Dergiler / Research in Agricultural Sciences / 2025 / Volume: 56 Issue: 3

Toprağın Dili: Makine Öğrenimi Yaklaşımı ile Toprak Analizi

The Language of Soil: Soil Analysis with a Machine Learning Approach

Semanur Bayram(GAZI UNIVERSITY, FACULTY OF SCIENCE, DEPARTMENT OF STATISTICS)0009-0009-4670-6328
Elif Sude Çayir(GAZI UNIVERSITY, FACULTY OF SCIENCE, DEPARTMENT OF STATISTICS)0009-0008-3766-9599
Ebrar İlhan(GAZI UNIVERSITY, FACULTY OF SCIENCE, DEPARTMENT OF STATISTICS)0009-0005-6493-6689
İrem Arslan(GAZI UNIVERSITY, FACULTY OF SCIENCE, DEPARTMENT OF STATISTICS)0009-0000-6131-9996
Esra Gökpınar(GAZI UNIVERSITY, FACULTY OF SCIENCE, DEPARTMENT OF STATISTICS)0000-0003-2148-4940
Sayfa
—
Yayın Tarihi
2025-09-26
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular, makine öğrenmesi algoritmalarının toprak gruplarını güvenilir biçimde tahmin edebildiğini ve bölgesel toprak verimliliği analizlerinde değerli katkılar sunduğunu ortaya koymaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Türkiye’de artan nüfus ve bilinçsiz tarım uygulamaları, verimli toprakların sürdürülebilir kullanımını tehdit etmekte ve tarım sektöründe ciddi riskler oluşturmaktadır.
📊
Temel Bulgular & Veri:Kümeler; fiziksel yapı, nem, tuzluluk ve mineral içerikleri açısından anlamlı farklılıklar göstermiş, böylece sınıflandırma süreci için sağlam bir temel oluşturmuştur.
💡
Sonuç & Katkı:Bulgular, makine öğrenmesi algoritmalarının toprak gruplarını güvenilir biçimde tahmin edebildiğini ve bölgesel toprak verimliliği analizlerinde değerli katkılar sunduğunu ortaya koymaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Supervised machine learning · Unsupervised machine learning · Cluster analysis

Özet

Türkiye’de artan nüfus ve bilinçsiz tarım uygulamaları, verimli toprakların sürdürülebilir kullanımını tehdit etmekte ve tarım sektöründe ciddi riskler oluşturmaktadır. Bu çalışmada, söz konusu soruna çözüm arayışıyla Eskişehir ili Odunpazarı ilçesine ait toprak analiz verileri incelenmiş ve makine öğrenmesi tabanlı bir yaklaşım geliştirilmiştir. Öncelikle, veri boyutunu azaltmak amacıyla Temel Bileşenler Analizi (PCA) uygulanmış, ardından K-Ortalama (K-Means) algoritmasıyla topraklar üç kümeye ayrılmıştır. Kümeler; fiziksel yapı, nem, tuzluluk ve mineral içerikleri açısından anlamlı farklılıklar göstermiş, böylece sınıflandırma süreci için sağlam bir temel oluşturmuştur. Bu aşamanın ardından kümelenen veriler kullanılarak denetimli makine öğrenmesi modelleri geliştirilmiş ve performansları karşılaştırılmıştır. Lojistik Regresyon modeli %98,9 doğruluk ile en yüksek başarıyı elde ederken, Karar Ağacı %97,8, Rastgele Orman %97,2 ve K-En Yakın Komşu (KNN) %91,7 doğruluk oranına ulaşmıştır. Bulgular, makine öğrenmesi algoritmalarının toprak gruplarını güvenilir biçimde tahmin edebildiğini ve bölgesel toprak verimliliği analizlerinde değerli katkılar sunduğunu ortaya koymaktadır. Sonuç olarak çalışma, akıllı tarım uygulamaları için veri odaklı karar destek sistemlerinin geliştirilmesine yönelik örnek bir model sunmaktadır.

Abstract

In Türkiye, rapid population growth combined with unsustainable agricultural practices threatens the sustainable use of fertile soils and poses serious risks for the agricultural sector. To address this challenge, the present study analyzes soil data from the Odunpazarı district of Eskişehir province and proposes a machine learning–based approach. First, Principal Component Analysis (PCA) was applied to reduce data dimensionality, after which the K-Means algorithm classified the soils into three clusters. These clusters revealed significant differences in physical structure, moisture, salinity, and mineral composition, thereby providing a robust basis for further modeling. Building on this foundation, supervised machine learning models were developed and their performances compared. Logistic Regression achieved the highest accuracy (98.9%), followed by Decision Tree (97.8%), Random Forest (97.2%), and K-Nearest Neighbors (91.7%). The findings demonstrate that machine learning algorithms can reliably predict soil group membership and generate valuable insights for regional soil productivity analysis. Overall, the study highlights the effectiveness of data-driven methods in supporting sustainable agricultural planning and offers an integrative model that can guide future applications in precision agriculture.

🔖

Bu Makaleye Atıf Yap

Bayram, S., Çayir, E. S., İlhan, E., Arslan, İ., Gökpınar, E. (2025). Toprağın Dili: Makine Öğrenimi Yaklaşımı ile Toprak Analizi. Research in Agricultural Sciences, Volume: 56 Issue: 3. https://doi.org/10.17097/agricultureatauni.1738386

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (23)

  1. Ağlarcı, A. V., & Karakurt, F. (2024). K En Yakın Komşu Makine Öğrenme Algoritmasına Dayalı Diabetes Mellitus Tahmini. Turkish Journal of Diabetes and Obesity, 8(3), 265-276.
  2. Bhargavi, P., & Jyothi, S. (2011). Soil Classification Using Data Mining Techniques: A Comparative Study. International Journal of Engineering Trends and Technology, 2(1), 55-59. Bhargavi, S., & Jagannathan, Dr. S. (2024). Crop Recommendation System Using Machine Learning. International Journal of Engineering Research & Technology (IJERT), 11(6). https://doi.org/10.17577/ NCRTCA-PID-443
  3. Brownlee, J. (2016). Supervised and unsupervised machine learning algorithms. Machine Learning Mastery, 16(03).
  4. Burhan, H.A., & Soydan, N.T.Y. (2023). Nohut ve Mercimek Üretim Miktarı Tahmini İçin Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi, 20(1), 13-23.
  5. Demir, O., Gültekim, G. Ç., & Uzundumlu, A. S. (2023). Türkiye Ekonomisinde Tarımın Yeri ve Önemi. Palandöken Journal of Animal Sciences Technology and Economics, 2(2), 62-69.
  6. Ersungur, Ş. M., Kızıltan, A., & Polat, Ö. (2007). Türkiye’de Bölgelerin Sosyo-Ekonomik Gelişmişlik Siralamasi: Temel Bileşenler Analizi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 21(2), 55- 66.
  7. Esmer, Y., & Gezer, Y. (2021). Tarımsal işletmelerde stratejik analiz: Erzurum ili örneği. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 52(2), 119-127.
  8. Garanayak, M., Sahu, G., Mohanty, S. N., & Jagadev, A. K. (2021). Agricultural Recommendation System for Crops using Different Machine Learning Regression Methods. International Journal of Agricultural and Environmental Information Systems (IJAEIS), 12(1), 1-20.
  9. Gruhn, P., Goletti, F., & Yudelman, M. (2000). Integrated Nutrient Management, Soil Fertility, and Sustainable Agriculture: Current issues and Future Challenges. Intl Food Policy Res Inst.
  10. Hamid, H. A., Hassan, A., Wah, Y. B., & Amin, N. A. M. (2018, October). Investigating the power of goodness-of-fit test for multinomial logistic regression using K-Means clustering technique. In AIP Conference Proceedings (Vol. 2013, No. 1). AIP Publishing.
  11. Hayatu, I.H., Mohammed, A., Ismaâ, B. A., & Ali, S. Y. (2020). K-Means Clustering Algorithm Based Classification of Soil Fertility in North West Nigeria. FUDMA Journal of Sciences, 4(2), 780-787.
  12. Kılavuz, E., & Erdem, İ. (2019). Dünyada Tarım 4.0 Uygulamaları ve Türk Tarımının Dönüşümü. Social Sciences, 14(4), 133-157.
  13. Koldere, Y. (2008). Clustering Algorithms and Clustering Analysis in Data Mining. Marmara University Doctoral Thesis, 8, 10, 16, 26-29.
  14. Kumral, C. D., Topal, A., Ersoy, M., Çolak, R., & Yiğit, T. (2022). Random forest algoritmasının FPGA üzerinde gerçekleştirilerek performans analizinin yapılması. El-Cezeri, 9(4), 1315-1327.
  15. Maathuis, F. J. (2009). Physiological Functions of Mineral Macronutrients. Current opinion in plant biology, 12(3), 250-258.
  16. Patel, K., & Patel, H. B. (2023). Multi-criteria Agriculture Recommendation System using Machine Learning for Crop and Fertilizesrs Prediction. Current Agriculture Research Journal, 11(1).
  17. Paudel, D., Boogaard, H., Wit, A., Velde, M., Claverie, M., Nisini, L.,. & Athanasiadis, I.N. (2022). Machine Learning for Regional Crop Yield Forecasting in Europe. Field Crops Research, 276, 108377.
  18. Prity, F. S., Hasan, M. M., Saif, S. H., Hossain, M. M., Bhuiyan, S. H., Islam, M. A., & Lavlu, M. T. H. (2024). Enhancing agricultural productivity: a machine learning approach to crop recommendations. Human-Centric Intelligent Systems, 4(4), 497-510.
  19. Reddy, D. A., Dadore, B., & Watekar, A. (2019). Crop Recommendation System to Maximize Crop Yield in Ramtek Region Using Machine Learning. International Journal of Scientific Research in Science and Technology, 6(1), 485-489.
  20. Taher, K. I., Abdulazeez, A. M., & Zebari, D. A. (2021). Data Mining Classification Algorithms for Analyzing Soil Data. Asian Journal of Research in Computer Science, 8(2), 17-28.
  21. Yadav, J., Chopra, S., & Vijayalakshmi, M. (2021). Soil analysis and crop fertility prediction using machine learning. Machine Learning, 8(03).
  22. Yakut, G., Çay, R.İ., & Öztürk, H.H. (2023). Makine Öğrenimi Teknikleri Kullanılarak Isparta İli İçin Tarımsal Ürün Önerme Sistemi. Gazi Mühendislik Bilimleri Dergisi, 9(4), 174-185.
  23. Paudel, D., Boogaard, H., Wit, A., Velde, M., Claverie, M., Nisini, L.,. & Athanasiadis, I.N. (2022). Machine Learning for Regional Crop Yield Forecasting in Europe. Field Crops Research, 276, 108377.