Yorumlanabilir makine öğrenimi yaklaşımıyla Amerika Birleşik Devletleri için sürdürülebilir bölgesel mısır verimi tahmini

Niçin mısır hasatını tahmin etmek önemli

Mısır, Amerika’nın gıda sisteminin merkezinde yer alır; insanları, hayvanları besler ve hatta araçlara yakıt sağlar. Ancak her yıl çiftçiler ve politika yapıcılar ne kadar ekecekleri, neyi depolayacakları ve tahılı nasıl fiyatlandıracakları gibi büyük kararları—tam olarak ne kadar mısır hasat edileceğini bilmeden—almak zorundadır. Hava durumu daha öngörülemez ve piyasalar daha oynak hale geldikçe, bölgesel mısır verimini doğru ve sürdürülebilir şekilde tahmin edebilme yeteneği, gıda güvenliği, tarım kârları ve istikrarlı bir tedarik zinciri için hayati önem taşır.

Basit tahminlerden daha akıllı öngörülere

On yıllar boyunca uzmanlar, geçmiş hasatlar, temel hava verileri ve bazı toprak bilgilerini kullanarak ürün verimini tahmin etmek için görece basit istatistiksel araçlara güvendiler. Bu yöntemler geniş eğilimleri yakalasa da günümüz gerçekliğiyle—iklim, toprak sağlığı, yönetim uygulamaları ve bitki büyümesi arasındaki karmaşık, doğrusal olmayan ilişkiler ve büyük veri hacimleri—baş etmekte zorlandı. Yeni çalışma, zengin, çok kaynaklı verileri işleyebilen ancak yine de çiftçiler, tüccarlar ve politika yapıcıların anlayıp güvenebileceği içgörüler sunan daha güçlü fakat yorumlanabilir makine öğrenimi modelleri kurarak bu boşluğu dolduruyor.

Çok sayıda veri akışını bir araya getirmek

Araştırmacılar, güvenilir verilerin ve geniş ekim alanlarının bölgesel tahminleri özellikle değerli kıldığı ABD Mısır Kuşağı’ndaki ilçe düzeyindeki mısır verimine odaklanıyor. 2010–2020 dönemini kapsayan kapsamlı bir veri seti derliyorlar; buna yağış, sıcaklık, nem ve kuraklık göstergeleri gibi ayrıntılı hava kayıtları; toprak türü, nem ve besin düzeyleri gibi toprak özellikleri; mısır tarlalarının zaman içindeki sağlık ve yeşillik durumunu izleyen uydu tabanlı bitki örtüsü indeksleri; ve federal istatistiklerden alınan tarihsel ilçe verimleri dahil. Ayrıca piyasa koşullarının ek bir göstergesi olarak mısır vadeli fiyat verilerini ekliyorlar, ancak tahmin hedefini katı şekilde tarımsal tutuyorlar: bir ilçenin veriminin belirli bir yılda kendi tarihsel medyanının üzerinde mi yoksa altında mı olacağı.

Akıllı model kararını nasıl veriyor

Bu zengin veriyi pratik tahminlere dönüştürmek için ekip, Rastgele Orman (Random Forest) ve Gradyan Artırma (Gradient Boosting) olmak üzere iki yerleşik makine öğrenimi yaklaşımını birleştiren bir topluluk (ensemble) modeli kuruyor. Her ikisi de çok sayıda değişkende ince desenleri bulmakta iyi, ancak farklı biçimlerde çalışıyor—biri birçok karar ağacını ortalamaya alırken, diğeri kendi hatalarını kademeli olarak düzeltiyor. Bir oylama adımı, ardından bir ilçenin yüksek veya düşük verime sahip olma olasılığına dair tek bir karara güçlerini karıştırarak varıyor. Titiz veri temizleme, ölçeklendirme ve özellik mühendisliği modelin mevsimsel desenleri ve aşırı hava olaylarını tanımasını sağlar; kapsamlı çapraz doğrulama ise modelin geçmişi ezberlemesini engelliyor.

Siyah kutuya bakmak

Gelişmiş modeller sıklıkla bir endişe uyandırır: doğru olabilirler ancak şeffaf değildirler. Bunu ele almak için yazarlar, her tahmini en güçlü şekilde etkileyen girdileri açıklayan modern bir teknik olan SHAP’ı kullanıyor. SHAP, her özelliğe bir katkı puanı atayarak örneğin alışılmadık yağış desenlerinin veya uydu bitki sinyallerinin tahmini yüksek veya düşük verime doğru nasıl ittiğini gösteriyor. Bu çalışmada, zamansal faktörler, değişkenlik ölçüleri ve uydu tabanlı bitki sağlık göstergeleri ana etkenler olarak öne çıkıyor. Bu şeffaflık modeli salt bir tahmin aracından daha fazlası yapıyor; belirli bölgelerin neden risk altında olduğunu ve sulama, sigorta veya depolama planlaması gibi müdahalelerin nerede en çok önem taşıyabileceğini vurgulayabilen bir karar destek aracına dönüştürüyor.

Sonuçların gerçek dünya için anlamı

Nihai model güçlü bir performans sergiliyor; yüksek ve düşük verimli ilçe yıllarını yaklaşık %92 doğruluk, geri çağırma (recall) ve test doğruluğu ile doğru sınıflandırıyor ve eğitim verisinde %97 doğruluk elde ederek hem gücü hem de iyi genelleme yeteneğini gösteriyor. Piyasa verileri performansı yalnızca hafifçe iyileştiriyor; bu da tahmin gücünün çoğunun finansal sinyallerden ziyade agronomik ve çevresel faktörlerden geldiğini gösteriyor. Yaklaşım ABD Mısır Kuşağı’na yönelik ve verimi iki seviyeli bir sonuca indirgerken, karmaşık verileri eyleme dönüştürülebilir bölgesel tahminlere çevirmek için ölçeklenebilir, enerji verimli bir yol sunuyor. Planlamacılar ve tedarik zinciri yöneticileri için bu, eksiklikler veya fazlalıklar hakkında daha erken ve daha güvenilir uyarılar anlamına geliyor; bu da değişen iklimde ekim, sigorta, depolama ve ticaret konusunda daha akıllı kararları destekliyor.

Atıf: Kehkashan, T., Abdelhaq, M., Al-Shamayleh, A.S. et al. Sustainable regional corn yield prediction for the United States through interpretable machine learning approach. Sci Rep 16, 13942 (2026). https://doi.org/10.1038/s41598-026-43213-4

Anahtar kelimeler: mısır verimi tahmini, tarımda makine öğrenimi, uzaktan algılama verileri, gıda güvenliği, iklim ve ürünler