Sera Koşullarında Domates Üzerindeki Beyaz Sinek Popülasyonunu Tahmin Etmek İçin Makine Öğrenme Modellerinin Uygulanması

Sıcaklık, bağıl nem ve radyasyon gibi iklim koşulları, doğal ve sera koşullarında böcek istilasını düzenleyen önemli faktörlerdir. Beyazsinek, başlıca mahsullerin bitki verimini etkileyen en ekonomik böcek zararlılarından biridir. Sera koşullarında domates bitkisine beyazsinek bulaşması olağan bir olaydır. Bu çalışmada sulu sensörler kullanarak dış sıcaklık (A), sera iç sıcaklığı (B), bağıl nem (%RH-C), HD (D) ve radyasyon (E) gibi iklim koşulları 1 yıl (52 hafta) boyunca haftalık olarak kaydedilmiştir. Seraya monte edilen tuzaklar ise haftalık olarak beyazsinek sayımı için kullanılmıştır. Elde edilen sonuçlar ise Minitab istatistik programı kullanılarak faktöriyel regresyon analizi yapılmıştır. Sonuçlar ayrıca Pareto şeması, normal grafik analizi, Kontur grafikleri ve yüzey grafikleri gibi farklı istatistiksel analizler yapılmıştır. Pareto şeması sonuçlar incelendiğinde tüm faktörler (ABCDE) en üst sırada etkili olduğu tespit edilmiştir. Normal çizim analizi, tüm girdi faktörlerinin hem sol hem de sağ tarafta takılı çizgiye yakın dağılımını göstermiştir. Kontur grafikleri ve yüzey grafiklerinin sonuçları, verileri haftada -5000 ila 5000 beyaz sinek arasında dağıtımı göstermiştir. Optimizasyon araçları kullanılarak beyazsinek istilası koşullarının optimize ise düşük radyasyonda 500 adet beyazsineği olacağını hesaplanmıştır. Veriler ayrıca Quasi-Poisson modeli ile üç farklı makine öğrenme modeller kullanarak doğrulama ve tahminlime yapılmıştır. Model performansı ise altı farklı performans metrikler ile hesaplanmıştır. R2 sonuçları incelendiğinde en iyi performans XGBoost (0,739) tarafından gösterirken, RF (0,737) ve MLP (0,677) modellerinin yakından takip ettiğini ortaya koymuş olup, RMSE de benzer performans sergilenmiştir. MAE, MAPE ve MSLE metrikleri için sıra ise RF-XGboost-MLP olarak kaydedilmiştir. Genel olarak beyaz sinek sayısının gerçek ve tahmin için hem RF hem de XGBoost modeli MLP modelden daha iyi performans ortaya koymuştur. Isı harita analiz ise iklim koşulları ile beyazsinek istilası arasında pozitif ancak değişken bir korelasyon olduğunu göstermiştir. Böcek istilasına ilişkin her türlü sayısal veriyi optimize etmek için istatistiksel araçların başarıyla kullanılabileceği sonucuna varılmıştır.

Climatic conditions such as temperature, relative humidity, and radiation are important factors regulating insect infestation under natural and greenhouse conditions. The whitefly is one of the most important insect pests affecting the plant yields of major crops. Whitefly infestation of tomato plants is a common occurrence under greenhouse conditions. In this study, climatic conditions such as outdoor temperature (A), greenhouse internal temperature (B), relative humidity (%RH-C), HD (D), and radiation (E) were recorded weekly for 1 year (52 weeks) using water sensors. Greenhouse-mounted traps were used for whitefly counts every week. The results obtained were subjected to factorial regression analysis using the Minitab statistical program. The results were also subjected to different statistical analyses such as Pareto charts, normal graph analysis, contour plots, and surface plots. When the Pareto chart results were analyzed, it was found that all factors (ABCDE) were effective at the top. Normal plot analysis showed that all input factors are distributed close to the fitted line on both left and right sides. The results of contour plots and surface plots showed the data to be distributed between -5000 and 5000 whiteflies per week. Optimization tools calculated that there would be 500 whiteflies at low radiation if the whitefly infestation conditions were optimized. The data was also validated and predicted using three different machine learning models with the Quasi-Poisson model. The model's performance is six different. The R2 results show that XGBoost (0.739) has the best performance, followed closely by RF (0.737) and MLP (0.677) models, while RMSE shows a similar performance. The order for MAE, MAPE, and MSLE metrics was RF-XGboost-MLP. In general, both RF and XGBoost models outperformed the MLP model for both actual and predicted whitefly numbers. Heat map analysis showed a positive but variable correlation between climatic conditions and whitefly infestation. It is concluded that statistical tools can be successfully used to optimize any numerical data related to insect infestation.