Toprakların Agregat Stabilitesi Değerlerinin Yapay Sinir Ağları ile Tahminlenmesi

Öz

Tarım alanında yürütülen çalışmalarda tahminleme mühendisliği günümüzde önemli bir noktaya gelmiş ve tahminlemede yapay sinir ağlarının (YSA) kullanımı giderek yaygınlaşmıştır. Bu çalışmada, Kahramanmaraş Sütçü İmam Üniversitesi, Avşar Yerleşkesi’nde bulunan pilot alanda yer alan toprakların, mevsime bağlı olarak değişim gösteren ıslak agregat stabilitesi (WAS) değerlerinin YSA kullanılarak tahminlenebilirliği araştırılmıştır. İstatistiksel değerlendirmelerin sonuçlarına dayanılarak seçilen toprak özellikleri bağımsız değişkenler olarak kullanılmış ve WAS’ı tahminleyen YSA’lar geliştirilmiştir. Ağ eğitiminde on iki farklı öğrenme algoritması kullanılarak gerçeğe en yakın WAS değerlerine ulaşılmaya çalışılmıştır. Eğitimde kullanılan bu farklı geri yayılım algoritmalarının performansları determinasyon katsayısı (R2), hata kareler ortalamasının karekökü (RMSE) ve ortalama mutlak hata yüzdesi (MAPE) kriterleri yardımıyla değerlendirilmiştir. Farklı algoritmaların eğitimi yoluyla oluşturulan YSA’ların R2 değerleri 0.55-0.99, RMSE değerlerinin % 2.12-11.33 ve MAPE’nin ise % 3.55-20 aralıklarında değişim göstermiştir. Geliştirilen YSA’lar WAS’ı tahminleme gücü bakımından R2 ölçütü esas alınarak birbirleri ile karşılaştırıldığında, BFGS (BFGS Quasi-Newton geri yayılım algoritması) algoritması ile eğitilen ağ hariç bütün ağların R2 değerleri 0.97 ve üzerinde bulunmuştur. Diğer taraftan, oluşturulan YSA’lar RMSE kriterine göre değerlendirildiğinde en başarılı ağın esnek geri yayılım algoritması (RP) (% 2.12) ile eğitilen ağ ve en başarısız ağın BFGS (% 11.33) algortiması ile geliştirilen ağ olduğu sonucuna ulaşılmıştır. MAPE göstergesi dikkate alındığında ise, tahminleme gücü en yüksek ağ tek adım sekand geri yayılım algoritması (OSS) (% 3.55) ile eğitilen YSA ve tahminleme gücü en düşük ağ BFGS algoritması (% 20) ile eğitilen YSA olmuştur. Elde edilen bulgular, YSA’ların doğru eğitim algoritması kullanılarak oluşturulduklarında WAS’ı tahminlemede kullanılabileceğine işaret etmektedir.

Anahtar Kelimeler

• Yapay sinir ağları,toprak,ıslak agregat stabilitesi

Öz

In studies conducted in the field of agriculture forecasting engineering today has come to an important point and forecasting of artificial neural networks (ANN) use has become wide spread. In this study, wet aggregate stability (WAS) depending on the seasonal variation has been investigated whether it can be estimated or not using ANN pilot area soils located in, Avşar Campus of Kahramanmaraş Sütçü İmam University. Selected based on the results of the statistical evaluation of soil properties were used as independent variables and predictive ANN’s have been developed to WAS. In Network training WAS values that are the closest to the actual have tried to reach by using twelve different learning algorithms. Used in the training of these different Back-propagation algorithms’ performances were evaluated using coefficient of determination (R2), the square root of the mean square error (RMSE) and mean absolute percentage error (MAPE). R2 values 0.55-0.99, RMSE values 2.12-11.33 % and MAPE values 3.55-20% of the created ANNs through education different algorithms has changed in the ranges. ANNs was developed when R2 was compared with each other on the basis of criteria networks in terms of estimation power to WAS, R2 values were found above 0.97 of BFGS algorithm with the exception of trained network of all. On the other hand, created ANNs when evaluated according to the criteria of the RMSE has been reached to result that most successful network was developed network with RP's algorithm (12.2%) and the most failed network was developed network with BFGS (11.33%) algorithm. Considering the MAPE indication of the forecasting power, the highest network with OSS algorithm (3.55%) the trained with ANN and forecasting power has been the lowest trained ANN with BFGS algorithm (20%). The results obtained indicate that when ANN was created using the correct training algorithm can be used in the estimation WAS

Anahtar Kelimeler

• Artificial neural networks,soil,wet aggregate stability

Kaynakça

1. Arifoğlu U., 2012. Matlab 7.14 Simulink-Mühendislik Uygulamalar, ISBN:6051066202, Alfa Yayınları.
2. Arslan A., İnce R., 1996. The neural network approximation to the size effect in fracture of cemetitious materials, Engineering Fracture Mechanics, 54(2): 249-261.
3. Bayraklı F., 1987. Toprak ve Bitki Analizleri, Ondokuz Mayıs Üniversitesi Yayınları, Yayın No: 17, Samsun.
4. Brikundavyi S., Labib, R. Trung H. T. and Rousselle J., 2002. Performance of neural networks in daily streamflow forecasting. Journal of Hydrologic Engineering. 7 (5): 392–398.
5. Bronick C.J., Lal R., 2005. Soil structure and management: a review, Geoderma, 124: 3-22.
6. Bryan, R.B., 1976. Considerations on soil erodibility indices and sheetwash, Catena 3: 99-111.
7. Candemir, F., Gülser, C., 2012. Influencing factors and prediction of hydraulic conductivity in fine-textured alkaline soils. Arid Land Research and Management, 26(1): 15-31.
8. Cigizoglu H.K., 2003. Estimation, Forecasting and Extrapolation of Flow Data by Artificial Neural Networks, Hydrological Sciences Journal, 48(3): 349-361.

9. Demiralay İ., 1993. Toprak Fiziksel Analizleri, Atatürk Üniv. Zir. Fak. Yayınları, No: 143, Erzurum.
10. Edwards L.M., 1991. The effect of alternate freezing and thawing on aggregate stability and aggregate size distribution of some prince Edward Island soils, J. Soil Sci., 42: 193-204.
11. Effatı M., Bahramı H. A., Darvıshı B. A. and Azızı R., 2013. Assessment andmappıng of soil particle size distribution using satellite images analysis and artificial neural networks in Hur Al-Azım Lagoon, Iran, International Journal of Agriculture: Research and Review. 3(1): 44-55.
12. Ekici B.B., Aksoy U.T., 1993. Prediction of building energy consumption by using artificial neural networks, Advances in Engineering Software, 40: 356-362.
13. Jain A., Indurthy S.K.V.P., 2003. Comparative analysis of event-based rainfall-runoff modeling techniques deterministic, statistical, and artificial neural networks, Journal of Hydrologic Engineering, 8(2): 93-98.
14. Kacar B., 1994. Bitki ve Toprağın Kimyasal Analizleri. Toprak Analizleri III. Ankara Üniv. Zir. Fak. Yayınları, Eğitim Araştırma ve Geliştirme Fonu, No: 3, Ankara.
15. Karabulut M., Cosun F., 2009. Precipitation trend analyses in Kahramanmaras, Journal of Geographical Science, 7(1): 61-83.
16. Karagöktaş D., 2014. Kahramanmaraş Sütçü İmam Üniversitesi Avşar Yerleşkesi İçerisinde Pilot Alanda Yayılım Gösteren Toprakların Erozyona Duyarlılıklarının Belirlenmesi, Yüksek Lisans Tezi. Kahramanmaraş Sütçü İmam Üniversitesi, Fen Bilimleri Enstitüsü, Toprak Bilimi ve Bitki Besleme Anabilim Dalı, Kahramanmaraş.
17. Kemper W.D., Rosenau R.C., 1986. Aggregate stability and size distribution, in Klute, A. (ed.): Methods of Soil Analysis: Part I. 2nd edn., ASA, Madison, WI, USA, pp. 425-442.
18. Kisi O., 2004. River flow modeling using artificial neural networks. Journal of Hydrologic Engineering, 9(1): 60- 63.
19. Klute A., 1986. Water retention: Laboratory methods, in Klute A. (ed.): Methods of Soil Analysis Part I. 2nd edn., Agron. Monogr. No 9, ASA, Madison, WI, USA, pp. 635-662.
20. Lake H.R., Akbarzadeh A. and Mehjardi R.T., 2009. Development of pedo transfer functions (ptfs) to predict soil physic-chemical and hydrological characteristics in southern coastal zones of The Caspian sea., J. Ecology and the Natural Environment 1(7): 160-172.
21. Lal R., 1988. Soil Erosion Research Methods. Soil and Water Conservation Society, p, 141-153.
22. Lehrsch G.A., Sojka, R.E., Carter, C.L. and Jolley P.M., 1991. Freezing effects on aggregate stability affected by texture, mineralogy and organic matter. Soil Sci. Soc. of Amer. J., 55 : 1401-1406.
23. Lewis C.D., 1982. Industrial and Business Forecasting Methods. Londra: Butterworths Publishing. 40p.
24. McBratney A.B., Odeh I.O.A., Bishop T.F.A., Dunbar M.S., Shatar T.M., 2000. An overview of pedometric techniques for use in soil survey. Geoderma 97, 293-327.
25. Özdemir, N., 1991. Toprağa Karıştırılan Organik Artıkların Toprağın Bazı Özellikleri ile Strüktürel Dayanıklılık ve Erozyona karsı Duyarlılığı Üzerine Etkileri, Doktora Tezi. Atatürk Üniv. Fen Bilimleri Enstitüsü, Erzurum.
26. Rasiah V., Kay B. D., 1994. Characterizing the changes in aggregate stability subsequent to the introduction of forages, Soil Sci. Soc. Am. J., 58:935-942.
27. Sağıroğlu Ş., Beşdok E., Erler M., 2003. Mühendislikte Yapay Zeka uygulamaları I : Yapay Sinir ağları, ISBN: 975-95948-5-4, Ufuk Yayıncılık, Kayseri.
28. Shalmani A.A., Shahrestani M.S., Asadi H., Bagheri F., 2010. Comparison of regression pedotransfer functions and artificial neural networks for soil aggregate stability simulation. 19th Wold Congress of Soil Science, Soil Solutions for a Changing World. 1-6 August, Brisbane, Australia.
29. Six J., Elliott E.T., Paustian K. 2004. Soil macroaggregate turnover and microaggregate formation: a mechanism for c sequestration under no-tillage agriculture. Soil Biology and Biochemistry, 32(14), 2099-2103.
30. Şenoğlu B., Acıtaş Ş., 2014. İstatistiksel Deney Tasarımı Sabit Etkili Modeller, ISBN:6051330433, Nobel Yayın Dağıtım.
31. Turhan C., Gökçen G., 2013. Kazanasmaz T., Yapay sinir ağları ile İzmir'deki çok katlı binaların toplam enerji tüketimlerinin tahmin edilmesi, Tesisat Mühendisliği, 134: 61-68.
32. Williams W.A., Jones M.B., Demment M.W., 1990. A concise table for path analysis statistics. Agronomy Journal, 82: 1022-1029.
33. Witt S.F., Witt C.A., 1992. Modeling and Forecasting Demand in Tourism. Londra: Academic Press.
34. Yoder R.E. 1936. A direct method of aggregate analysis and a study of the physical nature of erosion losses, J. Am. Soc. Agron. 28: 337-351.
35. Yurtsever, N., 1984. Deneysel İstatistik Metotları. Köy Hizmetleri Genel Müdürlüğü Yayınları, Genel Yayın No:121, Ankara.
36. Zhaoa Z., Chowb T.L., Reesb H.W., Yanga Q., Xingb Z., Menga F.R., 2009. Predict soil texture distributions using an artificial neural network model. Computers and Electronics in Agriculture, 65, 36-48.