AI Summary & Key Takeaways
AI InsightThe results indicated that the RF model exhibited successful classification performance with an F1-score of 79% and an AUC value of 90%.
📌 3 Key Takeaways
Abstract
This study focuses on anthropogenic factors that can be managed in the short and medium term within land-use planning processes, unlike the natural environmental factors commonly used in agricultural land suitability analyses. The primary objective of the study is to evaluate anthropogenic criteria identified through expert opinions using a machine learning-based spatial modeling approach and to reveal the relative effects of these factors on agricultural suitability. In this respect, the study aims to provide a methodological and practical contribution to anthropogenic-focused approaches that have received limited attention in the literature on Anthropogenic Agricultural Land Suitability (AALS). The evaluation factors used in the analysis were derived from factors identified through the Delphi technique based on expert opinions. Within the scope of the study, spatial data layers were generated using Geographic Information Systems (GIS) and Remote Sensing (RS) techniques, and an agricultural land inventory was created using CORINE land cover data. Using the obtained dataset, a machine learning-based model was developed with the Random Forest (RF) algorithm. The results indicated that the RF model exhibited successful classification performance with an F1-score of 79% and an AUC value of 90%. The findings of this study demonstrate that machine learning-based spatial analyses provide an effective tool for supporting the protection of agricultural lands, reducing land-use conflicts, and facilitating sustainable landscape planning decisions.
Özet
Bu çalışma, tarımsal arazi uygunluk analizlerinde yaygın olarak kullanılan doğal çevre faktörlerinden farklı olarak, arazi kullanım planlamasında kısa ve orta vadede yönetilebilir özellik gösteren antropojenik faktörlere odaklanmaktadır. Çalışmanın temel amacı, uzman görüşleriyle belirlenen antropojenik kriterlerin makine öğrenmesi temelli mekânsal modelleme yaklaşımıyla değerlendirilmesi ve bu faktörlerin tarımsal uygunluk üzerindeki göreli etkilerinin ortaya konulmasıdır. Bu yönüyle çalışma, insan kaynaklı tarım arazisi uygunluğu (AALS) literatüründe sınırlı düzeyde ele alınan antropojenik odaklı yaklaşımlara metodolojik ve uygulamaya dönük bir katkı sunmayı hedeflemektedir. Analizde kullanılan değerlendirme faktörleri, uzman görüşlerine dayalı Delphi tekniği ile belirlenen faktörlerden türetilmiştir. Çalışma kapsamında Coğrafi Bilgi Sistemleri (CBS) ve Uzaktan Algılama (UA) teknikleri kullanılarak mekânsal veri katmanları üretilmiş ve CORINE arazi örtüsü verisi yardımıyla tarım alanı envanteri oluşturulmuştur. Elde edilen veri seti kullanılarak Random Forest (RF) algoritması ile makine öğrenmesi tabanlı bir model geliştirilmiştir. Elde edilen sonuçlar, RF modelinin %79 F1-skoru ve %90 AUC değeri ile başarılı bir sınıflandırma performansı sergilediğini göstermiştir. Çalışma sonuçları, makine öğrenmesi destekli mekânsal analizlerin, tarımsal alanların korunması, arazi kullanım çatışmalarının azaltılması ve sürdürülebilir peyzaj planlama kararlarının desteklenmesinde etkili bir araç olduğunu göstermektedir.