Makarnalık buğdaylarda sensör, iklim ve bitki özelliklerine dayalı azotoptimizasyonu ve verim tahmininin farklı algoritmaları ile modellenmesi
Modeling nitrogen optimization and yield prediction in durum wheat using multi-source sensor, climate, and plant trait data through advanced machine learning algorithms
- Tez No: 985121
- Danışmanlar: PROF. DR. ALİ VOLKAN BİLGİLİ
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Akıllı tarım, Bitki besleme, Coğrafi bilgi sistemleri, Hassas tarım, Makarnalık buğday, Toprak, Smart agriculture, Plant nutrition, Geographical information systems, Precision agriculture, Durum wheat, Soil
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı
- Bilim Dalı: Toprak Bilimi ve Bitki Besleme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, yarı kurak iklim koşullarında yetiştirilen makarnalık buğdayda (Triticum durum) verim ve kalite tahminine yönelik sensör tabanlı ölçümler ile yapay zekâ destekli modelleme yaklaşımlarının bütüncül olarak değerlendirilmesini amaçlamaktadır. Araştırma kapsamında dört farklı Zadoks gelişim evresinde (ZD24, ZD30, ZD31, ZD32) toplanan optik sensör verileri (SPAD, NSPAD, NDVI, INSEY) ve bitki boyu ölçümleri; drone tabanlı RGB ve multispektral görüntüler; iklim parametreleri ve 350–2500 nm aralığında elde edilen laboratuvar spektral yansıma verileri ile birlikte analiz edilmiştir. Farklı azot dozlarının bitkisel tepkiler üzerindeki etkileri varyans analizleri (ANOVA) ile belirlenmiş; artan azot uygulamalarının özellikle SPAD, NDVI ve INSEY değerlerinde anlamlı yükselişlere yol açtığı, verim ve kalite bileşenlerinde ise çeşit ve fenolojiye bağlı farklılaşmaların oluştuğu görülmüştür. Verim tahmini için Random Forest, Gradient Boosting, AdaBoost, LightGBM ve XGBoost algoritmaları karşılaştırılmış ve model performansının gelişim evrelerine göre değişkenlik gösterdiği belirlenmiştir. Özellikle ZD31 evresi, fotosentetik kapasite ve biyokütle birikiminin kritik olarak yoğunlaştığı dönem olması nedeniyle en yüksek tahmin doğruluğunu sağlamıştır. XGBoost ve LightGBM modelleri düşük hata değerleri ve yüksek genelleme kabiliyetleriyle öne çıkmış; SHAP analizi ise INSEY ve NSPAD indekslerinin verim tahmininde belirleyici rol oynadığını ortaya koymuştur. Bunun yanında, iki yıllık ve altı gelişim evresine ait zaman serili drone görüntüleri, yer tabanlı sensör verileri ve iklim parametrelerinin bütünleştirilmesiyle geliştirilen CNN tabanlı derin öğrenme modeli, yüksek doğruluk (R² ≈ 0,98) ve düşük hata değerleriyle çalışmış; özellikle başaklanma ve tane doldurma dönemlerinde tahmin gücünün arttığı saptanmıştır. Spektral yansıma verileri kullanılarak gerçekleştirilen protein tahmininde ise dört spektral bölge (VIS, NIR, SWIR ve Tam Spektrum) üzerinden yapılan karşılaştırmalarda, geniş bant ve özellikle SWIR bölgesinde hibrit ANN–SVR modelinin en yüksek doğruluk (R² > 0,92) ve en düşük hata değerleriyle üstün performans sergilediği belirlenmiştir. Genel olarak elde edilen bulgular, azot yönetiminin fizyolojik, morfolojik, verim ve kalite parametrelerini eş zamanlı olarak etkilediğini ve bu parametrelerin birlikte değerlendirilmesinin hassas gübreleme stratejilerinin geliştirilmesinde kritik bir öneme sahip olduğunu göstermektedir. Ayrıca, sensör tabanlı veri füzyonu ve yapay zekâ tabanlı modelleme yaklaşımlarının, dijital tarım uygulamaları için yüksek doğruluklu ve açıklanabilir karar destek mekanizmaları sunarak sürdürülebilir tarım yönetimine önemli katkılar sağlayabileceği sonucuna varılmıştır.
Özet (Çeviri)
This study provides a comprehensive evaluation of sensor-based measurements and artificial intelligence-supported modeling approaches for yield and grain quality prediction in durum wheat (Triticum durum) grown under semi-arid conditions. Optical sensor data (SPAD, NSPAD, NDVI, INSEY) and plant height measurements were collected across four phenological stages (ZD24, ZD30, ZD31, ZD32), along with RGB and multispectral UAV imagery, climatic variables, and laboratory-based spectral reflectance data covering the 350–2500 nm range. The effects of different nitrogen application rates on physiological, morphological, yield, and quality parameters were examined using analysis of variance (ANOVA), which revealed significant increases in SPAD, NDVI, and INSEY values and notable differences in yield and quality components with increasing nitrogen supply. Five machine learning algorithms (Random Forest, Gradient Boosting, AdaBoost, LightGBM, XGBoost) were comparatively evaluated for yield prediction. Model performance varied across growth stages, with the highest prediction accuracy observed at ZD31, corresponding to the critical phase of active biomass accumulation and nitrogen assimilation. LightGBM and XGBoost exhibited superior performance with lower error metrics and higher generalization capacity. SHAP (SHapley Additive exPlanations) analysis identified INSEY and NSPAD as the most influential predictors in yield estimation. Additionally, a CNN-based deep learning model integrating time-series UAV imagery, ground-based sensor measurements, and climatic parameters demonstrated high predictive accuracy (R² ≈ 0.98) and improved performance particularly during heading and grain-filling stages. For protein prediction, Random Forest, Deep Learning, hybrid ANN–SVR, and PLSR models were tested across four spectral regions (VIS, NIR, SWIR, Full Spectrum). The hybrid ANN–SVR model using full-spectrum and SWIR data outperformed others, achieving the highest accuracy (R² > 0.92) and the lowest error values. Overall, the findings highlight the multidimensional impact of nitrogen management and emphasize that concurrent evaluation of physiological, morphological, yield, and quality traits is essential for precision fertilization strategies. The study demonstrates that sensor-based data fusion combined with machine and deep learning approaches offers a powerful, explainable, and scalable decision-support framework for sustainable wheat production and precision agriculture applications.
Benzer Tezler
- Yapay sinir ağları ile buğday tanelerinin kalite tespiti
Qulity detection of wheat kernels by using artificial neural networks
AHMET BABALIK
Doktora
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH M. BOTSALI
- Erişte kalitesini etkileyen bazı faktörler üzerine araştırma
Study on some factors affecting the quality of Erişte
NAZMİYE UZUNOĞLU
Yüksek Lisans
Türkçe
2002
Gıda MühendisliğiAnkara ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. BERRİN ÖZKAYA
- Effect of different wheat varieties on pasta quality
Farklı buğday çeşitlerinin makarna kalitesine etkisi
MURAT BOZKURT
Yüksek Lisans
İngilizce
2012
Gıda MühendisliğiOrta Doğu Teknik ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. BEHİÇ MERT
- Süne (Eurygaster spp.) zararının makarnalık buğday ve makarna kalitesi üzerine etkileri
Effects of wheat bug (Eurygaster spp.) damage on durum wheat and pasta quality
NAZMİYE TÜLİN ÜNSAL ÖZDEREN
Doktora
Türkçe
2009
Gıda MühendisliğiHacettepe ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. HAMİT KÖKSEL
- Makarnalık buğdayların ekmeklik kalitesi ve potansiyeli
Başlık çevirisi yok
ERŞAN KARABABA
Doktora
Türkçe
1993
Gıda MühendisliğiAnkara ÜniversitesiGıda Bilimi ve Teknolojisi Ana Bilim Dalı
DOÇ. DR. RECAİ ERCAN