Geri Dön

Toprak kalitesinin yapay sinir ağları ile değerlendirilmesi: Bingöl Solhan Ovası örneği

Evaluation of soil quality with artificial neural networks thecase of Bingöl Solhan Plain

PDF İndir

  1. Tez No: 949250
  2. Yazar: VEYSEL ALP
  3. Danışmanlar: PROF. DR. SALİH AYDEMİR
  4. Tez Türü: Doktora
  5. Konular: Ziraat, Agriculture
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Harran Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 115

Özet

Bu araştırmada, Bingöl Solhan Ovası'nda bazı toprak özelliklerinin modellenmesi amacıyla, ArcGIS 10.8 yazılımıyla 300 m x 300 m aralıklı gridler kullanılarak 85 noktadan 0-30 cm derinlikteki toprak örnekleri alınmış ve uzman görüşüyle belirlenen toprak kalite parametreleriyle ovanın genel toprak kalitesi modellenmiştir. Toprak numunelerinin fiziksel, kimyasal ve biyolojik analizleri yapılmış, her parametre normalize edilerek SMAF modeli ve eklemeli indeks yöntemiyle toprak kalite indeksi hesaplanmıştır. Sonuçlara göre; fiziksel kalite (ortalama 60 skor)“orta”, kimyasal (54 skor) ve biyolojik (48 skor) kalite“düşük”, genel toprak kalitesi ise (56 skor)“orta”olarak sınıflandırılmıştır. Toprakların işlevselliği için fiziksel, kimyasal ve biyolojik kalitenin iyileştirilmesi gereklidir. Bu da uygun arazi yönetimi ve amenajman sistemlerine bağlıdır. Kötü uygulamalar, zaten zayıf olan özellikleri daha da bozabilir. Çalışmada, SMAF modelinin toprak kalitesi değerlendirmede etkili bir araç olduğu ve çiftçiler/arazi yöneticileri için sürdürülebilir kararlar almayı kolaylaştırdığı belirlenmiştir. Araştırmanın ikinci aşamasında, toprak özellikleri yapay sinir ağları (YSA) ile tahmin edilmiştir. Levenberg-Marquardt (LM), Scaled Conjugate Gradient (SCG) ve Bayesian Düzenleme (BR) algoritmaları kullanılarak hiperparametreler optimize edilmiştir. %70 eğitim, %15 test ve %15 doğrulama verisiyle, 0-30 nöronlu çift gizli katmanlı ağ yapıları test edilmiştir. LM algoritması tüm tahminlerde en iyi performansı göstermiştir: Değişebilir katyon yüzdesi (%85 doğruluk, 1.705 MAE, 2.255 RMSE), katyon değişim kapasitesi (%73 doğruluk, 0.439 MAE, 0.533 RMSE), tarla kapasitesi (%97 doğruluk, 0.560 MAE, 1.012 RMSE) ve solma noktası (%99 doğruluk, 0.003 MAE, 0.004 RMSE). LM, tüm modellerde en yüksek R² ve en düşük hata değerlerini sağlamıştır. Böylece, maliyetli ve uzmanlık gerektiren toprak parametreleri yüksek doğrulukla tahmin edilebileceği kanıtlanmıştır.

Özet (Çeviri)

In this study, in order to model some soil properties in Bingöl Solhan Plain, soil samples at 0-30 cm depth were taken from 85 points using 300 m x 300 m spaced grids with ArcGIS 10.8 software and the general soil quality of the plain was modeled with soil quality parameters determined by expert opinion. Physical, chemical and biological analyses of soil samples were carried out and each parameter was normalized and soil quality index was calculated using SMAF model and additive index method. According to the results; physical quality (average score of 60) was classified as“medium”, chemical (score of 54) and biological (score of 48) quality as 'low' and overall soil quality (score of 56) as“medium”. Improvement of physical, chemical and biological quality is necessary for the functionality of soils. This depends on appropriate land management and management systems. Poor practices can further degrade already poor properties. The study found that the SMAF model is an effective tool for soil quality assessment and facilitates sustainable decision making for farmers/land managers. In the second stage of the research, soil properties were estimated by artificial neural networks (ANN). Levenberg-Marquardt (LM), Scaled Conjugate Gradient (SCG) and Bayesian Regularization (BR) algorithms were used to optimize the hyperparameters. Double hidden layer networks with 0-30 neurons were tested with 70% training, 15% testing and 15% validation data. The LM algorithm showed the best performance in all predictions: Percent exchangeable cation (85% accuracy, 1.705 MAE, 2.255 RMSE), cation exchange capacity (73% accuracy, 0.439 MAE, 0.533 RMSE), field capacity (97% accuracy, 0.560 MAE, 1.012 RMSE) and wilting point (99% accuracy, 0.003 MAE, 0.004 RMSE). LM provided the highest R² and lowest error values in all models. Thus, it was proved that costly and specialized soil parameters can be estimated with high accuracy.

Benzer Tezler

  1. Tez No

    967545

    Türkiye'nin samsun ili'nde farklı arazi kullanım türlerine göre toprak kalitesindeki değişimlerin değerlendirilmesi: Sürdürülebilir toprak yönetimi için etkileri

    Evaluating soil quality changes across different land use types in Samsun province, Turkey: Implications for sustainable soil management

    DIKSHYA POUDEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    ZiraatOndokuz Mayıs Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    PROF. DR. ORHAN DENGİZ

    PROF. DR. IVAN MANOLOV

  2. Tez No

    564116

    İstanbul 2023 yılı arazi örtüsü/kullanım tahmininin yapay sinir ağları ve mantıksal regresyon metotları ile modellenmesi

    Modeling land use/cover prediction of istanbulfor 2023 with methods of artificial neuralnetworks and logistic regression

    CEMRE FAZİLET ALDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UĞUR ALGANCI

  3. Tez No

    100717

    Turizmin çevresel etkilerinin değerlendirilmesi ve çevre duyarlı sürdürülebilir turizm modeli

    Environmental impact assesment of tourism and environment sensitive sustainable tourism model

    FUAT GÜNDÜZ

    Doktora

    Türkçe

    Türkçe

    1999

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    DOÇ.DR. GÜLDEN ERKUT

  4. Tez No

    863444

    Makine öğrenimi algoritmaları kullanılarak Erzurum ili için kirletici madde tahmini

    Pollutant prediction for Erzurum province using machine learning algorithms

    CEVAHİR DURAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN TOROS

  5. Tez No

    920832

    Data driven optimization of structural and dynamical properties of parts manufactured via selective laser melting process using machine learning and finite element analysis methods

    Seçici lazer ergitme prosesi ile üretilen parçaların yapısal ve dinamik özelliklerinin makine öğrenmesi ve sonlu elemanlar analizi yöntemleri kullanılarak veri odaklı optimizasyonu

    CAN BARIŞ TOPRAK

    Doktora

    İngilizce

    İngilizce

    2024

    Makine MühendisliğiHacettepe Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. CAN ULAŞ DOĞRUER

Geri Dön