Toprakların agregat stabilitesi değerlerinin yapay sinir ağları ile tahminlenmesi
Predicting of soil aggregate stability values using artificial neural networks
- Tez No: 374627
- Danışmanlar: YRD. DOÇ. DR. TUĞRUL YAKUPOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Artificial neural networks, Erodibility, Soil, Wet aggregate stability
- Yıl: 2014
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
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, mevsime bağlı olarak değişim gösteren agregat stabilitesinin (WAS) YSA kullanılarak tahminlenip tahminlenemeyeceği 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 değerlerinin 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 RP (Esnek geri yayılım algoritması) algoritması (% 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 OSS (Tek adım sekand geri yayılım algoritması) algoritması (% 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 : Aşınabilirlik, Islak agregat stabilitesi, Toprak, Yapay sinir ağları
Özet (Çeviri)
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, Kahramanmaras Sutcu Imam University, Avsar Campus in the pilot areas, vary depending on the season of aggregate stability (WAS) has investigated whether ANN can be estimated using. Selected based on the results of the statistical evaluation of soil properties was used as independent variables and predictive ANN's have been developed to WAS. In Network training WAS values that is closest to the actual have tried to reach by using twelve different learning algorithm. 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 is 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 is developed network with RP's algorithm (12.2%) and the most failed network network is 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.
Benzer Tezler
- Katyon değişim kapasitesi tayininde makine öğrenim modellerinin karşılaştırılmalı değerlendirilmesi
Comparative evaluation of machine learning models for cation exchange capacity estimation
ÖMER TAŞ
Yüksek Lisans
Türkçe
2024
ZiraatSiirt ÜniversitesiTarımsal Biyoteknoloji Ana Bilim Dalı
DOÇ. DR. MESUT BUDAK
DOÇ. DR. YASEMİN BEKTAŞ
- Kazova'da ayçiçeği tarımında toprak sıkışması
Soil compaction in sunflower cultivation of Kazova
İBRAHİM AVCI
Yüksek Lisans
Türkçe
2019
ZiraatTokat Gaziosmanpaşa ÜniversitesiBiyosistem Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN ÖZGÖZ
- Doğu akdeniz bölgesinde yer alan sulak alanlarda oluşan toprakların özellikleri, verimlilik düzeyleri ve sorunları
Soil characteristics, efficiency levels and problems of wetlands in the eastern mediterranean region
AHU ALEV ABACI BAYAN
Doktora
Türkçe
2016
Ormancılık ve Orman MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. KADİR YILMAZ
- Topraklarda farklı malç miktarlarının toprak özellikleri ile birlikte sıçrama kayıplarına etkisi
Başlık çevirisi yok
CEVDET KÖSE