Journals / Türkiye İnsansız Hava Araçları Dergisi / 2026 / Sayı: 8

A Fuzzy Logic Based Multi-Criteria Decision Making Approach for Unmanned Aerial Vehicle Selection in Livestock

Hayvancılıkta İnsansız Hava Aracı Seçimi İçin Bulanık Mantık Tabanlı Çok Kriterli Karar Verme Yaklaşımı

Sinem Tekeli(KIRIKKALE ÜNİVERSİTESİ)0009-0003-2471-3208
Rananur Üçaslan(KIRIKKALE ÜNİVERSİTESİ)0009-0004-4752-727X
Yusuf Bera Sanlı(OSTİM TEKNİK ÜNİVERSİTESİ)0009-0003-7577-6671
Tamer Eren(KIRIKKALE ÜNİVERSİTESİ)0000-0001-5282-3138
Pages
—
Publication Date
2026-10-13
🏛️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)

As a result, the ZenaDrone 1000 emerged as the most suitable alternative according to the SAW and TOPSIS methods; the findings indicate that technical and operational capabilities are more decisive than cost factors in UAV selection.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The livestock sector holds strategic importance for countries in economic, social, and nutritional terms.
📊
Key Findings & Data:A growing population and limited natural resources make technological solutions aimed at increasing efficiency in livestock production essential.
💡
Conclusion & Impact:As a result, the ZenaDrone 1000 emerged as the most suitable alternative according to the SAW and TOPSIS methods; the findings indicate that technical and operational capabilities are more decisive than cost factors in UAV selection.
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:Hayvancılık · İHA · bulanık mantık

Abstract

The livestock sector holds strategic importance for countries in economic, social, and nutritional terms. A growing population and limited natural resources make technological solutions aimed at increasing efficiency in livestock production essential. In this context, Unmanned Aerial Vehicles (UAVs) have become a key component of digital transformation in the livestock sector. UAVs are effectively used in areas such as herd tracking and guidance, detection of sick and lost animals, security, and data collection. However, studies in the literature on the systematic and comparative evaluation of UAV alternatives are limited. In this study, the problem of selecting the most suitable UAV for use in livestock farming was addressed; criterion weights were determined using the Pythagorean Fuzzy Analytic Hierarchy Process (AHP), and alternatives were ranked using the SAW and TOPSIS methods. According to the analysis results, the most important criteria are Application Areas, Camera and Communication, and Flight Characteristics, which account for the majority of the total weight. Among the sub-criteria, Sick Animal Detection was identified as the criterion of highest importance. As a result, the ZenaDrone 1000 emerged as the most suitable alternative according to the SAW and TOPSIS methods; the findings indicate that technical and operational capabilities are more decisive than cost factors in UAV selection.

Özet

Hayvancılık sektörü, ekonomik, sosyal ve beslenme açısından ülkeler için stratejik bir öneme sahiptir. Artan nüfus ve sınırlı doğal kaynaklar, hayvansal üretimde verimliliği artırmaya yönelik teknolojik çözümleri zorunlu kılmaktadır. Bu bağlamda İnsansız Hava Araçları (İHA’lar), hayvancılıkta dijital dönüşümün önemli bir bileşeni hâline gelmiştir. İHA’lar; sürü takibi ve yönlendirme, hasta ve kayıp hayvan tespiti, güvenlik ve veri toplama gibi alanlarda etkin biçimde kullanılmaktadır. Ancak literatürde, İHA alternatiflerinin sistematik ve karşılaştırmalı değerlendirilmesine yönelik çalışmalar sınırlıdır. Bu çalışmada, hayvancılıkta kullanılacak en uygun İHA seçimi problemi ele alınmış; kriter ağırlıkları Pisagor Bulanık Analitik Hiyerarşi Prosesi (AHP) ile belirlenmiş ve alternatifler SAW ile TOPSIS yöntemleri kullanılarak sıralanmıştır. Analiz sonuçlarına göre en önemli kriterler Kullanım Alanları, Kamera ve İletişim ile Uçuş Özellikleri olup toplam ağırlığın büyük kısmını oluşturmaktadır. Alt kriterler arasında ise Hasta Hayvan Tespiti en yüksek öneme sahip kriter olarak belirlenmiştir. Sonuç olarak, SAW ve TOPSIS yöntemlerine göre ZenaDrone 1000 en uygun alternatif olarak öne çıkmış; bulgular, İHA seçiminde teknik ve operasyonel yeteneklerin maliyet unsurlarına göre daha belirleyici olduğunu göstermiştir.

🔖

Cite This Article

Tekeli, S., Üçaslan, R., Sanlı, Y. B., Eren, T. (2026). A Fuzzy Logic Based Multi-Criteria Decision Making Approach for Unmanned Aerial Vehicle Selection in Livestock. Türkiye İnsansız Hava Araçları Dergisi, Sayı: 8. https://doi.org/10.51534/tiha.1899356

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (51)

  1. Aça, M. (2018). Doğu Karadeniz Bölgesi’nde çobanlık ve hayvancılık yapan bireyler üzerine folklorik bir inceleme. Türk Kültürü ve Hacı Bektaş Veli Araştırma Dergisi, 87, 13–38. doi:10.14222/Turkiyat3851
  2. AgroPages. (2026). Agricultural drone technologies news. https://news.agropages.com/News/NewsDetail---43095.htm, Accessed 15.01.2026.
  3. Alexandratos, N., & Bruinsma, J. (2012). World agriculture towards 2030/2050: The 2012 revision (ESA Working Paper No. 12-03). Rome, Italy: Food and Agriculture Organization of the United Nations.
  4. Altundaş, A., Kurtay, K. G., & Erol, S. (2022). Sınır güvenliği ve müdahale görevi yapan İHA’ların ÇKKV yöntemleri ile değerlendirilmesi. Savunma Bilimleri Dergisi, 42, 155–185. doi:10.17134/khosbd.1049863
  5. AlZubi, A. A. (2023). Application of machine learning in drone technology for tracking cattle movements. Indian Journal of Animal Research, 57(12), 1717–1724. doi:10.18805/IJAR.BF-1697
  6. Autel Robotics. (2026a). Autel Robotics official store. https://shop.autelrobotics.com/, Accessed 15.01.2026.
  7. Autel Robotics. (2026b). EVO II Pro 6K camera drone. https://www.autelpilot.com/products/autel-robotics-evo-ii-pro-6k-camera-drone, Accessed 15.01.2026.
  8. Aydemir, C., & Bıçak, M. (2007). GAP Bölgesi’nde hayvancılığın gelişimi ve Türkiye içindeki konumu. Elektronik Sosyal Bilimler Dergisi, 6(22), 13–37. https://izlik.org/JA62LL59TB
  9. Bastos, K. M., Barcelos, J. P., Orioli, G. F., & Nascimento, S. T. (2024). Use of drones for trough reading, animal counting, and production monitoring in feedlot systems. AgriEngineering, 6(4), 4460–4475. doi:10.3390/agriengineering6040253
  10. Benos, L., Tagarakis, A. C., Dolias, G., Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21(11), 3758. doi:10.3390/s21113758
  11. Berckmans, D. (2017). Precision livestock farming technologies for welfare management in intensive livestock systems. Revista Brasileira de Zootecnia, 46(7), 561–571. doi:10.20506/rst.33.1.2273
  12. Bist, R. B., Wang, D., Chai, L., & Xiong, Y. (2026). Precision farming technologies for monitoring livestock and poultry. AgriEngineering, 8(2), 64. doi:10.3390/agriengineering8020064
  13. Bozer, S. G., Sanlı, Y. B., Güven, E., & Eren, T. (2025). Çok kriterli karar verme ile itfaiye hizmetlerinde yangın anında kullanılacak drone seçimi. Türkiye İnsansız Hava Araçları Dergisi, 7(2), 77–98. doi:10.51534/tiha.1750344
  14. Buckley, J. J. (1985). Fuzzy hierarchical analysis. Fuzzy Sets and Systems, 17(3), 233–247. doi:10.1016/0165-0114(85)90090-9
  15. Cevher, Ü. (2023). İnsansız hava araçlarında dayanıklılık. Avrupa Bilim ve Teknoloji Dergisi, 51, 181–189. doi:10.31590/ejosat.1276284
  16. Chang, D. Y. (1996). Applications of the extent analysis method on fuzzy AHP. European Journal of Operational Research, 95(3), 649–655. doi:10.1016/0377-2217(95)00300-2
  17. Çakmakçı, C. (2024). Dijital hayvancılıkta yapay zekâ ve insansız hava araçları: Derin öğrenme ve bilgisayarlı görme ile dağlık ve engebeli arazide kıl keçisi tespiti, takibi ve sayımı. Turkish Journal of Agriculture: Food Science and Technology, 12(7), 1162–1173. doi:10.24925/turjaf.v12i7.1162-1173.6701
  18. Çakmakçı, Y., Hurma, H., & Çakmakçı, C. (2024). Dijital teknolojilerin hayvancılık sektöründe yükselen rolü: Akademik çalışmaların ışığında geleceğe bakış. Tarım Ekonomisi Araştırmaları Dergisi, 10(1), 90–102. doi:10.61513/tead.1269279
  19. Demir, C., & Aydın, A. (2021). Büyükbaş hayvancılıkta görüntü işleme ile sağlık ve refah tespiti. Lapseki Meslek Yüksekokulu Uygulamalı Araştırmalar Dergisi, 2(4), 1–15. https://izlik.org/JA73EB47FN
  20. Demir, E., & Boz, E. (2024). Sağlık sektöründe ilaç dağıtımı için kullanılacak olan dronların seçiminde ÇKKV yöntemlerinin uygulanması. Necmettin Erbakan Üniversitesi Fen Bilimleri Dergisi, 6(3), 374–392. doi:10.47112/neufmbd.2024.54
  21. DJI. (2026a). DJI M30T enterprise drone. https://www.syd.com.tr/urun/dji-m30-t, Accessed 15.01.2026.
  22. DJI. (2026b). DJI Mavic 3 Thermal. https://www.gncstore.com.tr/urun/dji-mavic-3-thermal, Accessed 15.01.2026.
  23. DJI. (2026c). Mavic 3 Enterprise. https://enterprise.dji.com/mavic-3-enterprise, Accessed 15.01.2026.
  24. DJI. (2026d). Matrice 30 series. https://enterprise.dji.com/matrice-30, Accessed 15.01.2026.
  25. Eastwood, C. R., Klerkx, L., Ayre, M., & Dela Rue, B. (2019). Managing socio-ethical challenges in the development of smart farming: From a fragmented to a comprehensive approach for responsible innovation. Journal of Agricultural and Environmental Ethics, 32, 741–768. doi:10.1007/s10806-017-9704-5
  26. Eren, T., Arslan, B. E., & Güven, E. (2023). Afet durumunda arama kurtarma malzemelerinin sevkiyatı için insansız hava araçlarının seçimi. Dirençlilik Dergisi, 7(2), 293–303. doi:10.32569/resilience.1268208
  27. FLIR Systems. (2026). SIRAS drone. https://www.flir.com/products/siras, Accessed 15.01.2026.
  28. Guebsi, R. (2024). Drones in precision agriculture: A comprehensive review. Aerospace, 8(11), 686. doi:10.3390/drones8110686
  29. Hwang, C. L., & Yoon, K. (1981). Multiple attribute decision making: Methods and applications. Berlin, Germany: Springer-Verlag.
  30. İnan, M., & Karcı, A. (2021). Tarımda ağaç ilaçlamanın drone’larla yapılmasında yeni bir yöntemin geliştirilmesi ve uygulanması. Anatolian Journal of Computer Sciences, 6(2), 72–89. https://izlik.org/JA96YF74TF
  31. İren, Z., & Yeşilay, R. B. (2025). Tarımda drone kullanımının potansiyel faydaları. Ege Üniversitesi Ulaştırma Yönetimi Araştırmaları Dergisi, 2(1), 50–64. https://izlik.org/JA44DX97YW
  32. Kahraman, C., Çevik, S., & Öztayşi, B. (2015). Fuzzy multicriteria decision-making: A literature review. International Journal of Computational Intelligence Systems, 8(4), 637–666. doi:10.1080/18756891.2015.1046325
  33. Kahraman, M., & Yılmaz, H. (2024). Sürdürülebilir hayvancılıkta yenilikçi teknolojilerin kullanımı. Turkish Journal of Science and Engineering, 6(1), 64–71. doi:10.55979/tjse.1411387
  34. Özdemir, M. S. (2014). Çok kriterli karar verme yöntemleri. Ankara, Türkiye: Nobel Akademik Yayıncılık.
  35. Parrot. (2026a). ANAFI Thermal drone. https://www.parrot.com/en/drones/anafi-thermal, Accessed 15.01.2026.
  36. Parrot. (2026b). ANAFI USA drone. https://www.dronenerds.com/products/parrot-anafi-usa, Accessed 15.01.2026.
  37. Saçlı, Y. (2007). AB’ye uyum sürecinde hayvancılık sektörünün dönüşüm ihtiyacı [Uzmanlık tezi]. Devlet Planlama Teşkilatı.
  38. SenseFly. (2026a). eBee X fixed-wing mapping drone. https://neigps.com/shop/ebee-x/, Accessed 15.01.2026.
  39. SenseFly. (2026b). eBee X fixed-wing drone. https://www.sensefly.com/drone/ebee-x-fixed-wing-drone/, Accessed 15.01.2026.
  40. Sever, H., Aksungur, B. N., Güven, E., & Eren, T. (2024). Çok kriterli karar verme yöntemleriyle afetlerde insansız hava araçlarının değerlendirmesi. Emergency Aid and Disaster Science, 4(1), 15–22. https://izlik.org/JA98SE74BU
  41. Teledyne FLIR. (2026). SIRAS professional drone with thermal and visible camera payload. https://www.uavtac.com/products/teledyne-flir-siras-drone-professional-drone-with-thermal-and-visible-camera-payload, Accessed 15.01.2026.
  42. Töret, A. B., & Söğüt, Z. (2022). Çobanlık ve hayvancılıkta insansız hava aracı kullanımı ile dijital dönüşüm: Eskişehir örneği. Kültür Araştırmaları Dergisi, 15, 300–320. doi:10.46250/kulturder.1193850
  43. Ulukavak, M., & Miman, M. (2021). Selection of the most proper unmanned aerial vehicle for transportation in emergency operations by using analytic hierarchy process. International Journal of Environment and Geoinformatics, 8(1), 78–91. doi:10.30897/ijegeo.760758
  44. Üçgün, H., Yüzgeç, U., & Bayılmış, C. (2021). İHA bataryasının şarj pedi ile dengeli şarj edilmesi ve gerçek zamanlı izleme sistemi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(1), 398–407. doi:10.35193/bseufbd.931613
  45. Watts, A. C., Ambrosia, V. G., & Hinkley, E. A. (2012). Unmanned aircraft systems in remote sensing and scientific research: Classification and considerations of use. Remote Sensing, 4(6), 1671–1692. doi:10.3390/rs4061671
  46. Wingtra. (2026a). WingtraOne GEN II drone package. https://waypointtech.com/products/wingtraone-gen-ii-drone-package, Accessed 15.01.2026.
  47. Wingtra. (2026b). WingtraOne GEN II mapping drone. https://wingtra.com/mapping-drone-wingtraone/gen-ii/, Accessed 15.01.2026.
  48. Yager, R. R. (2013). Pythagorean fuzzy subsets. In 2013 Joint IFSA World Congress and NAFIPS Annual Meeting (pp. 57–61). doi:10.1109/IFSA-NAFIPS.2013.6608375
  49. Yeşilay, R. B., & Macit, A. (2020). Dünyada ve Türkiye’de drone ekonomisi: Geleceğe yönelik beklentiler. Beykoz Akademi Dergisi, 8(1), 239–251. doi:10.14514/byk.m.26515393.2020.8/1.239-251
  50. ZenaDrone. (2026). ZenaDrone unmanned aerial vehicle systems. https://www.zenadrone.com/, Accessed 15.01.2026.
  51. Zheng, Y., & Zhao, Z. (2025). Comparative analysis of drone stabilization methods and optimization techniques. Academic Journal of Science and Technology, 18(2), 169–178. doi:10.54097/xbkkh270