Özellik korelasyon karesi tabanlı en yakın komşu sınıflayıcı kullanarak hassas tarım için ürün tahmin sistemi performansını artırmaya yönelik

Daha akıllıca ürün seçimleri neden önemli

Birçok çiftçi için, özellikle Hindistan gibi ülkelerdeki küçük ölçekli üreticiler açısından ne ekileceğine karar vermek kumar oynamak gibi gelebilir. Hava dalgalanmaları, değişen yağış ve değişen toprak koşulları, bir ürünün başarılı olup olmayacağını etkiler. Bu çalışma, veriler ve basit yapay zeka araçlarının bu karardaki belirsizliği nasıl azaltabileceğini, çiftçilere yerel koşullara daha güvenilir ve kârlı bir şekilde uygun ürün seçmelerinde nasıl yardımcı olabileceğini inceliyor.

Sezgiler değil verilerle yönlendirilen tarım

Modern hassas tarım, sensörler, hava kayıtları ve toprak testleri kullanarak yetişme ortamını ayrıntılı biçimde izler. Yalnızca deneyime veya geleneğe dayanmak yerine çiftçiler; toprak besinleri, sıcaklık, nem ve yağış için sayısal verilere ulaşabilir. Ancak, bu ölçümleri ürün önerilerine dönüştüren mevcut bilgisayar sistemlerinin çoğu, bu faktörlerin birlikte nasıl etkileştiğini göz ardı ediyor. Örneğin en iyi ürün yalnızca yağış miktarına veya nitrojen seviyesine bağlı olmayabilir; her ikisinin belirli kombinasyonuna bağlı olabilir. Bu ilişkileri görmezden gelmek zayıf tahminlere ve daha iyi verim fırsatlarının kaçmasına yol açabilir.

Tarla koşullarının nasıl etkileştiğinde desenler bulmak

Yazarlar, farklı tarla koşullarının birlikte nasıl değiştiğini yakalamanın yeni bir yolunu öneriyor. Başlangıçta bir ürün veri setindeki tüm ölçümleri temizliyor ve ölçeklendiriyorlar, böylece tek bir faktör daha büyük sayılara sahip olduğu için baskın hale gelmiyor. Ardından “özellik korelasyon karesi” adını verdikleri şeyi oluşturuyorlar — temelde her ölçüm çiftinin birlikte artıp azalma eğiliminde mi yoksa ters yönlerde mi hareket ettiğini gösteren bir ızgara. Bu ızgaradaki güçlü pozitif bağlar iki koşulun sıkça birlikte görüldüğünü; negatif bağlar ise genellikle birbirinden ayrıldıklarını gösterir. Bu ilişki haritası, belirli bir tarla koşulları setinin nasıl davrandığının kompakt bir özetine dönüşür.

En uygun ürüne yakın örneklerin oy vermesi

Bu ilişkiler yakalandıktan sonra sistem basit ama güçlü bir fikri kullanıyor: mevcut duruma benzeyen geçmiş durumlara bakın ve orada işe yarayan ürün seçimlerini kopyalayın. Bu, en yakın komşu sınıflayıcı adı verilen bir yöntemle yapılır. Veri setindeki her geçmiş kaydın hem ölçülen koşulları hem de gerçekte yetiştirilen ürünü vardır. Yeni bir çiftlik durumu için sistem, korelasyon bilgisiyle şekillendirilmiş özelliklere dayanarak her geçmiş örneğe ne kadar “yakın” olduğunu ölçer ve en benzer küçük grubu seçer. Bu en yakın komşular daha sonra hangi ürünün en uygun olduğuna oy verir. Kaç komşunun danışılacağını dikkatle ayarlayarak yazarlar, kararlılığı veri gürültüsüne karşı hassasiyetle dengelerler.

Gerçek ürün öneri verileri üzerinde test

Yöntemlerinin ne kadar iyi çalıştığını görmek için araştırmacılar bunu Hindistan’da toplanmış genel kullanımdaki bir ürün öneri veri seti üzerinde test ettiler. Veriler yedi temel özelliği içeriyor: azot, fosfor ve potasyum gereksinimleri; sıcaklık; nem; toprak pH’ı; ve yağış. Veri seti pirinç ve mısır gibi temel ürünlerden mango ve papaya gibi meyvelere, pamuk ve kahve gibi lif ve plantasyon ürünlerine kadar yirmi iki farklı ürünü kapsıyor. Veri seti her ürün için aynı sayıda örnek içerdiğinden dengeli olup, farklı bilgisayar modellerinin karşılaştırılması için adil bir test zemini sağlıyor.

Yerleşik tahmin yöntemlerini geride bırakmak

FCSNN adını verdikleri yeni yaklaşım, karar ağaçları, rastgele ormanlar, lojistik regresyon, Naive Bayes, gradyan artırma ve standart en yakın komşu modeli dahil olmak üzere yaygın kullanılan birkaç makine öğrenimi yöntemiyle karşılaştırıldı. Birden çok performans ölçütünde FCSNN tutarlı şekilde öne çıktı. En uygun ürünü yaklaşık %98 doğrulukla tanımladı ve hata oranı test edilen tüm yöntemler arasında en düşüğüydü. İlginç bir şekilde, diğer modeller bile korelasyon karesiyle şekillendirilmiş özellikler verildiğinde iyileşti; bu da saha koşulları arasındaki etkileşimi göz önünde bulundurmanın, her faktörü ayrı ele almaktan daha önemli olduğunu vurguluyor.

Bu çiftçiler için ne anlama geliyor

Uzman olmayanlar için çıkarım basit: toprak ve hava faktörlerinin bireysel değerlerinin ötesinde nasıl birleştiğine dikkat ederek, bilgisayarlar hangi ürünü yetiştirecekleri konusunda çok daha güvenilir öneriler sunabilir. FCSNN sistemi, dikkatle tasarlandığında nispeten basit yapay zeka tekniklerinin bile ürün tahminlerini önemli ölçüde keskinleştirebileceğini gösteriyor. Pratikte böyle bir araç, çiftliklerde düşük maliyetli sensörlere veya bölgesel veri hizmetlerine bağlanarak çiftçilere zamanında, konuma özel rehberlik sağlayabilir. Bu çalışma tarihsel verileri kullanmakla birlikte, gelecekte sahalardan canlı okumalar eklenerek karmaşık çevresel desenlerin net, uygulanabilir ekim kararlarına dönüştürülmesi mümkün olabilir.

Atıf: Kindra, K., Bhuvaneswari Amma, N.G. & Nageswari Amma, N.G. Towards enhancing the performance of crop prediction system for precision agriculture using feature correlation square-based nearest neighbor classifier. Sci Rep 16, 8807 (2026). https://doi.org/10.1038/s41598-026-35212-2

Anahtar kelimeler: hassas tarım, ürün önerisi, makine öğrenimi, toprak ve hava verileri, küçük ölçekli tarım