Alüvyal Topraklarda Tekstürel Derecelenmeye Bağlı Toprak Kalitesinin Makine Öğrenme Algoritmalarıyla Değerlendirilmesi
Acar M. (Yürütücü), Koca Y. K., Akça M. O., Uçar G.
TÜBİTAK Projesi, 3501 - Ulusal Genç Araştırmacı Kariyer Geliştirme Programı, 2026 - 2027
- Proje Türü: TÜBİTAK Projesi
- Destek Programı: 3501 - Ulusal Genç Araştırmacı Kariyer Geliştirme Programı
- Başlama Tarihi: Haziran 2026
- Bitiş Tarihi: Aralık 2027
Proje Özeti
Bu proje, toprak kalitesinin belirlenmesinde
makine öğrenmesi algoritmalarının etkinliğini ortaya koymayı amaçlamaktadır.
Yürütücünün yüksek lisans ve doktora çalışmaları boyunca uzun süreli toprak
işleme denemelerinde edindiği deneyim ve doktora sürecinde odaklandığı toprak
kalitesi değerlendirme çalışmaları, bu projenin bilimsel altyapısını
oluşturmaktadır. Önerilen proje, yürütücünün mevcut toprak bilimi uzmanlığını
veri bilimi ve makine öğrenmesi yöntemleriyle birleştirerek kariyer gelişimine
önemli katkı sağlamayı hedeflemektedir.
Projenin kariyer geliştirme potansiyeli,
yürütücünün klasik istatistiksel yaklaşımların ötesine geçerek makine öğrenmesi
tabanlı analiz yöntemlerinde yetkinlik kazanmasına dayanır. Proje sürecinde
yürütücü; çok değişkenli veri analizi, model eğitimi ve doğrulama, model
performanslarının karşılaştırılması ve sonuçların yorumlanması gibi alanlarda
yeni beceriler edinecektir. Bu kazanımlar, yürütücünün disiplinlerarası çalışma
kapasitesini artırarak, gelecekte ulusal ve uluslararası projelerde daha etkin
roller üstlenmesine ve akademik uzmanlaşmasını derinleştirmesine olanak
sağlayacaktır.
Projenin özgün değeri, nehir kaynaklı tekstürel
derecelenmenin toprak kalitesinde yaratacağı değişkenliğin belirlenmesinde
yaygın olarak kullanılan geleneksel indeksleme ve istatistiksel yöntemlerin,
makine öğrenmesi algoritmaları ile karşılaştırmalı olarak değerlendirilmesinde
yatmaktadır. Toprak fiziksel, kimyasal ve biyolojik özelliklerinden oluşan çok
boyutlu veri setlerinin, Random Forest (RF), Destek Vektör Makineleri (SVM),
Yapay Sinir Ağları (ANN), Karar Ağaçları (CART) ve XGBoost algoritmaları
kullanılarak analiz edilmesi, toprak kalitesinin daha bütüncül ve hassas
biçimde tahmin edilmesini mümkün kılacaktır. Bu yaklaşım, özellikle karmaşık
toprak–yönetim ilişkilerinin daha doğru ortaya konmasına katkı sunması
açısından özgün nitelik taşımaktadır.
Yöntemsel olarak projede, toprakların fiziksel
(agregat stabilitesi, yarayışlı su, hacim ağırlığı, su dolu gözenek hacmi),
kimyasal (pH, elektriksel iletkenlik, yarayışlı fosfor ve ekstrakte edilebilir
potasyum) ve biyolojik (organik karbon, mikrobiyal biyokütle karbonu ve beta
glikosidaz enzim aktivitesi) özellikleri kullanılacaktır. Bu özellikler, Soil
Management Assessment Framework (SMAF) yaklaşımı kullanılarak bir toprak kalite
indeksi (TKİ) içerisinde birleştirlecektir. Toprak kalitesi, RF, SVM, ANN, CART
ve XGBoost algoritmaları ile noktasal bazda tahmin edilecektir. Modellerin
performansı, uygun doğruluk ve hata ölçütleri kullanılarak değerlendirilecektir.
Noktasal olarak ölçülen toprak kalite indeksi ve algoritmalarla tahmin edilen
toprak kalite indeksleri Ters Mesafe Ağırlıklı (IDW) yöntemi ile
jeoistatistiksel olarak haritalanacaktır. Elde edilen sonuçlar, TKİ
değerlendirmesinde makine öğrenmesi yaklaşımlarının güçlü ve sınırlı yönlerini
ortaya koyacak şekilde yorumlanacaktır.
Projenin yaygın etkisi; akademik, uygulamaya dönük ve toplumsal boyutları kapsamaktadır. Akademik açıdan elde edilecek bulguların uluslararası bilimsel yayınlarla paylaşılması hedeflenmektedir. Uygulama düzeyinde, proje sonuçları örnekleme noktalarını kapsayan Adana İl Tarım ve Orman Müdürlüğü’ne bağlı Seyhan, Yüreğir ve Karataş İlçe Tarım ve Orman Müdürlükleri bünyesindeki mühendis paydaşlara aktarılacak ve toprak kalitesi, veri temelli karar verme ve makine öğrenmesinin tarımdaki rolü hakkında bilgilendirici eğitimler ve broşürler hazırlanacaktır. Böylece proje çıktılarının sahaya yansıması, toprak kaynaklarının sürdürülebilir kullanımı ve tarımsal üretimde verimliliğin artırılmasına katkı sağlanması amaçlanmaktadır. Bu yönleriyle proje, bilimsel bilgi üretimi ile uygulama arasında köprü kuran bütüncül bir etki ortaya koymaktadır.