SavedAdd your journal

Journals / Bilgi Sosyal Bilimler Dergisi / 2026 / Cilt: 28 Sayı: 1

Analysis of the Impact of Climatic Param-eters on Agricultural Production in Türki-ye Using Machine Learning Methods: A Comprehensive Risk Assessment on 157 Products (2004-2024)

Türkiye'de İklimsel Parametrelerin Tarımsal Üretime Etkisinin Makine Öğrenmesi Yöntemleri ile Analizi: 157 Ürün Üzerinde Kapsamlı Bir Risk Değerlendirmesi (2004-2024)

Banu Bolayır(GÜMÜŞHANE ÜNİVERSİTESİ)0000-0003-3818-1989
Uğur Demirel(Gümüşhane Üniversitesi)0000-0002-4992-5632
Pages
67–89
Publication Date
2026-07-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Findings- The analysis results indicate that the maximum temperature average is the most significant climatic variable affecting agricultural production, with an importance level of 60.42%.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Purpose- Global climate change increasingly affects agricultural production systems and food supply security.
📊
Key Findings & Data:The purpose of this study is to determine the sensitivity of 157 different agricultural products in Türkiye to climatic parameters between 2004 and 2024, analyze their production trends, and evaluate product-based climate risk levels using data mining techniques.
💡
Conclusion & Impact:Findings- The analysis results indicate that the maximum temperature average is the most significant climatic variable affecting agricultural production, with an importance level of 60.42%.
🔬Design:Modeling & Simulation
📍Scope:2004 Verileri
⚙️Variables:Gradient Boosting · Bileşik Risk Skoru (brs · İklim Değişikliği

Abstract

Purpose- Global climate change increasingly affects agricultural production systems and food supply security. The purpose of this study is to determine the sensitivity of 157 different agricultural products in Türkiye to climatic parameters between 2004 and 2024, analyze their production trends, and evaluate product-based climate risk levels using data mining techniques. Methodology- The study utilizes a comprehensive da-taset consisting of annual production volumes of 157 agricultural products and 15 distinct meteorological variables. The impacts of climatic variables on production were analyzed using Random Forest and Gra-dient Boosting machine learning algorithms to calculate feature importance levels. Furthermore, a Composite Risk Score (CRS) was developed to integrate production trends with climatic sensitivity indicators, classifying products into low, medium, and high-risk groups. Findings- The analysis results indicate that the maximum temperature average is the most significant climatic variable affecting agricultural production, with an importance level of 60.42%. Based on the developed Composite Risk Score, 33.7% (53 products) of the 157 examined products were identified in the high-risk category. The relationship between production trends and climatic indicators was found to be more pronounced in specific products such as malting barley, watermelon, and silage maize. Originality/Value- This study presents an integrated analytical approach for product-based risk assessment by combining machine learning algorithms with climatic variables and production trends. The developed Composite Risk Score contributes to the prioritization of climate-induced risks in agricultural production. The findings provide a data-driven framework for developing climate change adaptation strategies, sustainable agricultural planning, and decision-making pro-cesses.

Özet

Amaç - Küresel iklim değişikliğinin tarımsal üretim üzerindeki etkilerinin artması, iklimsel risklerin ürün bazında değerlendirilmesini önemli hale getirmiştir. Bu çalışmanın amacı, Türkiye'de 2004-2024 döneminde 157 farklı tarım ürününün iklimsel parametrelere karşı duyarlılığını belirlemek, üretim eğilimlerini analiz etmek ve ürün bazlı iklim risk düzeylerini veri madenciliği yöntemleri kullanarak değerlendirmektir. Yöntem/Metodoloji/Dizayn- Araştırmada, 157 tarım ürününe ait yıllık üretim verileri ile 15 farklı meteorolojik değişkenden oluşan veri seti kullanılmıştır. İklim değişkenlerinin üretim üzerindeki etkileri Random Forest ve Gradient Boosting makine öğrenmesi algoritmaları ile analiz edilmiş, değişken önem dereceleri hesaplanmıştır. Ayrıca, üretim trendleri ile iklimsel duyarlılık göstergelerini bütünleştiren Bileşik Risk Skoru (BRS) geliştirilerek ürünler düşük, orta ve yüksek risk gruplarında sınıflandırılmıştır. Sonuçlar - Analiz sonuçlarına göre tarımsal üretimi etkileyen en önemli iklim değişkeninin %60,42 önem derecesi ile maksimum sıcaklık ortalamaları olduğu belirlenmiştir. Geliştirilen Bileşik Risk Skoru sonucunda incelenen 157 ürünün %33,7'si (53 ürün) yüksek risk grubunda yer almıştır. Özellikle biralık arpa, karpuz ve hasıl mısır ürünlerinde üretim eğilimleri ile iklimsel göstergeler arasındaki ilişkinin diğer ürünlere göre daha belirgin olduğu tespit edilmiştir. Katkı/Farklılıklar- Çalışma, makine öğrenmesi algoritmaları ile iklimsel değişkenleri üretim eğilimleriyle bütünleştirerek ürün bazında risk değerlendirmesi yapan bütünleşik bir analiz yaklaşımı sunmaktadır. Geliştirilen Bileşik Risk Skoru, tarımsal üretimde iklim kaynaklı risklerin önceliklendirilmesine katkı sağlamakta; elde edilen bulguların iklim değişikliğine uyum politikalarının geliştirilmesi, sürdürülebilir tarımsal planlama ve karar destek süreçlerinde kullanılabilecek veri temel-li bir çerçeve sunduğu değerlendirilmektedir.

🔖

Cite This Article

Bolayır, B., Demirel, U. (2026). Analysis of the Impact of Climatic Param-eters on Agricultural Production in Türki-ye Using Machine Learning Methods: A Comprehensive Risk Assessment on 157 Products (2004-2024). Bilgi Sosyal Bilimler Dergisi, Cilt: 28 Sayı: 1, 67–89. https://doi.org/10.54838/bilgisosyal.1987555

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (37)

  1. Akçın, H., ve Köse, R. T. (2023). Tarım arazilerinde değişime neden olan parametrelerin Google Earth Engine veri madenciliği ve WebCBS aplikasyonu ile değerlendirilmesi. Journal of the Institute of Science and Technology, 13(2): 1363-1376. https://doi.org/10.21597/jist.1192622
  2. Aydilek, İ., ve Sandıkçı, Y. (2018). Tarımsal veri analizlerinin veri madenciliği ile yapılması. Harran Üniversitesi Mühendislik Dergisi, 3(2): 1-7. https://izlik.org/JA67SL94FB
  3. Breiman, L. (2001). Random forests. Machine learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
  4. Demir, B., Gürbüz, F., Eski, İ., ve Kuş, Z. A. (2018). Meyve renk özelliklerini tahmin etmek için veri madenciliği yaklaşımı. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 49(1): 37-43. https://izlik.org/JA24UR29PK
  5. Doğar, D., ve Çiçek, A. (2025). Türkiye’de İklim Verileri ile Buğday ve Arpa Verimi Arasındaki Nedensellik İlişkisinin Toda-Yamamoto Testi ile Belirlenmesi. Tekirdağ Ziraat Fakültesi Dergisi, 22(2): 411-427. https://doi.org/10.33462/jotaf.1483052
  6. FAO. (2023). The impact of disasters on agriculture and food security 2023. FAO. https://doi.org/10.4060/cc7900en
  7. Field, C. B. (2012). Managing the risks of extreme events and disasters to advance climate change adaptation: Special report of the intergovernmental panel on climate change. Cambridge University Press.
  8. Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5): 1189–1232. https://doi.org/10.1214/aos/1013203451
  9. Gandhi, N., ve Armstrong, L. J. (2016). Rice crop yield forecasting of tropical wet and dry climatic zone of India using data mining techniques. 2016 IEEE International Conference on Advances in Computer Applications (ICACA), 357-363. https://doi.org/10.1109/ICACA.2016.7887981
  10. Gonzalez-Sanchez, A., Frausto-Solis, J., ve Ojeda-Bustamante, W. (2014). Predictive ability of machine learning methods for massive crop yield prediction. Spanish Journal of Agricultural Research, 12(2): 313-328. https://doi.org/10.5424/sjar/2014122-4439
  11. Gürkan, H. (2023). Evaluation of the Impacts of Climate Change on Sunflower with Aquacrop Model. Tekirdağ Ziraat Fakültesi Dergisi, 20(4): 933-947. https://doi.org/10.33462/jotaf.1240401
  12. Hira, S., ve Deshpande, P. S. (2015). Data analysis using multidimensional modeling, statistical analysis and data mining on agriculture parameters. Procedia Computer Science, 54: 431-439. https://doi.org/10.1016/j.procs.2015.06.050
  13. Houghton, J. (2005). Global warming. Reports on Progress in Physics, 68(6), 1343-1403. https://doi.org/10.1088/0034-4885/68/6/R02
  14. Konukcu, F., Deveci, H., ve Altürk, B. (2020). Trakya Bölgesi’nde İklim Değişikliğinin Buğday Verimine Etkisinin AquaCrop ve WOFOST Modeller ile Tahmin Edilmesi. Tekirdağ Ziraat Fakültesi Dergisi, 17(1): 77-96. https://doi.org/10.33462/jotaf.593883
  15. Korkmaz, K. (2007). Küresel ısınma ve tarımsal uygulamalara etkisi. Alatarım Dergisi, 6(2): 43-49. https://arastirma.tarimorman.gov.tr/alata/Belgeler/alatarim/alatarim012_2007_12.pdf#page=46
  16. Lobell, D. B., ve Burke, M. B. (2010). On the use of statistical models to predict crop yield responses to climate change. Agricultural and Forest Meteorology, 150(11): 1443–1452. https://doi.org/10.1016/j.agrformet.2010.07.008
  17. Macuácua, J. C., Centeno, J. A. S., ve Amisse, C. (2023). Data mining approach for dry bean seeds classification. Smart Agricultural Technology, 5: 100240. https://doi.org/10.1016/j.atech.2023.100240
  18. Majumdar, J., Naraseeyappa, S., ve Ankalaki, S. (2017). Analysis of agriculture data using data mining techniques: Application of big data. Journal of Big Data, 4(1): 20. https://doi.org/10.1186/s40537-017-0077-4
  19. Marinković, B., Crnobarac, J., Brdar, S., Antić, B., Jaćimović, G., ve Crnojević, V. (2009). Data mining approach for predictive modeling of agricultural yield data. Proc. First Int Workshop on Sensing Technologies in Agriculture, Forestry and Environment (BioSense09), Novi Sad, Serbia, 1-5.
  20. Marko, O., Brdar, S., Panić, M., Šašić, I., Despotović, D., Knežević, M., ve Crnojević, V. (2017). Portfolio optimization for seed selection in diverse weather scenarios. PloS One, 12(9): e0184198. https://doi.org/10.1371/journal.pone.0184198
  21. MGM. (t.y.). Meteorolojik Parametrelerin Türkiye Analizi. Resmi İklim İstatistikleri. https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=parametrelerinTurkiyeAnalizi (Erişim Tarihi: 01.03.2026)
  22. Mimić, G., Brdar, S., Brkić, M., Panić, M., Marko, O., ve Crnojević, V. (2020). Engineering meteorological features to select stress tolerant hybrids in maize. Scientific Reports, 10(1): 3421. https://doi.org/10.1038/s41598-020-60366-y
  23. Mishra, S., Paygude, P., Chaudhary, S., ve Idate, S. (2018). Use of data mining in crop yield prediction. 2018 2nd International Conference on Inventive Systems and Control (ICISC), 796-802. https://doi.org/10.1109/ICISC.2018.8398908
  24. Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A., ve Nillaor, P. (2019). IoT and agriculture data analysis for smart farm. Computers and Electronics in Agriculture, 156: 467-474. https://doi.org/10.1016/j.compag.2018.12.011
  25. Özer, B., Kuş, S., ve Yıldız, O. (2022). Veri madenciliği yöntemleri ile tarımsal veri analizi: Bir akıllı tarım sistemi önerisi. Mühendislik Bilimleri ve Tasarım Dergisi, 10(4): 1417-1429. https://doi.org/10.21923/jesd.1081814
  26. Özmen, M. T. (2009). Sera gazı-küresel ısınma ve Kyoto Protokolü. İMO Dergisi, 453(1): 42-46.
  27. Öztürk, K. (2002). Küresel iklim değişikliği ve Türkiye'ye olası etkileri. Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, 22(1). https://izlik.org/JA74YE23AW
  28. Porter, J. R., Xie, L., Challinor, A. J., Cochrane, K., Howden, S. M., Iqbal, M. M., Lobell, D. B., ve Travasso, M. I. (2014). Food security and food production systems. In C. B. Field vd. (Eds.), Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change (ss. 485–533). Cambridge University Press.
  29. Ruß, G. (2009). Data mining of agricultural yield data: A comparison of regression models. Perner, P. (Ed.), In Advances in Data Mining. Applications and Theoretical Aspects (5633: 24-37). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-03067-3_3
  30. Şen, A., Deveci, H., ve Konukcu, F. (2024). Trakya Bölgesi’nde Üretilen Bazı Kültür Bitkilerinin İklim Değişimine Uyumunun Modellenmesi. Tekirdağ Ziraat Fakültesi Dergisi, 21(2): 501-516. https://doi.org/10.33462/jotaf.1312707
  31. Tekeli, İ. (2020). İklim değişikliğinin tarıma etkileri stratejiler ve politikalar. İklim Değişikliğinin Ülkemizdeki Önemli Tarım Ürünlerinin Uygunluk Alanları Üzerine Etkilerini Belirliyoruz, Tarımsal Araştırmalar ve Politikalar Genel Müdürlüğü, E-Bülten, 7. (Erişim Linki: https://www.tarimorman.gov.tr/TAGEM/Belgeler/E_BULTEN/ebu%CC%88lten_Temmuz_2020.pdf)
  32. Tripathy, A. K., Adinarayana, J., Vijayalakshmi, K., Merchant, S. N., Desai, U. B., Ninomiya, S., Hirafuji, M., ve Kiura, T. (2014). Knowledge discovery and leaf spot dynamics of groundnut crop through wireless sensor network and data mining techniques. Computers and Electronics in Agriculture, 107: 104-114. https://doi.org/10.1016/j.compag.2014.05.009
  33. TÜİK. (t.y.). Bitkisel Üretim İstatistikleri. https://biruni.tuik.gov.tr/medas/?kn=92&locale=tr (Erişim Tarihi: 02.03.2026)
  34. Türkeş, M. (2012). Türkiye’de gözlenen ve öngörülen iklim değişikliği, kuraklık ve çölleşme. Ankara Üniversitesi Çevrebilimleri Dergisi, 4(2), 1-32. https://doi.org/10.1501/Csaum_0000000063
  35. United Nations. (1992). United Nations Framework Convention on Climate Change (UNFCCC). (Erişim Linki: https://unfccc.int/resource/docs/convkp/conveng.pdf)
  36. Yadav, S. A., Sahoo, B. M., Sharma, S., ve Das, L. (2020). An analysis of data mining techniques to analyze the effect of weather on agriculture. 2020 International Conference on Intelligent Engineering and Management (ICIEM), 29-32. https://doi.org/10.1109/ICIEM48762.2020.9160110
  37. Yi-yang, G., ve Nan-ping, R. (2009). Data mining and analysis of our agriculture based on the decision tree. 2009 ISECS International Colloquium on Computing, Communication, Control, and Management, 134-138. https://doi.org/10.1109/CCCM.2009.5267962