Makine öğrenmesi ile nohutta verim ve tür tahmini
Chickpea yield and species prediction with machine learning
- Tez No: 777712
- Danışmanlar: DR. ÖĞR. ÜYESİ KERİM KARADAĞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Doğruluk, Makine öğrenmesi, Nohut, Sınıflandırma, Verim, Accuracy, Machine learning, Chickpea, Classification, Yield
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tarım sektöründe üretimin artışı; ekilebilen tarım alanlarının genişletilmesi bakımın, sulamanın uygun yöntemlerle zamanında yapılması ve uygun tohum türlerinin secimi gibi parametrelere bağlıdır. Artmakta olan insan nüfusuna sağlıklı ve yeterli gıda üretilebilmesi için tarım alanları yetersiz kalmaktadır. Sağlıklı ve yeterli gıda ihtiyacının karşılanabilmesi için birim alandan sağlıklı ve çok ürün elde etmenin gerektiği anlaşılmıştır. Verimliği artırmanın ön koşulu ise uygun tohum türlerin seçilmesi olduğu görülmüştür. Yapılan bu çalışma iki aşamada gerçekleşmiştir. Birinci aşamada nohut bitkisine ait özelliklerden makine öğrenme yöntemleri ile sınıflandırma işlemi yapılarak nohut tür tahmini yapıldı ikinci aşamada türlere ait verim değerleri regresyon yöntemi ile tahmin edilmiştir. Verilerin test ve eğitim için ayrıştırılmasında çapraz doğrulama 5 ve %50 eğitim %50 test şeklinde gerçekleşmiştir. Makine öğrenmesi sınıflandırma yöntemlerinden karar ağaçları (KA), destek vektör makineleri (DVM) ve k en yakın komşuluk (KNN) yöntemleri uygun görülmüş ve kullanılmıştır. Başarı ölçütü olarak doğruluk kullanılmıştır. Ham veri seti, ham + sentetik veri seti ve sadece sentetik veri setinden oluşan üç sınıfta işlem yapılmıştır. Elde edilen sonuçların başarı oranları karşılaştırıldığında yalnızca ham veriler kullanılarak yapılan sınıflandırmada en yüksek başarı oranı %90.6 doğruluk oranı ile DVM olmuştur. Aynı şekilde ham veriler ile birlikte oluşturulan sentetik verilerin kullanıldığı veri setinin sınıflandırma başarı oranı en yüksek %100 doğruluk oranı ile KA olmuştur. Sadece sentetik verilerden oluşan veri seti kullanıldığında sınıflandırmada en yüksek başarı oranı %95.4 doğruluk oranı ile KNN olmuştur. Başarı performanslarının yüksek olması makine öğrenme yöntemlerinin bu alanda kullanılabileceğini göstermiştir.
Özet (Çeviri)
Increase in production in the agricultural sector; The expansion of cultivated agricultural areas depends on parameters such as timely maintenance, irrigation with appropriate methods and selection of appropriate seed types. Agricultural areas are insufficient to produce healthy and sufficient food for the increasing human population. It has been understood that in order to meet the need for healthy and sufficient food, it is necessary to obtain healthy and many products from the unit area. It has been seen that the prerequisite for increasing productivity is the selection of suitable seed species. This study was carried out in two stages. In the first stage, chickpea species were estimated by classifying the characteristics of the chickpea plant with machine learning methods, and in the second stage, the yield values of the species were estimated by regression method. In the separation of the data for testing and training, cross validation was 5 and 50% training was 50% testing. Decision trees (CA), support vector machines (SVM) and k nearest neighbor (KNN) methods from machine learning classification methods were found suitable and used. Accuracy was used as a measure of success. Three classes of raw data set, raw + synthetic data set and only synthetic data set were processed. When the success rates of the results obtained were compared, the highest success rate in the classification using only raw data was SVM with an accuracy rate of 90.6%. Likewise, the classification success rate of the dataset, in which synthetic data created together with the raw data, was used, was KA with the highest 100% accuracy rate. When the dataset consisting of only synthetic data was used, the highest success rate in classification was KNN with an accuracy rate of 95.4%. The high success performances have shown that machine learning methods can be used in this field.
Benzer Tezler
- Makine öğrenmesi ile Türkçe haber metinlerinde anahtar ifade çıkarımı
Keyphrase extraction for Turkish news text with machine learning methods
MUSTAFA ÇETİNGÖZ
- Makine öğrenmesi ile uzaktan eğitim öğrencilerinin performanslarının değerlendirilmesi
Evaluating distance learning students' performance by machine learning
OSMAN YILDIZ
- Makine öğrenmesi ile gerçek zamanlı videodan yüz ifadesi analizi
Facial expression recognition with machine learning in real-time video
MUHAMMET BEKİR DABANOĞLU
Yüksek Lisans
Türkçe
2018
Karadeniz Teknik Üniversitesiİstatistik ve Bilgisayar Bilimleri Ana Bilim Dalı
Yükleniyor...
- Makine öğrenmesi ile hiperspektral görüntü sınıflandırma
Hyperspectral image classification with machine learning
FATİH MEHMET TEKCAN
- Makine öğrenmesi ile FOREX piyasalarında alım satım kararları uygulaması
Trading decisions application with machine learning in FOREX markets
EFE UZEL