Yapay zeka yöntemleri kullanılarak türkiye ölçeğinde buğday verimi tahmini
Wheat yield estimation on the scale of Turkey using artificial intelligence methods
- Tez No: 989675
- Danışmanlar: PROF. DR. NURDAN ŞAHİN DEMİRBAĞ
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Tarla Bitkileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Buğday, mısır ve çeltikle birlikte tüm dünyada tüketilen en önemli tahıllardan biri olup, gıda arz güvenliği için kritik konumda yer alır. Buğday kuraklığa son derece dayanıklıdır. Pek çok iklim koşuluna kolayca adapte olabilmektedir. Buğday verimini tahmin edilebilmesi; karar vericilerin planlama yapması bakımından anlamlı bir bilgidir. Yapay zekâ yöntemleri verim tahmini yapmak için büyük olanaklar sunmaktadır. Verim tahmini yapmak için bitkinin gelişim safhalarını yansıtan bir takım iklim bilgileri ile bitki sağlığı bilgilerine ihtiyaç duyulmaktadır. Bitki yetiştiriciliğinde en önemli iklimsel etmenler arasında hava sıcaklığı, toprak sıcaklığı, yağış, nem ve güneş radyasyonu bulunmaktadır. Bu faktörlerin uygun değerler arasında olması, yüksek verim almak için kritik olup, elverişsiz iklimde açık arazide tarla tarımı yapmak imkânsızdır. Uydu teknolojilerinde ki ilerleme bitki sağlığı hakkında yüksek çözünürlükte bilgi sağlamaktadır. Bu çalışmada, kuru/sulu tarım buğday verimi yapay zekâ teknikleri uygulanarak modellenmiştir. Aylık ortalama hava sıcaklığı, 5 cm ve 20 cm toprak sıcaklıkları, nem değerleri, güneş radyasyonu ve aylık toplam yağış verileri iklimsel girdiler olarak ve NDVI ve EVI uydu verileri bitki sağlığını ifade eden değişkenler olarak kullanılmıştır. Çalışma periyodu 2012-2023 yılları arası dönemdir. Çalışma alanı ise tüm Türkiye'dir. İstatistiksel bir yöntem olan lineer regresyon yöntemi, Stochasting Gradient Descent, Gradient Boosting, Multilayer Perceptron Neural Network (MLPNN), Recurrent Neural Network (RNN), Long-Short Term Memory (LSTM), Gated Recurrent Unit (GRU) ve Convolutional Neural Network (CNN) teknikleri yapay zekâ modeli olarak kullanılmıştır. En başarılı yöntem LSTM (Kuru tarım buğday verimi R2=0.9425, Sulu tarım buğday verimi R2=0.9396) olmuştur. Bu bulgu Ağustos-Mayıs ayları arası girdilerle yapılan modellemeden elde edilmiştir.
Özet (Çeviri)
Wheat, along with corn and rice, is one of the most important grains consumed worldwide and is critical for food security. Wheat is extremely resistant to drought. It can easily adapt to many climatic conditions. Being able to estimate wheat yield is meaningful information for decision makers to make plans. Artificial intelligence methods offer great opportunities for yield estimation. In order to make yield estimation, some climate information reflecting the developmental stages of the plant and plant health information are needed. The most important climatic factors in plant cultivation include air temperature, soil temperature, precipitation, humidity and solar radiation. It is critical for these factors to be between optimum values to obtain high yields, and it is impossible to do field farming in open fields in unfavorable climates. Advances in satellite technologies provide high-resolution information about plant health. In this study, non-irrigated/irrigated wheat yield was modeled by applying artificial intelligence techniques. Monthly mean air temperature, 5 cm and 20 cm soil temperatures, humidity values, solar radiation and monthly total precipitation data were used as climatic inputs and, NDVI and EVI satellite data were used as variables expressing plant health. The study period is between 2012-2023, and the study area is all of Turkey. The linear regression method which is a statistical method, Stochasting Gradient Descent, Gradient Boosting, Multilayer Perceptron Neural Network (MLPNN), Recurrent Neural Network (RNN), Long-Short Term Memory (LSTM), Gated Recurrent Unit (GRU) and Convolutional Neural Network (CNN) techniques were used as artificial intelligence models. The most successful method was LSTM (non-irrigated wheat yield R2=0.9425, Irrigated wheat yield R2=0.9396). This finding was obtained from the modeling with inputs between August and May.
Benzer Tezler
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- High resolution coseismic surface displacement measurements between Çiğli and Hassa along the surface rupture of february 6, 2023 Pazarcık Earthquake
6 Şubat 2023 Pazarcık Depremi (Mw 7.7) Çiğli ve Hassa arasında yüzey kırığı boyunca yüksek çözünürlüklü eşsismik yüzey deformasyonu ölçümleri
ÇAĞDAŞ MERT BAKA
Yüksek Lisans
İngilizce
2025
Jeoloji Mühendisliğiİstanbul Teknik ÜniversitesiKatı Yer Bilimleri Ana Bilim Dalı
PROF. DR. CENGİZ YILDIRIM
- Güneş enerjisi santrallerinde yapay zeka destekli enerji üretim tahmini yöntemlerinin geliştirilmesi
Developing AI-assisted energy generation estimation methods in solar power plants
RABİA BAŞARAN
Yüksek Lisans
Türkçe
2025
EnerjiBursa Teknik ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Para krizlerinin tahmininde logit-probit modelleri ve yapay sinir ağları: Türkiye örneği
Logit-probit models and artificial neural networks for the estimation of currency crisis: The case of Turkey
OKTAY KIZILKAYA
- Üst birinci molar dişlerin mesiobukkal köklerindeki ilave kanal varlığının yapay zeka ile değerlendirilmesi
Evaluation of the presence of additional canal in mesiobuccal roots of upper first molar teeth with artificial intelligence
DENİZ MELTEM GÜLLÜ
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiMarmara ÜniversitesiEndodonti Ana Bilim Dalı
PROF. DR. NEVİN KARTAL