi örtüsü verisi yardımıyla tarım alanı envanteri oluşturulmuştur. Elde edilen veri seti kullanılarak Random Forest (RF) algoritması ile makine öğrenmesi tabanlı bir model geliştirilmiştir. Elde edilen sonuçlar, RF modelinin %79 F1-skoru ve %90 AUC değeri ile başarılı bir sınıflandırma performansı sergilediğini göstermiştir. Çalışma sonuçları, makine öğrenmesi destekli mekânsal analizlerin, tarımsal alanların korunması, arazi kullanım çatışmalarının azaltılması ve sürdürülebilir peyzaj planlama kararlarının desteklenmesinde etkili bir araç olduğunu göstermektedir.

Anahtar Kelimeler

• Tarım Arazisi Uygunluk Analizi (ALSA)
• Antropojenik Faktörler
• Rasgele Orman
• Makine Öğrenmesi
• Coğrafi Bilgi Sistemleri (CBS)

SPATIAL ANALYSIS OF ANTHROPOGENIC FACTOR-BASED AGRICULTURAL SUITABILITY USING RANDOM FOREST: THE CASE OF HATAY, TÜRKIYE

Öz

This study focuses on anthropogenic factors that can be managed in the short and medium term within land-use planning processes, unlike the natural environmental factors commonly used in agricultural land suitability analyses. The primary objective of the study is to evaluate anthropogenic criteria identified through expert opinions using a machine learning-based spatial modeling approach and to reveal the relative effects of these factors on agricultural suitability. In this respect, the study aims to provide a methodological and practical contribution to anthropogenic-focused approaches that have received limited attention in the literature on Anthropogenic Agricultural Land Suitability (AALS). The evaluation factors used in the analysis were derived from factors identified through the Delphi technique based on expert opinions. Within the scope of the study, spatial data layers were generated using Geographic Information Systems (GIS) and Remote Sensing (RS) techniques, and an agricultural land inventory was created using CORINE land cover data. Using the obtained dataset, a machine learning-based model was developed with the Random Forest (RF) algorithm. The results indicated that the RF model exhibited successful classification performance with an F1-score of 79% and an AUC value of 90%. The findings of this study demonstrate that machine learning-based spatial analyses provide an effective tool for supporting the protection of agricultural lands, reducing land-use conflicts, and facilitating sustainable landscape planning decisions.

Anahtar Kelimeler

• Agricultural Land Suitability Analysis (ALSA)
• Anthropogenic Factors
• Random Forest
• Machine Learning
• Geographic Information Systems (GIS)

Kaynakça

1. Agrawal, N., Govil, H., & Kumar, T. (2025). Agricultural land suitability classification and crop suggestion using machine learning and spatial multicriteria decision analysis in semi-arid ecosystem. Environ Dev Sustain 27, 13689–13726.
2. Akpoti, K., Kabo-bah, A. T., & Zwart, S. J. (2019). Agricultural land suitability analysis: State-of-the-art and outlooks for integration of climate change analysis. Agricultural systems, 173, 172-208.
3. Al-Sababhah, N. (2024). Land suitability and capability analysis for sustainable allocation of agricultural crops and natural plants, northwest Jordan. Journal of Geovisualization and Spatial Analysis, 8(1), 1.
4. Anusha, B. N., Babu, K. R., Kumar, B. P., Sree, P. P., Veeraswamy, G., Swarnapriya, C., & Rajasekhar, M. (2023). Integrated studies for land suitability analysis towards sustainable agricultural development in semi-arid regions of AP, India. Geosystems and Geoenvironment, 2(2), 100131.
5. Bariotakis, M., Georgescu, L., Laina, D., Oikonomou, I., Ntagounakis, G., Koufaki, M.-I., Pirintsos, S.A., 2019. From wild harvest towards precision agriculture: Use of Ecological Niche Modelling to direct potential cultivation of wild medicinal plants in Crete. Sci. Total Environ. 694, 133681.
6. Biau, G., Scornet, E., 2016. A random forest guided tour. TEST 25, 197–227.
7. Bilas, G., Karapetsas, N., Gobin, A., Mesdanitis, K., Toth, G., Hermann, T., . . . Alexandridis, T. K. (2022). Land suitability analysis as a tool for evaluating soil-improving cropping systems. Land 11 (12): 2200.
8. Breiman, L., 2001. Random Forests. Machine Learning 45 (1), 5–32.

9. FAO. (1976). A framework for land evaluation. Rome: Soil Bulletin 32. Food and Agriculture Organization of the United Nations.
10. Hussain, S., Nasim, W., Mubeen, M., Fahad, S., Tariq, A., Karuppannan, S., . . . Ghassan Abdo, H. (2024). Agricultural land suitability analysis of Southern Punjab, Pakistan using analytical hierarchy process (AHP) and multi-criteria decision analysis (MCDA) techniques. Cogent Food & Agriculture, 10(1), 2294540.
11. Karakaş, G., Kocaman, S., & Gökçeoğlu, C. (2022). Comprehensive Performance Assessment of Landslide Susceptibility Mapping with MLP and Random Forest: A Case Study After Elazig Earthquake (24 Jan 2020, Mw 6.8), Turkey. Environmental Earth Sciences, 81:144.
12. Li, W., Wang, C., Liu, H., Wang, W., Sun, R., Li, M., . . . Fu, S. (2023). Fine root biomass and morphology in a temperate forest are influenced more by canopy water addition than by canopy nitrogen addition. Frontiers in Ecology and Evolution, 11, 11.
13. Mohit, M.A., ve Ali, M.M., 2006. Integrating GIS and AHP for Land Suitablity Analysis for Urban Development in a Secondary City of Bangladesh. Jurnal Alem Bina 8 (1), 1–20.
14. Morán-Alonso, N., Viedma-Guiard, A., Simón-Rojo, M., & Córdoba-Hernández, R. (2025). Agricultural land suitability analysis for land use planning: The case of the Madrid Region. Land, 14(1), 134.
15. Mugiyo, H., Chimonyo, V. G., Sibanda, M., Kunz, R., Masemola, C. R., Modi, A. T., & Mabhaudhi, T. (2021). Evaluation of land suitability methods with reference to neglected and underutilised crop species: A scoping review. Land, 10(2), 125.
16. Okudan, N., & Bayar, R. (2022). Serik İlçesinde Tarımsal Arazi Kullanımı Uygunluğu. Uluslararası Coğrafya Sempozyumu. Ankara, Türkiye.
17. Özdemir, Y., & Savalan, Ş. (2022). Farklı Tarımsal Üretim Yöntemleri Sonucu Elde Edilen Ürün Kalitesi Analizi için Sürdürülebilir Melez Bulanık ÇKKV Yaklaşımı Uygulaması. . Journal of Turkish Operations Management, 6(1), 1121-1133.
18. T.C. Tarım ve Orman Bakanlığı. (2021). Hatay ili tarımsal yatırım rehberi. Ankara, Türkiye: T.C. Tarım ve Orman Bakanlığı.
19. Talukdar, S., Naikoo, M., Mallick, J., Praveen, B., Shahfahad, S. P., & . . . Rahman, A. (2022). Coupling Geographic Information System Integrated Fuzzy Logic-Analytical Hierarchy Process with Global and Machine Learning Based Sensitivity Analysis for Agricultural Suitability Mapping. Agricultural Systems, 196:103343.
20. Tuğaç, M. (2022). Kırsal Peyzajda CBS Tabanlı Çok Kriterli Karar Analizi ile Tarımsal Arazi Uygunluk Sınıflarının Belirlenmesi. . International Journal of Eastern Mediterranean Agricultural Research, 5(1):58-76.
21. Türkiye İstatistik Kurumu (2022). Bitkisel Üretim İstatistikleri. Ankara.
22. Xu, J., Jiao, C., Zheng, D., & Li, L. (2023). Agricultural land suitability assessment at the county scale in taiyuan, china. Agriculture, 14(1), 16.
23. Yigit, S., & Benliay, A. (2022). Assessment Of Landscape Changes In Hatay-Samandag Regıon By Usıng Landscape Metrıcs. Fresenıus Envıronmental Bulletın, 31(1).
24. Yiğit Uzunali, Ş., & Berberoğlu, S. (2025). Agricultural land suitability analysis with parametric and nonparametric techniques: The case of Büyük Menderes River Basin, Türkiye.
25. Yiğit Uzunali, Ş., & Uzunali, A. (2025). Evaluation of High Line city park user satisfaction with machine learning: COVID-19 process year-based sentiment analysis. Neural Computing and Applications, 37(31), 25973-25993.