Recurrent neural network based model development for wheat yield forecasting

Abstract

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.

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.