Toprak üstü sıcaklığının yapay sinir ağları yöntemi ile modellenmesi

Abstract

Bu çalışmada, çiftçilerin karşılaştıkları problemleri çözmek için biyolojik sinir ağlarının yapısına ve işlevlerine dayanan hesaplama modeli olan `Yapay Sinir Ağı (ANN)` kullanılmıştır. Tezin temel amacı tarım üretimini arttırmaya katkı sağlamaktır. Çiftçilerin verimliliği engelleyen bazı parametreleri kontrol edildi ve bu parametreler, bu araştırma çalışmasında ayrıntılı olarak incelendi. Bu araştırmada, toprak kalitesi, toprak pH-değeri, toprak su tutma kapasitesi, hava ve atmosfer koşulları gibi verimi azaltan parametreleri araştırmak ve sınıflandırmak için iki yöntem uyguladık. Burada, `Eğri uydurma` ve `Örüntü sınıflandırması` yöntemleri, çiftçilerin düşük verimliliğin nedenini araştırılması için uygulanmıştır. Eğri uydurma; olası kısıtlamalara tabi olan bir veri dizisine en iyi uyan bir eğri veya matematiksel bir fenksiyonu oluşturma sürecidir. Bu süreç, verilere tamamen uyum gerektiren iç değerlendirme ya da verilere yaklaşık uyan bir matematiksel filtrelemeyi içerebilir. Eğri uydurma yöntemi, ayrıca sinir ağının keyfi bir girdi-çıktı ilişkisini tanımlama ve temsil etme yaklaşımını kullanır ve ilişki modellendikten sonra, ağ tarafından gerekli doğruluk analizleri yapılabilir. Yapay Sinir Ağı'nı (YSA), çiftçilerin karşılaştıkları problemleri çözmek için uygulanmaktadır. Olası çözümleri araştırmak ve önermek için, bu çalışmada belirtilen iki yeni metodolojik yaklaşımı kullanıyoruz. Önceki araştırmalarla birlikte, daha fazla çiftçinin üretimin verimliliğindeki artışı bu yöntemle daha fazla geliştirilebileceğine inanıyoruz. Bu araştırma çalışmasında, İstanbul'da 41,1568 oN - 28,3119 oE koordinatlarında (Akören, Silivri) , 01.11.2016 - 31.12.2016 tarihleri arasında, her on dakikalık kayıtlarla toplanan veriler kullanılmıştır. Toprak sıcaklığındaki değişimin üretimdeki rolünü tanımlamak için; Güneş radyasyonu, UV Radyasyonu, Rüzgar şideti ve Rüzgar yönü parametrelerini girdi verisi olarak değerlendirdik. Bu parametreler TARSİM'e (Tarım Sigortaları) ait arşiv verilerine dayanmaktadır. Kullandığımız ilk yöntem, gerekli veri ve parametre doğruluklarını modellemede kullanılan eğri uydurma metodu olup, seri öngörüsü, fonksiyon yaklaşımı ve fonksiyon optimizasyonu gibi çeşitli görevler için de kullanılabilir. Eğri uydurma yöntemi, dikkate alınan veri noktaları kümesindeki toplam hatayı en aza indirgeyen parametre değerlerinin seçilmesi ve dolayısıyla bu araştırmada uygulanması esasına dayanır. Araştırdığımız ikinci yöntem, çiftçilerin karşılaştıkları sorunlara olası çözüm bulma konusunda yardımcı olabilecek `Model sınıflandırması`dır. Bu yöntem, nesneleri bir dizi kategoriye veya sınıflara ayırmayı amaçlayan bilimsel bir disiplindir. Bu konu aynı zamanda öğrenme algoritmalarının kullanılması yoluyla verilerin düzenliliğinin otomatik olarak keşfedilmesiyle ilgili makine öğrenmesi çalışmalarına girer. Öğrenme algoritmaları, girdi özellik alanını iki veya daha fazla sınıfın bir çıktı alanına eşleyebilen bir işlev oluşturmaya çalışır. Desen sınıflandırmasının amacı, sonlu sayıda sınıflardan birine giriş desenleri atamaktır. Bu yöntem, daha önceki araştırmalarda test edilmiş olup, bu çalışmada da olumlu sonuçlar veren bir yöntemdir. Elde edilen simülasyon sonuçları, `Levenberg-Marquardt (LM) ve ölçeklenmiş eşlenik gradyan (SCG) yöntemlerinin`, bu araştırmada bu alanda şimdiye kadar kullanılan diğer yedi (7) yöntemin en iyisi olduğunu betimlemektedir. Yönteminin başarı oranı % 94,4 ile %99,2 arasında olup, LM algoritması ile eğitilen ağların daha hızlı olduğu gözlemlenmiştir. Ayrıca, bu modellerle ürün rekoltesi üzerinde önemli rol oynayan toprak sıcaklığı ve toprağın fiziksel özellikleri öngörebilecektir ve arazi koruma çalışmaları, Tarımsal politikalarda doğru kararlar alabilmeleri açısından çiftçilerin desteklenmesi sağlanabilecektir.

In this work, Artificial Neural Network (ANN), which is a computational model based on the structure and functions of biological neural networks, is used to solve the problems being faced by the farmers. The main aim of the thesis is to increase farm productions. Some parameters hindering the productivity of the farmers were checked and such parameters were highly and carefully looked into in this research work. We implemented two methods in this research in order to investigate and classify the low farm productivity hindering parameters such as, soil quality, soil pH-Value, soil water retention capacity, weather and atmospheric conditions etc. Two methods; `Curve fitting` and `Pattern classification`, we're implemented to investigate the cause of low farm productivity. Literally, we can say that `Curve-fitting` is the process of constructing a curve, or mathematical function, that has the best fit to a series of data point, possibly subjected to constraints. It can involve either interpolation, where an exact fit to the data is required, or smoothing, in which a smooth function is constructed that approximately fits the data. `Curve fitting method` also uses the approach of representing an attempt for the neural network to identify and approximate an arbitrary input-output relation and once the relation has been modelled, the necessary accuracy by the network can be used for a variety of tasks. We use Artificial Neural Network (ANN) to investigate and suggest possible solutions for solving problems. Generally, two novel methodological approaches will be applied on raw data in this study. We believe that the increasing ratio in the productivity of farm produce can better be enhanced. If careful study to significantly sort out, these problems are urgently looked into. We will lead to more farmers' productivity. In this research, we used collected data form a single station located in Istanbul, (Akören) Turkey, at geographical coordinates are 41,1568 oN - 28,3119 oE, dating from 01.01.2016 to 31.12.2016. Data is recorded every ten (10) minutes of intervals. To define the role of soil temperature on farm production; we consider Surface Temperature (5 cm), Solar Radiation, UV Radiation, Wind Speed and Direcction.These parameters are based on TARSİM'e (Tarım Sigortaları) archive data. The first method we employed is `Curve-fitting method`, which is used in modeling the necessary data and parameter accuracies by the network. It can further be used for a variety of tasks, such as series prediction, function approximation, and function optimization. `Curve-fitting method` has the objective of selecting parameter values which minimizes the total error over the set of data points being considered.We investigated that the second method could help for some possible solution to the problems faced by the farmers is `Pattern classification`. It is a scientific discipline aimed at classifying objects into a set of categories or classes. It is also regarded as a sub-topic of machine learning concerned with the automatic discovery of regularities in data through the use of learning algorithms. The learning algorithms involves building a function that can map the input feature space to an output space of two or more classes. The goal of pattern classification is to assign input patterns to one of a finite number of classes. This method has been tested in previous research and gave positive results. The simulation results gotten depicts that `Levenberg-Marquardt (LM)` and scaled conjugate gradient (SCG) methods are the best of the seven (7) previous methods that has been used so far in this field of research by other researchers. The accuracy of the networks studied, ranged from 94.4 to 99.2% and we observed that networks trained with LM algorithm were faster.Furthermore, these models are sophisticated and we realized that they can predict the status of the soil and also inform the farmers with the right decision to protect their fields.