Araştırma Makalesi
BibTex RIS Kaynak Göster

YAPAY SİNİR AĞLARI NARX MODELİ ile ELMA ÜRETİM MİKTARININ ÖNGÖRÜLMESİ

Yıl 2022, Sayı: 42, 1 - 29, 30.04.2022

Öz

Türkiye’de yaygın olarak tüketilen elma önemli besin kaynağıdır. Ekolojik şartların uygun olması sebebiyle elmanın gen merkezi olan Türkiye’nin her bölgesinde elma üretiminin yapılması mümkündür. 2020 yılına göre meyveler içinde önemli ürünlerin üretim miktarlarına bakıldığında bir önceki yıla göre en fazla artış gösteren meyve elmadır. Ayrıca elma üretiminde Türkiye, Dünya’da önemli bir konuma sahiptir. Üretim ve tüketim sektöründeki öneminden dolayı bu çalışmada, Yapay Sinir Ağları (YSA) Doğrusal Olmayan Dışsal Girdili Otoregresif Ağ (NARX) Modeli kullanılarak elma üretim miktarının öngörülmesi üzerine bir uygulama yapılmıştır. Çalışmanın amacı, elma üretim miktarının öngörülmesi ile üretim ve pazarlama aşamalarında organizasyonun güçlendirilerek, arz ve talep ilişkisinin dengelenmesine katkı sağlamaktır. Çalışma Türkiye’yi kapsamakta olup, 1966-2018 dönemine ait yıllık veriler kullanılmıştır. Çalışmada elma üretim miktarı bağımlı değişken, portakal basit fiyat endeksi, elma basit fiyat endeksi, elma üretim alanı, sıcaklık ve teknoloji bağımsız değişkenler olarak dikkate alınmıştır. Çalışma sonucunda 2019, 2020 ve 2021 yıllarına ait elma üretim miktarları öngörülmüş ve bulunan sonuçlar YSA NARX Modelinin elma üretim miktarı öngörüsünde kullanılabileceğini göstermiştir.

Kaynakça

  • Akarslan, E. ve Hocaoğlu, F. O. (2019). NARX ve Relieff Yöntemlerinin Kombinasyonu ile Saatlik Yük Tahmini. 6. Uluslararası Bilimsel Araştırmalar Kongresi (UBAK), 1–3 Kasım 2019, Şanlıurfa, 175-184.
  • Akpınar, H. (1994). Yapay Sinir Ağları Gelişimi ve Yapılarının İncelenmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 23(1), 41-78.
  • Aras, İ. (2015). Karaman Elma Raporu. Mevlâna Kalkınma Ajansı Yayınları, Konya.
  • Aydoğan, M., Demiryürek, K. ve Abacı, N. İ. (2015). Türkiye’de Kuru Fasulye Üretiminin Mevcut Durumu ve Gelecek Dönemler Üretiminin Tahmin Edilmesi. Türk Tarım-Gıda Bilim ve Teknoloji Dergisi, 3(12), 962-968.
  • Başaran Caner, C. ve Engindeniz, S. (2020). Türkiye'de Pamuk Üretiminin ARIMA Modeli ile Tahmini. Tarım Ekonomisi Dergisi. 26(1), 63-70.
  • Boussaada, Z., Curea, O., Remaci, A., Camblong, H. & Najiba, N. B. (2018). A Nonlinear Autoregressive Exogenous (NARX) Neural Network Model For The Prediction Of The Daily Direct Solar Radiation, Energies 2018, 11(3), 620, https://doi.org/10.3390/en11030620.
  • 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: Celal Bayar Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 25(3), 1017–1031.
  • Connor, J., Atlas, L., & Martin, R. (1991). Recurrent Networks and NARMA Modeling. Proceedings of the 4th International Conference on Neural Information Processing Systems (NIPS), Aralık 1991, 301-308.
  • Çavuşlu, M. A., Becerikli, Y. ve Karakuzu, C. (2012). Levenberg-Marquardt Algoritması ile YSA Eğitiminin Donanımsal Gerçeklenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(1).
  • Çetin, E. (2021). Yapay Zekâ Uygulamaları: Yapay Sinir Ağı-Makine Öğrenmesi-Derin Öğrenme-Derin Ağlar-Bulanık Mantık-Sinirsel Bulanık Mantık-Genetik Algoritma. Seçkin Yayıncılık, Ankara.
  • Çuhadar, M. (2013). Türkiye’ye Yönelik Dış Turizm Talebinin MLP, RBF ve TDNN Yapay Sinir Ağı Mimarileri ile Modellenmesi ve Tahmini: Karşılaştırmalı Bir Analiz. Journal of Yaşar University, 8(31), 5274-5295.
  • Dahikar, S. S. & Rode, S. V. (2014). Agricultural Crop Yield Prediction Using Artificial Neural Network Approach. International Journal of Innovative Research in Electrical, Electronics, Instrumentation and Control Engineering, 2(1), 683-686.
  • Değirmenci, N. ve Pabuçcu, H. (2016). Borsa İstanbul ve Risk Primi Arasındaki Etkileşim: VAR ve NARX Model. Akademik Sosyal Araştırmalar Dergisi, 35, Yıl: 4, 248-261.
  • Diaconescu, E. (2008). The Use of NARX Neural Networks to Predict Chaotic Time Series. WSEAS Transactions on Computer Research, 3(3), 182-191.
  • Doğan, E., Işık, S. ve Sandalcı, M. (2007). Günlük Buharlaşmanın Yapay Sinir Ağları Kullanarak Tahmin Edilmesi, İMO Teknik Dergi, 18(87), 4119-4131.
  • FAOStat, 2021. Food and Agriculture Organization of the United Nations. http://www.fao.org/faostat/en/#data/QC/visualize, Erişim Tarihi: 21.01.2021.
  • Fırat, Y. (2020). NARX Modellerini Kullanarak Hava Kalitesi Tahmin Analizinin Uygulanması, Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10(2), 442-455.
  • Gavcar, E. (2013). İstatistik Yöntemler 1. Gazi Kitabevi. Ankara.
  • Griffiths, W. E., Newton, L. S. & O’Donnell, C. J. (2010). Predictive Densities for Models with Stochastic Regressors and Inequality Constraints: Forecasting Local-Area Wheat Yield, International Journal of Forecasting, 26(2), 397-412, https://doi.org/10.1016/j.ijforecast.2009.12.008.
  • Grosan, C. & Abraham, A. (2011). Intelligent Systems: A Modern Approach. Intelligent Systems Reference Library,Volume 17, Springer-Verlag, Berlin.
  • Hamzaçebi, C. (2005). Geleceği Tahminde Yapay Sinir Ağları İçin Sezgisel Öğrenme Algoritması, Doktora Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  • Hamzaçebi, C. (2011). Yapay Sinir Ağları: Tahmin Amaçlı Kullanımı MATLAB ve Neurosolitions Uygulamalı, Ekin Basım Yayın, Ankara.
  • Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Second Edition. McMaster University. Pearson Education, Canada.
  • Karaatlı, M., Demirci, E. ve Baykaldı, A. (2020). Ticari Kredi Faiz Oranlarının YSA NARX ve VAR Modelleri ile Öngörülmesi, İşletme Araştırmaları Dergisi, 12(3), 2327-2343.
  • Karahan, M. (2015). Turizm Talebinin Yapay Sinir Ağları Yöntemiyle Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 195-209.
  • Khamis, A. & Abdullah, S. N. S. B. (2014). Forecasting Wheat Price Using Backpropagation and NARX Neural Network, The International Journal of Engineering and Science (IJES). 3(11), 19-26.
  • Khan, T., Qiu, J., Qureshi, M. A. A., Iqbal, M. S., Mehmood, R. & Hussain, W. (2020). Agricultural Fruit Prediction Using Deep Neural Networks, 2019 International Conference on Identification, Information and Knowledge in the Internet of Things (IIKI2019), 174. 72-78, DOI: 10.1016/j.procs.2020.06.058.
  • Labde, S., Patel, S. & Shukla, M. (2017). Time Series Regression Model for Prediction of Closing Values of the Stock using an Adaptive NARX Neural Network. International Journal of Computer Applications, 158(10), 29-34.
  • Lewis, C. D. (1982). Industrial and Business Forecasting Methods: A Practical Guide to Exponential Smoothing and Curve Fitting. London, Butterworth Scientific.
  • Lin, T., Horne, B. G., Tino, P. & Giles, C.L. (1996). Learning Long-Term Dependencies in NARX Recurrent Neural Networks, IEEE Transactions on Neural Networks, 7(6), 1329-1338.
  • Mathworks (2021). Design Time Series NARX Feedback Neural Networks. https://www.mathworks.com/help/deeplearning/ug/design-time-series-narx-feedback-neural-networks.html, Erişim Tarihi: 12.03.2021.
  • Menezes Jr., J. M. P. & G. A. Barreto (2008). Long-Term Time Series Prediction with the NARX Network: An Empirical Evaluation, Neurocomputing, 71, 16–18 October 2008, 3335–3343 (Advances in Neural Information Processing (ICONIP 2006) /Brazilian Symposium on Neural Networks (SBRN 2006).
  • Öztemel, E. (2003). Yapay Sinir Ağları. Papatya Yayıncılık. İstanbul.
  • Öztürk, B., Özkan, Y., Yıldız, K., Çekiç, Ç. ve Kılıç, K. (2012). Red Chief Elma Çeşidinde Aminoethoxyvinylglycine’nin (AVG) ve Naftalen Asetik Asit’in (NAA) Hasat Önü Döküm ve Meyve Kalitesi Üzerine Etkisi, Anadolu Tarım Bilimleri Dergisi, 27(3), 120-126.
  • Öztürk, F. P., Emre, M. ve Karamürsel, D. (2015). Tarımsal Araştırmalardan Bakış 2015, Elma, TEPGE Yayınları, Ankara.
  • Siegelmann, H. T., Horne, B. G. & Giles, C. L. (1997). Computational capabilities of recurrent NARX neural networks. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 27(2), 208-215. DOI: 10.1109/3477.558801.
  • Su, H.-T. & McAvoy, T. J. (1991). Identification of Chemical Processes using Recurrent Network. 1991 American Control Conference, 2314-2319.
  • Su, H.-T., McAvoy, T. J. & Werbo, P. (1992). Long-Term Predictions of Chemical Processes Using Recurrent Neural Networks: A Parallel Training Approach. Industrial & Engineering Chemistry Research, 31(5), 1338-1352. https://doi.org/10.1021/ie00005a014.
  • T. C. Gıda Tarım ve Hayvancılık Bakanlığı Tarım Gıda ve politika Geliştirme Enstitüsü (TEPGE). 2017. Ürün Raporu, https://arastirma.tarimorman.gov.tr/tepge/Belgeler/PDF%20%C3%9Cr%C3%BCn%20Raporlar%C4%B1/2017%20%C3%9Cr%C3%BCn%20Raporlar%C4%B1/Elma%20%C3%9Cr%C3%BCn%20Raporu%202017-296.pdf, Erişim Tarihi: 21.01.2021.
  • Tatlı, A. ve Kahvecioğlu, S. (2016). Zaman Serilerinde NARX Sinir Ağları Modeliyle Uçuşa Elverişlilik Süresinin Kestirimi. 2016 Ulusal Elektrik, Elektronik ve Biyomedikal Mühendisliği Konferansı (ELECO), Bursa, 1-3 Aralık 2016, 130-134.
  • TMMOB Ziraat Mühendisleri Odası, (2019). Elma Raporu/2019. Erişim Tarihi: 19.01.2021. https://www.zmo.org.tr/genel/bizden_detay.php?kod=32410&tipi=38&sube=0.
  • TÜİK (2021). Merkezi Dağıtım Sistemi, Bitkisel Üretim İstatistikleri. https://biruni.tuik.gov.tr/medas/?kn=92&locale=tr, Erişim Tarihi: 31.03.2021.
  • TÜİK (2021). Türkiye İstatistik Kurumu, Bitkisel Üretim İstatistikleri 2020. https://data.tuik.gov.tr/Bulten/Index?p=Bitkisel-Uretim-Istatistikleri-2020-33737, Erişim Tarihi: 23.01.2021.
  • Venkataraman, S. T. (1994). On Encoding Nonlinear Oscillations in Neural Networks for Locomotion. In: Proc. 8th Yale Workshop Adaptive and Learning Systems, 14–20.
  • Witt, S. F. & Witt C. (1992). Modeling and Forecasting Demand in Tourism, Academic Press, London.
  • World Bank (2021). Temperature (1901-2016). https://climateknowledgeportal.worldbank.org/download-data, Erişim Tarihi: 03.03.2021.
  • Xie, H., Tang, H. & Liao, Y. (2009). Time Series Prediction Based on NARX Neural Networks: An Advanced Approach, Proceedings of the Eighth International Conference on Machine Learning and Cybernetics, China, 12-15 July 2009, 3, 1275-1279.
  • Yavuz, S. ve Deveci, M. (2012). İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187.
  • Zhang, G., Patuwa, B. E. & Hu, M. Y. (1998). Forecasting with Artificial Neural Networks: The State of The Art. International Journal of Forecasting, 14(1), 35-62. http://dx.doi.org/10.1016/S0169-2070(97)00044-7.
  • Zhang, L., Ma, L., Zhu, M., Li, K., Gan, S., Yan, J., Xu, X. & Li, W. (2016). NARX Models for Predicting Power Consumption of a Horizontal Axis Wind Turbine, UKACC 11th International Conference on Control, Belfast, 31 August-2 September 2016.
Toplam 50 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Hatice Yıldırım 0000-0002-3472-1821

Meltem Karaatlı 0000-0002-7403-9587

Yayımlanma Tarihi 30 Nisan 2022
Yayımlandığı Sayı Yıl 2022 Sayı: 42

Kaynak Göster

APA Yıldırım, H., & Karaatlı, M. (2022). YAPAY SİNİR AĞLARI NARX MODELİ ile ELMA ÜRETİM MİKTARININ ÖNGÖRÜLMESİ. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi(42), 1-29.

.