Tarımda makine öğrenmesi algoritmalarının uygulamaları
Applications of machine learning algorithms in agriculture
- Tez No: 778250
- Danışmanlar: PROF. DR. ABDULLAH YEŞİLOVA
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Zootekni Ana Bilim Dalı
- Bilim Dalı: Biyometri ve Genetik Bilim Dalı
- Sayfa Sayısı: 105
Özet
Bu çalışmada bir tarım veri seti üzerinde yaygın olarak kullanılan makine öğrenmesi algoritmalarından en doğru tahmin üreten model tespiti yapılmıştır. Tespit edilen model ile tarımsal ürünlerin toprak çeşitleri için daha verimli ürün seçimi veya alternatif yetiştirilebilecek tarım ürünleri konusunda kullanıcıya tavsiye veren bir tahminleme yazılımı yapılmıştır. Topraktaki azot, potasyum, fosfor, nem, ph, sıcaklık ortalaması, yağış miktarı ortalaması gibi özellikleri içeren 22 farklı tarım ürününün bulunduğu açık kaynak lisanslı bir veri seti kullanılmıştır. Sınıflama işlemini Orange yazılımı kullanarak destek vektör makineleri, naive bayes sınıflandırıcı, karar ağaçları, adaboost, olasılıksal dereceli azalma, lojistik regresyon, çok katmanlı algılayıcı, k-en yakın komşu ve rastgele orman algoritmaları modellenmiştir. Bu dokuz farklı modelin Orange yazılımı kullanılarak eğitim ve test süresi, AUC değeri, doğruluk skoru, F1 skoru, kesinlik değerleri, hassasiyet değerleri, kayıp oranları ve özgüllük değerleri hesaplanmıştır. Bu sonuçlara göre rastgele orman en iyi model olarak tespit edilmiştir. Rastgele orman modelinde %99.5 doğruluk oranı, F1 skoru 0.995, AUC değeri 1.000, kesinlik değeri 0.995, hassasiyet değeri 0.995, özgüllük değeri olarak rastgele orman 1.000 en başarılı algoritma olarak tespit edilmiştir. Buna karşın Naive bayes modeli en kısa sürede sınıflama işlemini yapan model olarak saptanmıştır. Kayıp oranı olarak en az skor 0.048 ile lojistik regresyon modelinde tespit edilmiştir. Tarımsal faaliyetlerle ilgilenenlerin veya araştırmacıların kullanabileceği python dili ve kütüphaneleri kullanılarak rastgele orman modeli ile basit bir ara yüze sahip ürün tahminleme uygulaması yazılmıştır.
Özet (Çeviri)
In this study, the model that produces the most accurate prediction from the widely used machine learning algorithms on an agricultural data set was determined. With the determined model, a prediction software has been developed that advises the user on the selection of agricultural products more efficient for the soil types or on alternative agricultural products that can be grown. An open source licensed data set containing 22 different agricultural products, including properties such as nitrogen, potassium, phosphorus, moisture, pH, average temperature, average precipitation in the soil, was used. Support vector machines, naive bayes classifier, logistic regression, decision trees, adaboost, stochastic gradient descent, multilayer perceptron, k-nearest neighbor and random forest algorithms were modeled using Orange software. Training and testing time, AUC value, accuracy score, F1 score, precision values, sensitivity values, loss rates and specificity values were calculated using Orange software of these nine different models. According to these results, random forest was determined as the best model. In the random forest model, 99.5% accuracy rate, F1 score 0.995, AUC value 1.000, precision value 0.995, sensitivity value 0.995, random forest 1.000 as specificity value were determined as the most successful algorithm. On the other hand, the naive bayes model was determined as the model that performs the classification process in the shortest time. The least score as the loss rate was determined in the logistic regression model with 0.048. A product prediction application with a simple interface was written with the random forest model using the python language and libraries that can be used by those interested in agricultural activities or researchers.
Benzer Tezler
- Random forest classification of tomato fields with planet satellite image data and accuracy assessment
Planet uydu görüntü verileriyle yüksek doğruluklu domates ürün tipi sınıflandırmasında rastgele orman sınıflandırma yönteminin kullanımı ve doğruluk analizi
BETÜL ŞALLI
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Topraktaki organik madde analizi için mobil ve akıllı bir sistem tasarımı
Design of a mobile and smart system to analyse organic matter of soil
YASİN ASLAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN GÖKTAŞ
- Radyo frekansı sinyalleri ile insansız hava araçlarının makine öğrenmesi temelli tespit edilmesi
Machine learning-based detection of unmanned aerial vehicles with radio frequency signals
EMEL OKKALI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM KÜÇÜK
- Çevresel koşulların sığırlarda süt verimi üzerine etkisinin makine öğrenme modelleri ile araştırılması
Evaluation of the impact of environmental conditions on dairy cattle milk yield using machine learning algorithms
HAKAN DUMAN
Doktora
Türkçe
2023
BiyoistatistikIğdır ÜniversitesiTarım Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET KAZIM KARA
DR. ÖĞR. ÜYESİ ONUR ŞAHİN
- Bitki hastalıklarının tespitinde geleneksel makine öğrenmesi ve derin öğrenme yöntemlerinin başarım karşılaştırması
Performance comparison of traditional machine learning and deep learning methods in plant disease detection
MUSA ÇETİNKAYA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT ÇİĞDEM TURHAL