Dalgacık Bulanık Zaman Serisi Yöntemi ve Gri Tahmin Yöntemi ile Türkiye Buğday Verimi Tahmini

Yıl 2020, , 246 - 252, 31.10.2020

Eyyup Ensar Başakın , Ömer Ekmekcioğlu , Mehmet Özger , Anıl Çelik

https://doi.org/10.19159/tutad.685342

Cited By: 5

Öz

Bu çalışmada Türkiye’nin 1946-2018 yıllarına ait buğday verim değerlerinin analizi yapılmıştır. Elde edilen 73 yıllık buğday verim değerleri (kg da-1) literatürde son yıllarda sıklıkla kullanılan iki adet matematiksel yöntem ile analiz edilmiştir. Zaman serisi alanında kullanılan Bulanık Zaman Serileri (BZS) ve Gri Tahmin (GT) algoritmaları bu çalışmada kullanılan iki analiz yöntemidir. Ayrıca bu modellere ek olarak zaman serisi önişlem yöntemlerinden olan Ayrık Dalgacık Dönüştürme (ADD) tekniği kullanılarak BZS yöntemi ile hibrit bir model oluşturulmuştur. Analiz aşamasında 53 adet yıllık buğday verim değeri modellerin eğitilmesinde, 20 adet yıllık buğday verim değeri ise modellerin test edilmesinde kullanılmıştır. Modellerin istatistiksel olarak başarılı olup olmadıkları, hata kareleri ortalaması (HKO) ve verimlilik katsayısı (VK) başarı kriterleri ile test edilmiştir. Sonuçlar incelendiğinde, dalgacık bulanık zaman serisi (DBZS) modellerinin en yüksek VK değerine ve en düşük HKO değerine sahip olduğu görülmüştür. Tarım bilimleri alanında ilk kez kullanılan bu yöntem sayesinde daha isabetli kararların alınması öngörülmektedir. Ayrıca çalışma ile, oluşturulan hibrit modelin daha sonra geliştirilmesi adına diğer araştırmacılara ışık tutacağı düşünülmektedir.

Anahtar Kelimeler

buğday, verim, bulanık zaman serisi, dalgacık dönüşümü, gri tahmin

Kaynakça

• Akın, M., Eyduran, S., 2017. Zaman serisi analiz yöntemlerini kullanarak 2016-2025 dönemi Türkiye avokado üretiminin belirlenmesi. Yüzüncü Yıl Üniversitesi Tarım Bilimleri Dergisi, 27(2): 252-258.
• Altilar, D.T., Terliksiz, A.S., 2018. Comparison of statistical methods for predicting wheat yield trends in Turkey. 7th International Conference on Agro-Geoinformatics (Agro-geoinformatics), 6-9 August, Hangzhou, pp. 1-4.
• Altunkaynak, A., Kartal, E., 2019. Performance comparison of continuous Wavelet-Fuzzy and discrete Wavelet-Fuzzy models for water level predictions at northern and southern boundary of Bosphorus. Ocean Engineering, 186: 106097.
• Altunkaynak, A., Özger, M., 2016. Comparison of discrete and continuous wavelet -multilayer perceptron methods for daily precipitation prediction. Journal of Hydrologic Engineering, 21(7): 04016014.
• Anonim, 2019a. Bitkisel Üretim İstatistikleri. Türkiye İstatistik Kurumu, (http://www.tuik.gov.tr/Veri Bilgi.do?alt_id=45), (Erişim tarihi: 10.12.2019).
• Anonim, 2019b. Bitkisel Üretim İstatistikleri. Türkiye İstatistik Kurumu, (http://www.tmo.gov.tr/Main. aspx?ID=40), (Erişim tarihi: 10.12.2019).
• Başakın, E.E., 2018. Dalgacık bulanık zaman serisi yöntemi ile aylık akım tahmini. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
• Başakın, E.E., Özger, M., Ünal, N., 2019. Gri tahmin yöntemi ile İstanbul su tüketiminin modellenmesi. Politeknik Dergisi, 22(3): 755-761.
• Berk, A., Uçum, İ., 2019. Türkiye’nin nohut üretiminin ARIMA modeli ile tahmini. Journal of the Institute of Science and Technology, 9(4): 2284-2293.
• Cannas, B., Fanni, A., Sias, G., Tronci, S., Zedda, M.K., 2006. River flow forecasting using neural networks and wavelet analysis. Geophysical Research Abstracts, 7: 214-219.
• Chen, S.M., 1996. Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems, 81(3): 311-319.
• Deng, J.L., 1982. Control problems of grey systems. Systems & Control Letters, 1(5): 288-294.
• Mallat, S.G., 1989. A theory for multiresolution signal decomposition: The wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7): 674-693.
• Nash, J.E., Sutcliffe, J.V., 1970. River flow forecasting through conceptual models part I-A discussion of principles. Journal of Hydrology, 10(3): 282-290.
• Özer, O., İlkdoğan, U., 2013. Box-Jenkins modeli yardımıyla dünya pamuk fiyatının tahmini. Tekirdağ Ziraat Fakültesi Dergisi, 10(2): 13-20.
• Sattari, M.T., Pal, M., Yürekli, K., Ünlükara, A., 2013. M5 model trees and neural network based modelling of ET0 in Ankara, Turkey. Turkish Journal of Engineering and Environmental Sciences, 37: 211-219.
• Sattari, M.T., Yurekli, K., Pal, M., 2012. Performance evaluation of artificial neural network approaches in forecasting reservoir inflow. Applied Mathematical Modelling, 36(6): 2649-2657.
• Song, Q., Chissom, B.S., 1993. Fuzzy time series and its models. Fuzzy Sets and Systems, 54(3): 269-277.
• Yıldız, M., Atış, E., 2019. Türkiye organik incir ihraç fiyatının arma yöntemi ile tahmini. Tarım Ekonomisi Dergisi, 25(2): 141-147.
• Zadeh, L.A., 1965. Fuzzy sets. Information and Control, 8(3): 338-353.