Tez Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tez Danışmanı: Faruk Baturalp Günay
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Özet:
Bu tez çalışmasının amacı; ulaşım yerlerinden uzak mesafede bulunan ve büyük kontrolü zor tarım arazilerinde tarımsal faaliyetleri kolaylaştırarak üretim aşamalarını gerçek zamanlı takip altında tutmak için; nesnelerin interneti (IoT) kullanarak topraktan gerçek zamanlı alınacak sensör verileri ile yapay zeka algoritmaları ile değerlendirilip tarım arazilerine uygun, düşük maliyetli yüksek verimli hasat elde edebilme, tarımsal faaliyetleri ürünün ihtiyacına göre zamanında yapabilme olanağı sağlamak hedeflemektedir. Yöntem: Bu tez çalışmasında, çalışma kapsamında tasarlanan akıllı tarım yönetim cihazları (donanım cihazları ve yazılım modülleri) vasıtasıyla toplanan gerçek zamanlı anlık sensör verileri IoT ile saha ve sunucu modülü yardımı ile sunucu veri tabanına kaydedilmektedir. Açık erişimli internet sitelerinden alınan veri setleri, eğitilen yapay zekâ modelleri ile değerlendirilip tarım arazisine uygun ürün ve gübre tahmin sonuçları elde edilmiştir. Tarım arazisindeki toprak yapısına göre ekilmesi uygun ürün ve gübre tahmini yapılabilmesi için faklı iki veri seti kullanılmıştır. Ürün tahmini için, açık internet erişimli Kaggle sitesinden alınan "Crop analysis and prediction" veri seti kullanılırken gübre tahmini yapabilmek için ise, yine açık internet erişimli Github sitesinden alınan "crop_fertilizer_prediction_ML" veri seti kullanılmıştır. Ürün ve gübre tahmini için; Lojistik Regresyon, Support Vector Machines (SVM, Destek Vektör Makineleri), Decision Tree (Karar Ağacı), k-Nearest Neighbor (k-NN, k-en Yakın Komşu), Naive Bayes, Random Forest (RO, Rastgele Orman) ve Gradient Boosting (Gradyan Arttırma) olarak yedi farklı makine öğrenmesi algoritması kullanılmıştır. Oluşturulan makine öğrenmesi modellerinin performanslarını değerlendirmek için doğruluk, duyarlılık, kesinlik ve f1 skoru sonuçlarından faydalanılmıştır. Bulgular: Bu tez çalışmasında, veri setleri makine öğrenmesi algoritmaları ile geliştirilen modeller kullanılarak toprak yapısına uygun ekilebilecek ürün (buğday, arpa, pirinç vb.) ile toprak yapısı ve ekilmek istenilen ürüne göre toprağa atılacak uygun gübre çeşidini (DAP, 15-15-15 vb.) tahmin etmek için sınıflandırma yapılmıştır. Tasarlanan donanım cihazları ile tarım arazisinden sensörler vasıtasıyla alınan toprak özniteliklerini içeren veriler makine öğrenmesi algoritmaları yöntemleri ile geliştirilen modelleriyle değerlendirilip toprak yapısına uygun ürün ve toprak yapısı ile ekilmek istenilen ürüne uygun gübre tahmini sonucuna ulaşılmıştır. Çalışma sonunda algoritmaların performanslarına bakıldığında ürün tahmini için %99 doğruluk oranı ile NB ve GB algoritmaları ile elde edilirken gübre tahmini için %93 doğruluk oranı KA algoritması ile elde edilmiştir. Sonuç: Bu çalışmada açık internet erişimli sitelerden alınan veri setleri ile makine öğrenmesi algoritmaları kullanılarak ürün ve gübre tahmini için sınıflandırma modelleri geliştirilmiştir. Geliştirilen modeller kullanılarak tasarlanan donanım ve yazılım sistemleri ile tarım arazisinden alınan gerçek zamanlı sensör verileri sınıflandırılıp tahmin sonuçları elde edilmiştir. Ürün tahmininde NB ve GB algoritmaları diğer algoritmalara göre daha yüksek doğruluk oranı elde edilirken gübre tahmininde ise KA algoritmasıyla en yüksek doğruluk oranı elde edilmiştir.