Katyon değişim kapasitesi tayininde makine öğrenim modellerinin karşılaştırılmalı değerlendirilmesi
Comparative evaluation of machine learning models for cation exchange capacity estimation
- Tez No: 866169
- Danışmanlar: DOÇ. DR. MESUT BUDAK, DOÇ. DR. YASEMİN BEKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Tarımsal Biyoteknoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 53
Özet
Toprak verimliliğinin en tanımlayıcı göstergelerinden biri olan katyon değişim kapasitesi (KDK), bir toprak veri tabanı için en önemli toprak özelliklerinden biridir. Ancak geleneksel laboratuvar yöntemleri ile belirlenmesi fazla zaman, işgücü ve maliyet gerektirdiğinden birçok çalışmanın veri setine dâhil edilmemektedir. Bu çalışmanın amacı, yapay zekâ modelleri yardımı ile düşük maliyetli bazı toprak özelliklerini kullanarak KDK değerlerinin tahmin edilmesidir. Çalışmada, Çok Katmanlı Algılayıcılı Yapay Sinir Ağı (MLP-YSA), Adaptif Nöro-Bulanık Çıkarım Sistemi (ANFIS) ve Rasgele Orman Regresyon (Random Forest (RF) modelleri kullanılmıştır. Bunun için farklı ana materyal ve arazi kullanımlarının bulunduğu Yüksekova ovasında 232 noktada 0-20 cm derinlikten toprak örnekleri alınmıştır. Toprak örneklerinin KDK değerleri, kil, silt, kum, organik madde (OM) ve kireç içerikleri, agregat stabilitesi (AS), elektriksel iletkenlik (EC) ve toprak reaksiyonu (pH) belirlenmiştir. Çalışma alanında ana materyal ve arazi kullanımlarının yanısıra toprak özelliklerine bağlı olarak değişkenlik gösteren KDK değerleri, 8,96 meq 100 g-1 ile 76,25 meq 100 g-1 arasında değişmekte olup ortalama 27,85 meq 100 g-1'dir. Toprakların KDK değerleri ile olan korelasyonu dikkate alınarak kil, kum, AS, OM, kireç ve EC, KDK tahminlerinde değişken olarak kullanılmıştır. Modellerin tahminlerinin değerlendirilmesi için ortalama hataların karekökü (RMSE), ortalama mutlak hata (MAE) ve regresyon katsayısı (R2) hesaplanmıştır. Her üç modelin KDK tahmin performansı, birbirine yakın olup en iyi tahmin sırası ile ANFIS modeli (R2: 0,86, MAE: 1,36 ve RMSE:4,82) ile elde edilmiş, bunu sırası ile MLP-YSA (R2: 0,77, MAE: 5,47 ve RMSE: 5,96) ve RF (R2: 0,75 MAE: 4,41 ve RMSE: 5,89) takip etmiştir. Çalışma bulguları, çalışmada kullanılan her üç yapay zekâ modeli ile çalışma alanı topraklarının KDK değerlerinin başarılı bir şekilde tahmin edilebileceğini ortaya koymuştur.
Özet (Çeviri)
Cation exchange capacity (CEC) is a crucial indicator of soil fertility and a key parameter for soil databases. However, traditional laboratory methods for CEC determination are time-consuming, labor-intensive, and expensive, limiting their inclusion in many studies. This study aims to employ machine learning models to estimate CEC using low-cost soil properties. The study utilized three machine learning models: Multilayer Perceptron Artificial Neural Network (MLP-ANN), Adaptive Neuro-Fuzzy Inference System (ANFIS), and Random Forest (RF) regression. Soil samples were collected from 232 points at 0-20 cm depth in the Yüksekova plain, representing diverse parent materials and land uses. The CEC values, clay, silt, sand, organic matter (OM) and lime contents, aggregate stability (AS), electrical conductivity (EC), and pH of soil samples were determined. The CEC values, which vary depending on parent material and land use as well as soil properties, ranged from 8,96 meq 100 g-1 to 76,25 meq 100 g-1 with an average of 27,85 meq 100 g-1. Considering the correlation between soil CEC values and soil properties, clay, sand, AS, OM, lime, and EC were used as variables for CEC prediction. The performance of the models was evaluated using three metrics: root mean square error (RMSE), mean absolute error (MAE), and regression coefficient (R2). All three models demonstrated promising CEC prediction performance. ANFIS emerged as the superior model with an R2 value of 0.86, MAE of 1,36, and RMSE of 4,82. MLP-ANN and RF followed with R2 values of 0,77 and 0,75, MAE values of 5,47 and 4,41, and RMSE values of 5,96 and 5,89, respectively. The findings of the study demonstrate that the CEC values of the soils in the study area can be successfully predicted using all three machine learning models used in the study.
Benzer Tezler
- Toprak özelliklerinin tahmini ve mesafeye bağlı değişkenliğinin haritalanmasında, farklı enterpolasyon yöntemleri ve makine öğreniminin kullanımı
The use of different interpolation methods and machine learning in the estimation of soil properties and mapping of spatial variability
OSMAN ABAKAY
Yüksek Lisans
Türkçe
2023
ZiraatHarran ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. HİKMET GÜNAL
- Arazi kullanım/arazi örtüsü değişikliğinin modellenmesi ve toprak özellikleri üzerine etkilerinin incelenmesi: Adıyaman, Besni ilçesi örneği
Modeling of land use/land cover change and effects on soil properties: A case study of Adıyaman, Besni
MİRAÇ KILIÇ
Doktora
Türkçe
2023
ZiraatHarran ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. RECEP GÜNDOĞAN
- Isparta yöresi elma bahçelerindeki toprakların bitkiye yarayışlı fosforun belirlenmesinde değişik ekstraksiyon yöntemlerinin araştırılması
Investigation of the various extraction methods to determine useful phosphorus for the plants in apple production area of Isparta region
İLKNUR YURDAKUL
Yüksek Lisans
Türkçe
2003
ZiraatSüleyman Demirel ÜniversitesiToprak Ana Bilim Dalı
PROF. DR. ORHAN AYDEMİR
- Toprak özelliklerinin tahmininde jeoistatistiksel ve spektroradyometrik yöntemlerin karşılaştırılması
Comparison of geoistatistic and spectroradiometric methods for estimation of soil properties
FATMA KAPLAN
Yüksek Lisans
Türkçe
2020
ZiraatHarran ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. ALİ VOLKAN BİLGİLİ