Türkiye'de İl Düzeyinde Buğday Verimi Tahmini: Statik, Adaptif ve Çevrim İçi Makine Öğrenmesi Modellerinin Karşılaştırılması
MEETCON – IDEA 4. INTERNATIONAL CONGRESS ON INNOVATIVE STUDIES, Nevşehir, Türkiye, 6 - 09 Ağustos 2026, ss.171-188, (Tam Metin Bildiri)
- Yayın Türü: Bildiri / Tam Metin Bildiri
- Basıldığı Şehir: Nevşehir
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.171-188
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Çukurova Üniversitesi Adresli: Evet
Özet
Bu çalışmada, Türkiye’de il düzeyindeki buğday veriminin tahmininde statik, adaptif ve çevrim içi makine öğrenmesi modellerinin performansı karşılaştırılmıştır. Türkiye’nin yeterli ve eşleştirilebilir veriye sahip 79 iline ait 2004–2025 dönemi bitkisel üretim istatistikleri, ERA5-Land veri setinden elde edilen sıcaklık, yağış, güneş radyasyonu, toprak nemi ve potansiyel buharlaşma değişkenleriyle birleştirilmiştir. Modeller, 2004–2013 verileriyle eğitilmiş; 2014–2025 döneminde zaman sıralı walk-forward yöntemiyle değerlendirilmiştir. Statik Ridge, destek vektör regresyonu, Random Forest, Extra Trees ve Histogram Gradient Boosting modelleri; kayan pencere, genişleyen pencere, yinelemeli en küçük kareler ve Random Forest–yinelemeli en küçük kareler hibritiyle karşılaştırılmıştır. En başarılı sonuç, sekiz yıllık kayan pencereli Random Forest modeliyle elde edilmiştir. Model; 35,07 kg/dekar ortalama mutlak hata, 47,63 kg/dekar hata kareleri ortalamasının karekökü, 0,679 belirleme katsayısı ve %15,83 ortalama mutlak yüzde hata üretmiştir. İl düzeyinde kümelenmiş bootstrap analizi, bu modelin statik Random Forest’a göre hata kareleri ortalamasının karekökünü ortalama 2,91 kg/dekar azalttığını göstermiştir. Buna karşın, kayan ve genişleyen pencereli Random Forest modelleri arasındaki fark istatistiksel olarak kesinleşmemiştir. Çevrim içi yinelemeli en küçük kareler ve hibrit model ek performans kazancı sağlamamıştır. Bulgular, buğday verimi tahmininde adaptif ağaç tabanlı modellerin statik ve doğrusal çevrim içi modellere göre daha etkili olduğunu göstermektedir.
This study compares static, adaptive, and online machine learning models for province-level wheat yield prediction in Türkiye. Crop production statistics covering 79 provinces with sufficient and consistently matched data between 2004 and 2025 were combined with temperature, precipitation, solar radiation, soil moisture, and potential evaporation variables derived from ERA5-Land. The models were trained using data from 2004–2013 and evaluated for 2014–2025 through chronological walk-forward validation. Static Ridge, support vector regression, Random Forest, Extra Trees, and Histogram Gradient Boosting models were compared with sliding-window, expanding-window, recursive least squares, and a Random Forest–recursive least squares hybrid. The eight-year sliding-window Random Forest achieved the best overall performance, with a mean absolute error of 35.07 kg/da, root mean squared error of 47.63 kg/da, coefficient of determination of 0.679, and mean absolute percentage error of 15.83%. Province-clustered bootstrap analysis indicated an average root mean squared error reduction of 2.91 kg/da compared with static Random Forest. However, the difference between sliding-window and expanding-window Random Forest was not statistically conclusive. Neither online recursive least squares nor the hybrid model provided additional predictive improvement. The findings demonstrate that adaptive tree-based models are more effective than static and linear online models for province-level wheat yield prediction.