RECURRENT NEURAL NETWORK BASED MODEL DEVELOPMENT FOR WHEAT YIELD FORECASTING

Halit ÇETİNER; Burhan KARA

doi:https://doi.org/10.54365/adyumbd.1075265

Makale detayları

RECURRENT NEURAL NETWORK BASED MODEL DEVELOPMENT FOR WHEAT YIELD FORECASTING

Yazarlar:

Halit ÇETİNER | Burhan KARA

Yayıncı:

Adıyaman University

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 2022 Vol.9 Issue 16, pp.204-218

Belge Tipi:

Makale

Yayın Tarihi:

4/2022

Belge Dili:

İngilizce

Document ID (Org No.):

2000658313

Sıklık:

İki Yıllık

eISSN:

2149-0309

DOI:

https://doi.org/10.54365/adyumbd.1075265

Özet:

 

In the study carried out in line with the stated purposes, monthly rain, humidity and temperature data, wheat production amount, and wheat productivity data of Konya province between 1980-2020 were used. Using these data, wheat productivity estimation was performed with (Gated Recurrent Units) GRU and Long Short Term Memory (LSTM) methods, which are Recurrent Neural Network (RNN) based algorithms. When wheat productivity estimation performance was examined with the implemented GRU-based model, 0.9550, 0.0059, 0.0280, 0.0623, 7.45 values were obtained for the R2 score, MSE, RMSE, MAE and MAPE values, respectively. In the performance results obtained with the LSTM method, which is another RNN-based method, 0.9667, 0.0054, 0.0280, 0.0614, 7.33 values were obtained for the R2 score, MSE, RMSE, MAE and MAPE values, respectively. Although the LSTM method gave better results than the GRU method, the training modelling time of the LSTM method took longer than that of the GRU method.

 

Bu çalışmada 1980-2020 yılları arasında Konya ilinin aylık yağış, nem ve sıcaklık verileri, buğday üretim miktarı ve buğday verimlilik verileri kullanılmıştır. Bu veriler kullanılarak Recurrent Neural Network (RNN) tabanlı algoritmalar olan (Gated Recurrent Units) GRU ve Long Short Term Memory (LSTM) yöntemleri ile buğday verimlilik tahmini yapılmıştır. Gerçekleştirilen GRU tabanlı model ile buğday verimliliği tahmin performansları incelendiğinde R2 puan, MSE, RMSE, MAE ve MAPE değerleri için sırasıyla 0.9550, 0.0059, 0.0280, 0.0623, 7.45 değerleri elde edilmiştir. RNN tabanlı bir diğer yöntem olan LSTM yöntemiyle elde edilen performans sonuçlarında ise R2 puan, MSE, RMSE, MAE ve MAPE değerleri için sırasıyla 0.9667, 0.0054, 0.0280, 0.0614, 7.33 değerleri elde edilmiştir. LSTM yöntemi, GRU yönteminden daha iyi sonuçlar vermesine rağmen LSTM yönteminin eğitim modelleme süresi GRU yönteminden daha fazla sürmüştür.

Makale detayları

RECURRENT NEURAL NETWORK BASED MODEL DEVELOPMENT FOR WHEAT YIELD FORECASTING

Yazarlar: Halit ÇETİNER | Burhan KARA

Yayıncı: Adıyaman University

Ana Başlıklar: Uygulamalı fizik

Dergi: Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 2022 Vol.9 Issue 16, pp.204-218

Belge Tipi: Makale

Yayın Tarihi: 4/2022

Belge Dili: İngilizce

Document ID (Org No.): 2000658313

Sıklık: İki Yıllık

eISSN: 2149-0309

DOI: https://doi.org/10.54365/adyumbd.1075265

Sayı

Yazarlar:

Halit ÇETİNER | Burhan KARA

Yayıncı:

Adıyaman University

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 2022 Vol.9 Issue 16, pp.204-218

Belge Tipi:

Makale

Yayın Tarihi:

4/2022

Belge Dili:

İngilizce

Document ID (Org No.):

2000658313

Sıklık:

İki Yıllık

eISSN:

2149-0309

DOI:

https://doi.org/10.54365/adyumbd.1075265