Machine Learning in Water Resources Management: Paddy Rice Irrigation Case Study

Ünal Kızıl; Hakkı Fırat Altınbilek

Makale detayları

Machine Learning in Water Resources Management: Paddy Rice Irrigation Case Study

Yazarlar:

Ünal Kızıl | Hakkı Fırat Altınbilek

Yayıncı:

Çanakkale Onsekiz Mart University

Ana Başlıklar:

Ziraat Mühendisliği

Dergi:

ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.112-122

Belge Tipi:

Makale

Yayın Tarihi:

7/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001293322

pISSN:

2147-8384

Anahtar kelimeler:

Özet:

 Paddy rice irrigation takes an important role in water consumption. Therefore, the savings to be made in paddy rice irrigation will have significant impacts. In the sustainable use of water resources, both the irrigation methods and the methods to be used in the planning of water resources are critical. Hence, the use of drip irrigation should be expanded. On the other hand, the use of modern satellite technologies and machine learning models should be used while planning irrigation. In this study, Google Earth Engine GEE, which is a cloud-based image processing platform was employed in the calculation of paddy rice cultivation areas. Random Forest RF and Support Vector Machines SVM machine learning algorithms were applied. The results showed that RF algorithm can calculate the paddy cultivation areas with an accuracy of 97. A difference of 27.69 km2 was found between the officially declared cultivation areas and the calculated area. This can yield a miscalculation of water requirement with an error of 33.8, 38.1 and 155 million m3, in subsurface drip irrigation, drip irrigation and basin irrigation methods, respectively. Results showed that accurate calculation of paddy rice cultivation areas and drip irrigation will both minimize this error and allow 4 times more area to be irrigated.

 Paddy rice irrigation takes an important role in water consumption. Therefore, the savings to be made in paddy rice irrigation will have significant impacts. In the sustainable use of water resources, both the irrigation methods and the methods to be used in the planning of water resources are critical. Hence, the use of drip irrigation should be expanded. On the other hand, the use of modern satellite technologies and machine learning models should be used while planning irrigation. In this study, Google Earth Engine GEE, which is a cloud-based image processing platform was employed in the calculation of paddy rice cultivation areas. Random Forest RF and Support Vector Machines SVM machine learning algorithms were applied. The results showed that RF algorithm can calculate the paddy cultivation areas with an accuracy of 97. A difference of 27.69 km2 was found between the officially declared cultivation areas and the calculated area. This can yield a miscalculation of water requirement with an error of 33.8, 38.1 and 155 million m3, in subsurface drip irrigation, drip irrigation and basin irrigation methods, respectively. Results showed that accurate calculation of paddy rice cultivation areas and drip irrigation will both minimize this error and allow 4 times more area to be irrigated.

 Paddy rice irrigation takes an important role in water consumption. Therefore, the savings to be made in paddy rice irrigation will have significant impacts. In the sustainable use of water resources, both the irrigation methods and the methods to be used in the planning of water resources are critical. Hence, the use of drip irrigation should be expanded. On the other hand, the use of modern satellite technologies and machine learning models should be used while planning irrigation. In this study, Google Earth Engine GEE, which is a cloud-based image processing platform was employed in the calculation of paddy rice cultivation areas. Random Forest RF and Support Vector Machines SVM machine learning algorithms were applied. The results showed that RF algorithm can calculate the paddy cultivation areas with an accuracy of 97. A difference of 27.69 km2 was found between the officially declared cultivation areas and the calculated area. This can yield a miscalculation of water requirement with an error of 33.8, 38.1 and 155 million m3, in subsurface drip irrigation, drip irrigation and basin irrigation methods, respectively. Results showed that accurate calculation of paddy rice cultivation areas and drip irrigation will both minimize this error and allow 4 times more area to be irrigated.

 Su tüketiminde çeltik sulama önemli bir yer tutmaktadır. Dolayısıyla çeltik sulamasında yapılacak tasarruf önemli etkiler meydana getirecektir. Su kaynaklarının sürdürülebilir kullanımında hem sulama yöntemleri hem de su kaynaklarının planlanmasında kullanılacak yöntemler kritik öneme sahiptir. Bu nedenle damla sulama kullanımı yaygınlaştırılmalıdır. Öte yandan, sulama planlaması yapılırken modern uydu teknolojilerinden ve makine öğrenme modellerinden yararlanılmalıdır. Bu çalışmada çeltik ekim alanlarının hesaplanmasında bulut tabanlı bir görüntü işleme platformu olan Google Earth Engine GEE kullanılmıştır. Rassal Orman RO ve Destek Vektör Makineleri DVM makine öğrenimi algoritmaları kullanılarak hesaplamalar yapılmıştır. Sonuçlar, RO algoritmasının çeltik ekim alanlarını 97 doğrulukla hesaplayabildiğini göstermiştir. Resmi olarak beyan edilen ekim alanları ile hesaplanan alan arasında 27,69 km2 fark olduğu belirlenmiştir. Bu durumun, yer altı damla sulama, damla sulama ve göllendirme ile sulama yöntemlerinde sırasıyla 33,8, 38,1 ve 155 milyon m3lük bir hata ile su ihtiyacının yanlış hesaplanmasına neden olduğu tespit edilmiştir. Sonuçlar, çeltik ekim alanlarının doğru hesaplanması ve damla sulama uygulamalarının hem bu hatayı en aza indireceğini hem de 4 kat daha fazla alanın sulanabilmesini sağlayacağını göstermiştir.

Makale detayları

Machine Learning in Water Resources Management: Paddy Rice Irrigation Case Study

Yazarlar:

Ünal Kızıl | Hakkı Fırat Altınbilek

Yayıncı:

Çanakkale Onsekiz Mart University

Ana Başlıklar:

Ziraat Mühendisliği

Dergi:

ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.112-122

Belge Tipi:

Makale

Yayın Tarihi:

7/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001293322

pISSN:

2147-8384

Uzaktan algılama

Makine öğrenmesi

Rassal orman

Destek vektör makineleri

Damla sulama

ÇeltikUzaktan algılama

Makine öğrenmesi

Rassal orman

Destek vektör makineleri

Damla sulama

Çeltik

Sayı

Makale detayları

Yazarlar: Ünal Kızıl | Hakkı Fırat Altınbilek

Yayıncı: Çanakkale Onsekiz Mart University

Ana Başlıklar: Ziraat Mühendisliği

Dergi: ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.112-122

Belge Tipi: Makale

Yayın Tarihi: 7/2023

Belge Dili: İngilizce

Document ID (Org No.): 2001293322

pISSN: 2147-8384

Sayı

Yazarlar:

Ünal Kızıl | Hakkı Fırat Altınbilek

Yayıncı:

Çanakkale Onsekiz Mart University

Ana Başlıklar:

Ziraat Mühendisliği

Dergi:

ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.112-122

Belge Tipi:

Makale

Yayın Tarihi:

7/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001293322

pISSN:

2147-8384