Farklı Sulama Seviyeleri Altında Yetiştirilen Dolmalık Biberin Yaprak Alanının Tahmininde Makine Öğrenmesi Yaklaşımlarının Karşılaştırılması
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yaprak Alanı (LA), bitki gelişiminin izlenmesi ve bitki su tüketimi tahmini için oldukça önemli bir parametredir. Bu çalışmada, dolmalık biberin LA değerlerini farklı makine öğrenmesi (ML) modelleri ile tahmin etmek ve farklı sulama düzeylerinin model performansına etkisini değerlendirmek amaçlanmıştır. ML algoritmaları olarak Rastgele Orman (RF), eXtreme Gradient Boosting (XGBoost), En Yakın Komşular (KNN) ve Çok Katmanlı Algılayıcı (MLP) kullanılmıştır. Geniş bir veri seti elde edebilmek için, dört farklı sulama düzeyinde yetiştirilen dolmalık biberin yaprak alanı değerlerinden yararlanılmış ve bu kapsamda 2 yıllık bir tarla denemesi yürütülmüştür. Birinci yıl (2017) elde edilen yaprak alanı değerleri (6757 örnek) model eğitiminde, ikinci yıl (2018) elde edilen değerler ise (6128 örnek) test verisi olarak kullanılmıştır. Elde edilen sonuçlara göre, kullanılan ML algoritmaları arasında en yüksek performansı MLP (R²=0.90, RMSE=0.20 cm² ve MAE=0.15 cm²) sergilerken; en düşük performans XGBoost (R²=0.90, RMSE=0.20 cm² ve MAE=0.15 cm²) tarafından gösterilmiştir. Ayrıca, farklı sulama düzeylerinden elde edilen yaprak alanı değerleri ayrı ayrı değerlendirildiğinde benzer performansların elde edildiği görülmüştür. Sonuçlar, ML yöntemlerinin yaprak alanını geleneksel yöntemlere alternatif olarak hızlı ve doğru şekilde tahmin edebildiğini ortaya koymaktadır.
Açıklama
Anahtar Kelimeler
Bitki Bilimleri, Bilgisayar Bilimleri, Yapay Zeka
Kaynak
Bahçe
WoS Q Değeri
Scopus Q Değeri
Cilt
54
Sayı
2
