Tarım Arazilerinde Harcanan Su Miktarını Yapay Zekâ Teknikleri Kullanarak Belirlenmesi1

ÇİÇEKDEMİR, Rabia Sultan; Bayrakçı, Hilmi Cenk; Özkahraman, Merdan

doi:10.29130/dubited.1015690

Cited by 2 publications

(1 citation statement)

References 12 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…As a subset of artificial intelligence, machine learning played a crucial role throughout this study, facilitating the development of computational methods, information extraction, continuous learning, and predictive conclusions from processed data. Utilizing the power of machine learning algorithms, the study sought to identify meaningful patterns and trends within the data, thereby contributing to the advancement of hydrological research and predictive modeling [53][54][55][56].…”

Section: Methodsmentioning

confidence: 99%

Hybrid Modeling for Stream Flow Estimation: Integrating Machine Learning and Federated Learning

Akbulut,

Cifci,

Aslan

2023

Applied Sciences

View full text Add to dashboard Cite

In the face of mounting global challenges stemming from population growth and climate fluctuations, the sustainable management of water resources emerges as a paramount concern. This scientific endeavor casts its gaze upon the Upper Euphrates basin, homing in on the Tunceli Munzur water sub-basin and the Sakarya Basin’s Kütahya Porsuk Stream Beşdeğirmen rivers. The investigation unfolds through the intricate analysis of daily average flow data, total daily precipitation, and daily average air temperature values, with the objective of unraveling the complexities of future water potential estimation. Central to our exploration are a series of well-established techniques including linear regression (LR), support vector regression (SVR), decision tree (DT), random forest (RF), and extra trees regression (ETR). We employ these methodologies diligently to decipher patterns woven within the dataset, fostering an informed understanding of water dynamics. To ascend the pinnacle of estimation accuracy, we introduce a groundbreaking hybrid approach, wherein the enigmatic wavelet transform (WT) technique assumes a pivotal role. Through systematic stratification of our dataset into training, validation, and test sets, comprising roughly 65%, 15%, and 20% of the data, respectively, a comprehensive experiment takes shape. Our results unveil the formidable performance of the ETR method, achieving a striking 88% estimation accuracy for the Porsuk Stream Beşdeğirmen, while the RF method garners a commendable 85.2% success rate for the Munzur water Melekbahçe. The apex of innovation unfolds within our hybrid model, a harmonious fusion of methodologies that transcends their individual capacities. This composite entity elevates estimation success rates by a remarkable 20% for the Munzur water Melekbahçe and an appreciable 11% for the Porsuk Stream Beşdeğirmen. This amalgamation culminates in an extraordinary overall success rate of 97.7%. Our findings transcend mere insights, resonating as guiding beacons for navigating the intricate maze of water resource management in an era marked by uncertainties. This study underscores the indispensability of advanced mathematical paradigms and machine learning frontiers, fortifying the bedrock of sustainable water resource management for the generations to come. By harnessing the fusion of federated learning and a constellation of innovative techniques, we endeavor to illuminate the path towards deciphering the complex tapestry of water resource estimation and management, facilitating a resilient and enduring aquatic world.

show abstract

Section: Methodsmentioning

confidence: 99%

Hybrid Modeling for Stream Flow Estimation: Integrating Machine Learning and Federated Learning

Akbulut,

Cifci,

Aslan

2023

Applied Sciences

View full text Add to dashboard Cite

show abstract

Nesnelerin İnterneti Yardımıyla Akıllı Tarımda Yapay Zekâ Tabanlı Gübre ve Mahsul Tahmini

Güman,

Gunay

2024

Iğdır Üniv. Fen Bil Enst. Der.

View full text Add to dashboard Cite

Tarımsal faaliyetlerde düşük maliyetler yüksek verimli hasat almak oldukça önemlidir. Hasattan yüksek verim almak için de tarım arazisine uygun ürün ve gübre seçimi yapmak gerekmektedir. Tarımda düşük maliyetler ile yüksek verim alma da akıllı tarım ile mümkün olabilmektedir. Akıllı tarım ile tarımsal faaliyet aşamaları kontrol edilebildiği gibi; dış etkenlerden gelebilecek olumsuzluklara karşı da önlem alınabilmektedir. Tarım arazilerini uzaktan kontrol edebilmek için; nesnelerin interneti (IoT) tabanlı sensörler, bu sensörlerden veri alıp sunucuya göndermek için donanımsal sistemlere ihtiyaç vardır. Sunucuya gönderilen verilerde yapay zekâ algoritmaları ile değerlendirilip sonuca göre arazinin ihtiyacı belirlenir ve tarım aşamasına uygun gübre ihtiyacı, sulama ihtiyacı vb. ihtiyaçlara göre işlem yapılır. Bu amaçla bu çalışmada tarım arazisinden IoT ile sensör verilerinin alınıp sunucuya göndermek amaçlı arazi ve sunucu modülü olmak üzere donanımsal ürünler yapılmıştır. Yapay zekâ alanlarından biri olan makine öğrenmesi yöntemleri ile modelleri eğitmek için açık erişimli internet sitelerinden alınan veri setleri kullanılmıştır. Araziden alınan veriler oluşturulan makine öğrenmesi modelleri ile değerlendirilip araziye uygun ürün ve gübre seçimi yapılmasına olanak sağlanmaktadır.

show abstract

Tarım Arazilerinde Harcanan Su Miktarını Yapay Zekâ Teknikleri Kullanarak Belirlenmesi1

Cited by 2 publications

References 12 publications

Hybrid Modeling for Stream Flow Estimation: Integrating Machine Learning and Federated Learning

Hybrid Modeling for Stream Flow Estimation: Integrating Machine Learning and Federated Learning

Nesnelerin İnterneti Yardımıyla Akıllı Tarımda Yapay Zekâ Tabanlı Gübre ve Mahsul Tahmini

Contact Info

Product

Resources

About