Tıbbı ve Aromatik Makaleler

Makine öğrenmesi yöntemleri kullanılarak toprağın şifalı bitkilere uygunluğunun haritalandırılması

Makine öğrenmesi yöntemleri kullanılarak toprağın şifalı bitkilere uygunluğunun haritalandırılması ile ilgili makaleyi ilgisini çekecek akademik çalışma meraklıları için çevrildi. 

Makine öğrenmesi yöntemleri kullanılarak toprağın şifalı bitkilere uygunluğunun haritalandırılması ile ilgili makaleyi ilgisini çekecek akademik çalışma meraklıları için çevrildi.

Tıbbi bitkilerin yetersiz korunması verimliliklerini etkileyebilir. Geleneksel değerlendirmeler ve stratejiler genellikle zaman alıcıdır ve hatalarla bağlantılıdır. Bitkilerin kullanımı yüzyıllardır geleneksel tıp sisteminin ayrılmaz bir parçası olmuştur. Ancak iklim değişikliği, aşırı hasat ve habitat kaybı nedeniyle sürdürülebilirliği ve korunması kritik önem taşıyor. Çalışma, makine öğrenimi algoritmalarının, haritalama ve mekansal analiz için güçlü bir araç olan coğrafi bilgi sistemlerinin (GIS) ve toprak bilgilerinin, gerçek öngörü için hızlı karar verme yaklaşımına nasıl katkıda bulunabileceğini ve belirli bölgelerdeki hassas şifalı bitkilerin verimliliğini nasıl artırabileceğini ortaya koyuyor ilaç keşfini teşvik etmek.

Toprak, şifalı bitkiler ve CBS bilgileri üzerinde makine öğrenimi ve veri madenciliği tekniklerine dayanan veri analizi, bitkilerin büyümesini besleyecek bir harita üzerinde hızlı ve etkili sonuçları tahmin edebilir. Çalışma, kuantum coğrafi bilgi sistemi aracını kullanarak yeni bir veri kümesinin oluşturulmasını içeriyor ve ekstra ağaç sınıflandırıcı (EXTC), rastgele orman, torbalama sınıflandırıcı, aşırı gradyan artırma ve k en yakın komşu gibi farklı denetlenen algoritmalar uygulayarak savunmasız bitkileri tavsiye ediyor.

EXTC kullanılarak kullanıcıya iki benzersiz yaklaşım önerilmektedir; birincisi, belirli bir alt bölge türü için uygun toprak sınıfları, ikinci olarak kullanıcı tarafından toprak türü için ilgili alt bölge etiketleri ortaya çıkarılmakta ve son olarak potansiyel şifalı bitkiler ve bunların korunma durumları ortaya konulmaktadır. sınıflandırılmış toprak/alt bölge için koroplet haritası kullanılarak görselleştirilmiştir.

Araştırma, EXTC’nin sırasıyla %99,01 ve %98,76 doğruluk oranıyla diğer modellerle karşılaştırıldığında hem toprak hem de alt bölge sınıflandırmalarında olağanüstü performans sergilediği sonucuna varıyor. Yaklaşım, haritalar aracılığıyla toprak mevcudiyetine veya belirli bölgelere dayalı olarak şifalı bitkileri korumakla ilgilenen genel halk, biyoloji bilimi araştırmacıları ve korumacılar için kapsamlı ve hızlı bir referans olarak hizmet etmeye odaklanıyor.

Nesli tükenmekte olan şifalı bitkiler, aşırı hasat, habitat kaybı, iklim değişikliği, istilacı türler, hastalıklar ve zararlılar gibi birçok faktör nedeniyle yok olma tehlikesiyle karşı karşıyadır. Ayurveda, Siddha, Unani ve Tibet tıbbı gibi geleneksel Hint tıbbı sistemlerinde köklü olan bu bitkiler, hem geleneksel hem de modern farmasötiklerde büyük değere sahiptir. Önemli sağlık yararları sağlıyorlar ve onlara bağımlı olan milyonlarca insana gelir fırsatları sunuyorlar. Bu tür nesli tükenmekte olan bitkilerin örnekleri arasında Saussaurea lappa (Kuth), Picorrhiza kurroa (Kutki), Ginkgo biloba (Kız kılı ağacı), Swertia chirata (Chirayata), Gymnema sylvestre (Gurmar), Tinospora cordifolia (Giloy), Salaca oblonga (Salak), Holostemma yer alır. (Jivanti), Celastrus panikulata (Malkangni), Oroxylum indicum (Shyonaka), Glycyrrhiza glabra (Meyankökü), Tylophora indica (Antamul), Bacopa monnieri (Brahmi) ve Rauwolfia serpentina (Sarpagandha). Bu bitkiler, anti-inflamatuar, anti-diyabetik, anti-mikrobiyal, anti-kanser, nöroprotektif, hepatoprotektif ve immünomodülatör etkiler arasında değişen çeşitli tıbbi özelliklere sahiptir. Ek olarak, Snakeroot’tan reserpin ve Himalaya Porsukağacından paklitaksel gibi farmasötiklerde kullanılan değerli bileşik kaynakları olarak da hizmet ederler . Ayrıca, bu bitkilerden birkaçı, Jatamansi yağı ve Red Sanders ahşabı 1 gibi aromatik veya kereste nitelikleri nedeniyle takdir edilmektedir .

Bu bitkilerin toplanması ağırlıklı olarak vahşi doğada, özellikle de sert koşullara dayandıkları ve yavaş yenilenme oranları sergiledikleri Himalayaların dağlık bölgelerinde meydana gelir. Son yıllarda doğal ve bitkisel ürünlerin popülaritesinin artması nedeniyle iç ve dış pazarda bu bitkilere olan talep artmıştır. Sonuç olarak, sürdürülemez hasat uygulamaları ve aşırı kullanım, bu bitkilerin doğal ortamlarında hayatta kalmalarına ciddi tehditler oluşturmaktadır. IUCN (Uluslararası Doğayı Koruma Birliği) ve TRAFFIC (Birleşik Krallık’ta kayıtlı sivil toplum kuruluşu) 2 tarafından hazırlanan yakın tarihli bir rapora göre Hindistan, Asya’da doğadan toplanan bitki ilacı endüstrisi için bir merkez konumundadır. Bununla birlikte, iç ve dış ilaç pazarlarının taleplerini karşılamak için aşırı toplama nedeniyle bazı hayati türlerde kayda değer düşüşler yaşanmıştır.

Bu bitkileri hedef alan koruma çabaları3 , tıbbi özelliklerine bağlı olarak milyonlarca kişinin refahı ve geçimi için büyük önem taşıyor. Ayrıca bu bitkilerin korunması biyolojik çeşitliliğin korunması ve ekosistem hizmetlerinin sürdürülmesi açısından hayati öneme sahiptir. Bununla birlikte, türlerin durumu ve dağılımına ilişkin yetersiz veri, yetersiz yasal ve politika çerçeveleri, mevcut düzenlemelerin optimal düzeyde uygulanmaması ve icrası, yerel topluluklar ve paydaşlar arasında yetersiz katılım ve farkındalık, sınırlı fon ve teknik destek gibi çeşitli zorluklar etkili koruma girişimlerini engellemektedir. ve arazi kullanımında çatışan çıkarlar. Bu nedenle, devlet kurumları, araştırma kurumları, koruma kuruluşları, endüstri birlikleri, tüccarlar, koleksiyoncular, şifacılar, tüketiciler ve medya gibi çeşitli paydaşlar arasındaki acil işbirliği eylemleri, bu bitkilerin sürdürülebilir yönetimini ve kullanımını sağlamalıdır.

Makine öğrenimi (ML), şifalı bitkilerin çeşitli parametrelerde büyümesine aktif olarak katkıda bulunur. Çok azı bitki biyokütlesi ve metabolitlerinin verimini, kalitesini ve çeşitliliğini artırma sürecindedir. Genetik, çevre ve biyotikler de dahil olmak üzere birçok faktör şifalı bitkilerin büyümesini etkiler. ML teknikleri yukarıdaki faktörlerin analiz edilmesine ve şifalı bitkilere yönelik yetiştirme koşullarının ve uygulamalarının optimize edilmesine yardımcı olabilir. Örneğin ML, fenotipik ve fizyolojik özelliklerine göre tıbbi bitkiler için en uygun hasat süresini, sulama programını, gübreleme oranını, haşere kontrol stratejisini ve hasat sonrası işlemleri tahmin etme yeteneğine sahiptir4 . ML algoritmaları, genetik ve moleküler belirteçlere dayalı olarak çeşitli iklim bölgeleri ve toprak türleri için optimum bitki türlerini veya genotiplerini belirleyebilir. Sistematik bir inceleme, farklı ML tekniklerinin birinci sınıf mahsullerdeki özellikleri nasıl seçebildiğini ortaya koyuyor 5 . Ayrıca dijital görüntüleri kullanarak şifalı bitkileri yapraklarının renk, damar, şekil gibi özelliklerine göre kategorize edebiliyor. Derin öğrenme kavramlarının uygulanması Hindistan’ın şifalı bitkilerini tanımayı oldukça destekler 6 . Kışlık buğday ve sarımsak gibi mahsuller , çok kaynaklı uzaktan algılama bilgilerine dayanarak tanımlanır7 .

Kuantum Coğrafi Bilgi Sistemi (QGIS) gibi CBS (Coğrafi Bilgi Sistemi) araçlarıyla birleştirilmiş makine öğrenimi teknikleri, coğrafi verileri ve toprak türlerini dikkate alarak belirli bölgelerde şifalı bitkilerin büyümesine büyük ölçüde yardımcı olabilir 8 . Jeo-uzaysal veriler, belirli bir alandaki farklı değişkenler arasındaki mekansal kalıpların ve ilişkilerin anlaşılmasında, belirli şifalı bitkilerin yetiştirilmesi için uygun bölgelerin belirlenmesinde ve hedeflenen yönetim stratejilerinin uygulanmasında önemli bir rol oynar9 . CBS aracı, coğrafi verilerin düzenlenmesi, analiz edilmesi ve görselleştirilmesi için sağlam bir çerçeve sağlar. Bilim adamları, açık kaynaklı bir araç olan QGIS’in, çeşitli veri türlerinin entegre edilmesine ve görselleştirilmesine olanak sağladığını ortaya koyuyor. QGIS’te şekil dosyalarını kullanarak katmanlar ekleyerek, araştırmacılar birden fazla veri kümesini kolaylıkla birleştirebilir ve şifalı bitkilerin 10 dağılımına ilişkin mekansal analiz gerçekleştirebilir . Araştırmacılar 11 ekolojik olarak uygun bölgelerin çevresel bilgilerini analiz etmek ve böylece şifalı bitkilerin korunmasına ve tanıtılmasına rehberlik etmek için bir GMPGIS (Küresel Tıbbi Bitki Coğrafi Bilgi Sistemi) geliştirmeyi tartışıyorlar.

Şifalı bitkilerin bilgisi, potansiyel kullanımları ve sessizce yok olmaları halk tarafından değil yerli kullanıcılar tarafından bilinmektedir. İlaçlar yoluyla dolaylı kimyasalların tüketiminden kaçınarak yan etkilere neden olan sağlıklı bir bitkisel yaşam sürdürebilmek için bu eksikliğin giderilmesi çok önemlidir. Ancak en iyi yaklaşım, bitkilerden elde edilen uygun maliyetli ilaçlara güvenmektir. Çalışma, potansiyel şifalı bitkileri (savunmasız şifalı bitkiler) toprak türü ve ilgi bölgesi bilgisiyle tanımlayarak büyümelerini artıracak bir çözümü hedeflemeye odaklandı. Her şifalı bitkinin bulunduğu toprak türü ve uygun bölge, şifalı bitkilerin tüm tıbbi özelliklerini koruyarak yüksek kalitede yetiştirilmesi için çok önemlidir. Yukarıdaki faktörlerin kapsamlı bir şekilde anlaşılması, büyümenin arttırılmasında hayati bir rol oynar. Araştırma, toprağın dokusal türleri ile tıbbi bitkilerin dağılımı arasındaki ilişkiyi anlamak için güçlü bir yaklaşım olarak makine öğrenimi algoritmaları, QGIS gibi CBS araçları, coğrafi veriler ve toprak bilgilerini içeren yeni bir kombinasyon önermektedir. Paydaşlar, bu teknikleri kullanarak şifalı bitkilerin yetiştirilmesi ve yönetimi konusunda kolay kararlar alabilir, sonuçta sürdürülebilir uygulamaları ve tedavi edici bitki kaynaklarının korunmasını destekleyebilirler. Bu çalışma, şifalı bitkilerin, potansiyel kullanımları paydaşları tarafından bilinmeden önce sessizce ortadan kaybolması konusuna odaklanmak açısından çok önemlidir.

Mevcut araştırmanın motivasyonu, doğal çözümlerin ve sürdürülebilir uygulamaların son derece değerli olduğu bir çağda hassas bitkileri yetiştirmek için tavsiye prosedürünü optimize etme konusundaki otoriter ihtiyaçtan kaynaklanmaktadır. Haritada ideal konuma sahip bitkilerin doğru şekilde tanınması için çok önemlidir. Bu nedenle, denetimli öğrenmeden, CBS’den ve toprak bazlı analizden yararlanmak, nesli tükenmekte olan tıbbi bitki örtüsünün sürdürülebilir kullanımı, hasadı ve yetiştirilmesinde devrim yaratma konusunda büyük bir potansiyele sahiptir.

Potansiyel üretim bölgelerini vurgulamak için toprak tipini ve CBS bilgilerini temel parametreler olarak kullanan bir bölgedeki hassas şifalı bitkilerin büyümesi için denetimli bir öğrenme (karar ağacı) algoritması kullanan bir öneri modelinin tasarımı için önerilen metodolojinin başlıca katkıları (1) Enlem, boylam, toprak türü ve bölge gibi nitelikleri çıkararak QGIS kullanarak belirli bir ilgi bölgesi (Karnataka, Hindistan’ın güney eyaleti) için 160.492 satırlık özel veri kümesinin oluşturulması. (2) Seçilen bir bölgenin (Hindistan) nesli tükenmekte olan şifalı bitkilerine odaklanan, korunma durumları, toprak tipi ve bölge adı gibi niteliklere sahip yeni bir özel veri tabanı oluşturun. (3) Tasarlanan yaklaşım, belirli bir bölgedeki belirli bir toprak türü için yerleri ve potansiyel tıbbi bitki türlerini tavsiye eder ve ayrıca belirli bir seçim bölgesi için toprak türünü ve potansiyel tıbbi bitki türlerini önerir. (4) Tahmin edilen sonuçlar, paydaşlar arasındaki bilgiyi harita üzerinde görüntüleyerek geliştirmek için koroplet haritasını kullanan önerilen şifalı bitki(ler)i ortaya koymaktadır.

Makalenin organizasyonu şu şekildedir: İlgili çalışmalar bölümünde, farklı çalışmaların, çeşitli teknikler kullanılarak şifalı bitkilerin tanımlanmasına nasıl katkıda bulunduğu anlatılmaktadır. Metodoloji bölümü, hassas bitkileri haritalar üzerinde konumlandırarak önerilen sistemi tasarlamak ve geliştirmek için önerilen stratejiler hakkında kısa bilgiler vermektedir. Sonuçlar ve tartışma bölümü, karar ağacı tekniğinden ve CBS tabanlı modellerden elde edilen sonuçların ilgili bölge (Karnataka bölgesi) üzerinde doğrulanmasını açıklamaktadır. Önerilen sistem, etkinliğini ortaya koymak için ilgili diğer çalışmalarla karşılaştırılmıştır. Son olarak sonuç bölümü, önerilen yaklaşımın (nesli tükenmekte olan) şifalı bitkilerin büyümesi üzerindeki etkisini ve bunların dünya için önemini ortaya koymaktadır.

Hindistan dünyanın “Tıp Bahçesi” olarak bilinen bir ülkedir 12 . Hindistan, etnobotanik açıdan kayda değer 9.500 tür ve yerli sağlık uygulamaları ve modern tıp sistemi için tıbbi değeri olan 7.500 şifalı bitki türünden oluşan zengin bir biyolojik çeşitliliğe sahiptir 13 , 14 . Antik dönemden bu yana, Hint şifalı bitkileri Hindistan’ın geleneksel sağlık sistemi için ana hammadde kaynağı olmuş ve bu nedenle Hindistan’ın muazzam nüfusunun 15 geçimini sağlamıştır . Hindistan’da şifalı bitkileri korumak için yalnızca hassas bitkileri listeleyerek çeşitli yaklaşımlar benimsenmiştir. Araştırmacılar, bu şifalı bitkilerle ilgili ayrıntılara kolay erişim sağlamanın öneminin altını çiziyor; çünkü paydaşların bu bitkilerin büyümesini ve bilgilerini geliştirmesi çok önemli 16 . Tıbbi bitkilerin verimli şekilde yetiştirilmesi ve gelecek nesillere aktarılması için farklı taktiklerin geliştirilmesi büyük önem taşımaktadır. Şifalı bitkilerin neslinin tükenmesi genel bitki türlerine göre daha yüksek oranda artıyor. Geleneksel yaklaşımın yorucu, verimsiz ve hataya açık olması nedeniyle bu şifalı bitkilerin uygun toprakta, bölgede ve diğer çevresel faktörlerde yeniden yetiştirilmesi bilgisi paydaşlar için kritik öneme sahiptir.

Küresel bir tıbbi bitki coğrafi bilgi sistemi (11) , hem toprak hem de iklim değişikliklerini dikkate alarak tıbbi bitkileri korumak ve tanıtmak için uygun bölgeler hakkındaki çeşitli bilgileri analiz eden küresel bitkilere ilişkin coğrafi bilgileri kullanır. Dünya çapında bitki yetiştirme potansiyeli yüksek bölgeleri sergilediler. Herhangi bir ilgi alanı için şekil dosyalarının (GIS katmanları) çıkarılması ve şifalı bitkiler ile rakım arasındaki korelasyonun çizilmesi yoluyla GIS verilerinin 17 kullanılması . CBS teknikleri, küresel öneme sahip şifalı bitkileri vurgulayarak kuzeybatı Ürdün bölgesi için tehdit altındaki bitki noktalarının ve olası koruma sıcak noktalarının tanınmasına yardımcı olur. CBS araçları, araştırma çalışmasını geliştirmek için farklı ilgi alanlarına genişletilebilir. Araştırmacılar18 , daha düşük bir maliyetle halk için COVID-19’u denetlemek amacıyla nutrasötik olarak hizmet edebilecek olası şifalı bitkilere ( Angelica keiskei, Ecklonia cava, Torreya nucifera ve çok daha fazlası) odaklandı. Çalışma, SARS-CoV 3CL’yi iyileştirmek için tıbbi bitki bileşiklerinin kullanımı ve bunların önleyici etkileri hakkında bilgi almak için Scopus, Web of Science, PubMed ve Google Scholar gibi birden fazla kaynaktan (arama motorları) elde edilen gerçeklerin derlenmesini sunuyor. Toplanan şifalı otlar geleneksel olarak hastalık (SARS-CoV) enfeksiyonunu hafifletmek için kullanılıyor ve bildirilen bileşikler SARS’a karşı anti-ilaçlar elde etmek için kullanılıyor. Bu doğrultuda güvenli kaynak olan bu tür şifalı bitkilerin bir an önce korunması ve bir ülkenin ekonomik ürünü olarak bol miktarda yetiştirilmesi gerekmektedir.

Araştırmacılar , doğadaki çeşitli türlerin korunmasını kontrol etmek için birkaç koruma telafisi ve farklı çerçevelerin avantajlarını önerdiler19 . Bitki türlerinin tanınmasında tercih edilen seçenek olarak şifalı bitkileri yaprak görüntülerinden tanımlamak için bir tanıma sistemi tasarlamak ve geliştirmek önemli ve devam eden bir araştırmadır 20 . Bilim adamları, bitki türlerini karmaşık arka planlara sahip yaprak görüntülerinden tanımlamak için verimli bir sistem tasarladılar 21 . Yaprak görüntülerini kullanarak bitki türlerini tanımlamak için hesaplama açısından verimli bir mimari önerildi22 . Çeşitli görüntü işleme ve makine öğrenme teknikleri kullanılarak, verilen giriş görüntüsünden birçok özellik türü otomatik olarak çıkarılabilir. Şifalı bitkilerin güçlü sınıflandırıcılar geliştirilerek sınıflandırılması, güvenilir ve etkili ML algoritmaları 23 kullanılarak türlerin gerçek zamanlı olarak tanınmasına yardımcı olur . İnceleme, yaprağın özelliklerini çıkarmak için kullanılan farklı görüntü işleme yaklaşımlarını ve bunların otomatik olarak tanınmasına yardımcı olan kamuya açık bitki yaprağı veritabanlarını sunmaktadır. Tıbbi bitkilerin sınıflandırılması ve korunmasına yönelik araştırma alanı belirgin bir şekilde devam etmektedir ve bunun geliştirilmesi için bir dizi fırsat mevcuttur. Bununla birlikte, otomatik bir sınıflandırma sistemi ve bitki konumunun haritalarda belirlenmesi, yerel nüfus için şifalı otların büyümesini artırmak için en uygun çözüm olacaktır.

Bangladeş’in Khulna bölgesi için toprak serilerinin tahmini ve belirli bir toprak için uygun ürün verimine ilişkin öneriler sunulmaktadır24 . Rastgele orman, kNN (k en yakın komşu) ve SVM (destek vektör makinesi) gibi benimsenen makine öğrenimi sınıflandırıcıları, toprak sınıflandırmasında daha iyi doğruluk gösterir. DVM modeli %94,95 doğruluk oranıyla diğer iki teknikten daha iyi performans gösterdi. Önerilen sistem, seçilen toprak etiketlerini sınıflandırmış ve birden fazla veri tabanını birleştirerek uygun mahsuller önermiş ve gelecekteki kapsam olarak farklı ilgi alanlarının dikkate alınmasını önermiştir.

Brezilya bölgesindeki tıbbi bitkileri sınıflandırmaya yönelik otomatik bir sistem, tıbbi bitkileri yaprak görüntülerinden tanımada iyi bir sınıflandırma doğruluğu sergilemek için karar ağacı algoritması ve rastgele orman tekniği 25 gibi denetlenen öğrenicileri benimsemiştir. Rastgele orman sınıflandırıcısı, bitkileri renk ve doku özellikleri gibi benzersiz özelliklerine göre tanımlamak için en yüksek doğruluk oranını ve düşük tahmin süresini gösterdi. Araştırmacılar26 , potansiyel büyüme bölgesinin tanınması için ideal bir çözüm sağlayan CBS ve uzaktan algılama verilerini birleştirerek Taxus baccata bitkisini kanser karşıtı yeteneklerle beslemenin önemini ortaya koydu . Bir çalışma27 , atığı taşıyan kamyon için en uygun rotayı vurgulayarak Güney Kore’deki atığı yönetmek için QGIS’i görsel analiz olarak kullanan bir yaklaşım önerdi. Önerilen yaklaşım, atık yönetimi operasyonlarının planlanması ve optimize edilmesinde daha iyi performans analizi gösterdi. Şifalı bitkilerin özel gereksinimlere sahip olması nedeniyle arazi veya toprak uygunluğu, şifalı bitkileri korumak için potansiyel büyüme noktalarının belirlenmesinde önemli bir rol oynar 28 , 29 .

Ankette, hassas bitkilerin korunması ve yetiştirilmesi konusunda geniş bir kapsamın olduğunun vurgulanması dikkat çekicidir. Quantum GIS tekniği ve toprak bilgisinin birlikte bitkilerin korunması ve potansiyel üretim noktalarının belirlenmesine etkili bir şekilde katkıda bulunduğu açıktır. CBS’yi mekansal veri tabanı olarak kullanmak ve QGIS’ten elde edilen toprak bilgilerini kullanmak, hassas şifalı bitkilerin büyümesini desteklemek için sistematik bir yaklaşım olabilir. Yukarıdaki teknikleri makine öğrenimi algoritmalarıyla birleştiren otomatik, kullanıcı dostu bir sistemin, IUCN kırmızı listesinde yer alan tıbbi bitkilerin yok olma durumuna ulaşmadan önce kritik öneme sahip olduğu kanıtlanmıştır.

Çalışma alanı

Hindistan’ın güneybatı bölgesinde yer alan Karnataka eyaleti, Dünya Jeodezik Sistemi (WGS) 84 verilerine göre 11° 30ʹ Kuzey enlemleri ile 18° 30ʹ Kuzey enlemleri ve 74° Doğu ila 78° 30ʹ Doğu boylamları ile sınırlandırılmıştır. Bölge toplam 191.791 km² yüzölçümüne sahip olup, ülke toplam yüzölçümünün yaklaşık %5,83’ünü oluşturmaktadır. Yaklaşık 400 x 750 km’lik coğrafi genişliğe sahip Karnataka, Hindistan’ın batı ve doğu ghatlarının kesiştiği Deccan yarımadasının batı kesiminde yer alıyor. Karnataka, ovalar, tepeler, platolar ve kıyı alanlarının karışımından oluşan farklı topografya nedeniyle çeşitli iklimlere sahiptir. Mevcut farklı toprak doku türleri arasında kil, tınlı, killi tınlı, kumlu tınlı ve kumlu killi tınlı bulunmaktadır . Şekil 1 Karnataka’nın konumunu ve toprak dağılımını göstermektedir.

Önerilen çalışma alanı, Karnataka, Hindistan ve toprak doku türleri.

Veri toplama

Veri toplama sürecinin ilk adımı, FAO (Gıda ve Tarım Örgütü) web kaynağından bir şekil dosyası oluşturmayı içerir. Şekil dosyası, ESRI (Environmental Systems Research Institute, Inc.) tarafından geliştirilen ve coğrafi bir veri kümesini ve onun coğrafi-uzamsal niteliklerini temsil eden birden fazla dosyadan oluşan bir formattır. Noktalar, çizgiler ve çokgenler gibi coğrafi özellikler hakkında bilgi depolayan standart bir jeouzaysal vektör verisidir. Şekil dosyası QGIS 3.30’s-Hertogenbosch’a aktarılır. QGIS, coğrafi verileri etkili bir şekilde yöneten ve işleyen, yaygın olarak kullanılan ve saygın bir açık kaynaklı yazılımdır. Kullanıcıların, şekil dosyaları da dahil olmak üzere farklı formatlardaki coğrafi verileri içe aktarmasına, görselleştirmesine, analiz etmesine ve değiştirmesine olanak tanır.

Verilerin ön işlenmesi

Toprak türü analizi bağlamında FAO şekil dosyası, farklı toprak doku türlerini veya sınıflarını temsil eden çokgenlerin yanı sıra bunların özelliklerini tanımlayan nitelik verilerini içerir. İçe aktarılan şekil dosyası, ilgilenilen belirli bölgeyi, bu durumda Karnataka bölgesini izole etmek için kırpılır. Karnataka’nın taslağı, ülkeye özgü coğrafi veri kümeleri sağlayan bir web kaynağı olan DIVA-GIS’ten alınmıştır. Hindistan’ın jeo-uzamsal dosyasının “idari alanı”, QGIS’e aktarılarak ve Karnataka bölgesini FAO’nun dünya toprak haritasından çıkarmak için bir maske katmanı olarak kullanılarak kullanılıyor.

Yukarıdaki süreç, arzu edilen ilgi alanının analizine odaklanır. Karnataka bölgesine karşılık gelen kırpılmış katman, seçilen bölgeye göre uyarlanmış ayrı bir veri kümesi sağlayarak yeni bir katman olarak dışa aktarılır. Dışa aktarılan bu katman, konuma göre birleştirme nitelikleri gibi jeouzaysal araçlar ve teknikler kullanılarak daha fazla işlenir ve analiz edilir . Veri toplamanın ayrıntılı adımları Algoritma-01’de açıklanmıştır.

Algoritma-01: Veri toplama

Girdi: FAO’dan alınan şekil dosyası

Çıktı: Enlem, boylam, bölge ve toprak türü gibi nitelikleri içeren CSV (virgülle ayrılmış değerler) dosyası

Adım 1: Şekil dosyasını FAO web kaynağından edinin.

Adım 2: Şekil dosyasını QGIS’e aktarın.

Adım 3: Belirli bir bölgeye (Karnataka, Hindistan) karşılık gelen katmanı kırpın ve yeni bir katman olarak dışa aktarın.

Adım 4: QGIS’i kullanarak seçilen bölgenin enlem ve boylamlarını kırpılmış katmandan çıkarın.

Adım 5: Dışa aktarılan katmanı geopandas kitaplığını kullanarak işleyin ve coğrafi veri çerçevesini bir CSV dosyası olarak dışa aktarın.

Adım 6: Veri kümesindeki nitelik sütunları, belirli bir bölgenin enlemini, boylamını, bölgesini ve toprak tipini içerir.

Adım 7: Dışa aktarılan CSV, karar ağacı algoritmalarının sınıflandırmayı gerçekleştirmesi için veri kümesi görevi görecektir.

QGIS kullanılarak, çıkarma işlemi için coğrafi birim görevi gören 0,01 derece enlem çözünürlüğüne sahip ızgara tabanlı bir yaklaşım kullanılarak 160.492 satırdan oluşan kapsamlı bir veri kümesi oluşturulur. Bu ince taneli ızgara, Karnataka bölgesini temsil eden şekil dosyası üzerine bindirilerek, her ızgara hücresi içindeki veri noktalarının hassas bir şekilde tanımlanmasına ve çıkarılmasına olanak tanır. Çıkarılan veri kümesindeki her veri noktası, enlem ve boylam koordinatlarıyla tanımlanan belirli bir konuma karşılık gelir. Ek olarak veri seti, Karnataka’daki belirli alanlar hakkında bağlamsal bilgi sağlayan alt bölge adlarını da içerir. Ayrıca, toprak özelliklerine ilişkin değerli bilgiler her veri noktasıyla ilişkilendirilerek daha sonraki toprak tipi analizi ve araştırmasını kolaylaştırır.

Izgara kaplama tekniğinden elde edilen kapsamlı veri setinden yararlanılarak, toprak özelliklerinin yerel düzeyde ayrıntılı bir şekilde araştırılması mümkün hale gelir. Karnataka bölgesi içindeki mekansal bilginin bu gelişmiş tanecikliliği, (1) Kil , (2) Tınlı , (3) Killi tınlı , (4) Kumlu tınlı , (5) Kumlu gibi çeşitli toprak doku türlerinin detaylı coğrafi analizine ve araştırılmasına olanak tanır. killi balçık ve (6) Su . QGIS kullanılarak çıkarılan Karnataka alt bölgeleri şunlardır: (1) Bidar , (2) Gulbarga , (3) Belgaum , (4) Bijapur , (5) Bagalkot , (6) Raichur , (7) Koppal, ( 8) Uttar Kannand , ( 9) Shimoga , (10) Udupi , (11) Chikmagalur , (12) Dakshin Kannad , (13) Hassan , (14) Kodagu , (15) Gadag , (16) Dharwad , (17) Bellary , (18) Haveri , (19) Davanagere , (20) Chitradurga , (21) Tumkur , (22) Mysore , (23) Mandya , (24) Chamrajnagar , (25) Bangalore Rural , (26) Kolar , (27) Bangalore Urban . Tablo 1 , Karnataka bölgesi için toprak ve konum gibi özellikleri içeren veri seti-1 örneğini detaylandırmaktadır.

Tablo 1 İncelenen bir bölge için konum ve toprağın istatistiksel özelliklerini oluşturan veri seti-1 örneği.

#	Latitude (N)	Longitude (E)	Soil type	Region in Karnataka
1	17° 42′ 18.432ʹʹ	76° 41′ 47.4972ʹʹ	Clay	Bidar
2	17° 26′ 42.432ʹʹ	77° 11′ 47.4972ʹʹ	Clay loam	Gulbarga
3	15° 17′ 6.432ʹʹ	76° 39′ 23.508ʹʹ	Loam	Bellary
4	13° 58′ 30.432ʹʹ	75° 26′ 11.508ʹʹ	Sandy clay Loam	Shimoga
5	14° 17′ 6.432ʹʹ	74° 28′ 35.508ʹʹ	Sandy loam	Uttar Kannad

Tıbbi bitkilerde doğru veri toplanması, onların botanik özelliklerinin ve korunma durumlarının anlaşılmasında çok önemli bir rol oynar. Sivil toplum ve hükümet kuruluşlarının üye olduğu bir birlik olan IUCN, botanik adları ve korunma durumları da dahil olmak üzere tıbbi bitkilerin kapsamlı ve küresel olarak tanınan bir listesini sağlar. Nesli tükenme riskini ve tür dağılımını sağlayan tehdit altındaki türlerin kırmızı listesini oluşturmuştur30 . IUCN’deki kırmızı liste, türlere (a) DD olarak veri eksikliği, (b) EN olarak tehlikede, (c) LC olarak en az endişe verici, (d) NE olarak değerlendirilmedi, (e) Tehdide yakın gibi sıralı bir tehdit kategorisi atar. NT olarak ve (f) Yok olma riski göstergelerine dayanan niceliksel kriterlere göre değerlendirme yoluyla VU olarak Hassas . Tablo 2’de şifalı bitkiler, korunma durumları ve toprak tipiyle birlikte örnek veri seti-2 gösterilmektedir.

Tablo 2 İncelenen koruma durumu için şifalı bitkileri ve toprak türünü oluşturan veri seti-2 örneği.

#	Toprak tipi	Tıbbi bitkinin botanik adı	Koruma durumu
1	Kumlu killi balçık	Aphanamixis polistachya	LC
2	balçık	Cinnamomum macrocarpum	VU
3	Kil	Plectranthus caninus	LC
4	Kumlu balçık	Jatropha gossypiifolia	LC
5	balçık	Zinnia Peruviana	kuzeydoğu
6	Killi toprak	Exacum iki renkli	TR
7	Kumlu balçık	Carica papaya	GG

Karar ağacı algoritması

Birçok makine öğrenimi algoritması türünden denetimli ve denetimsiz öğrenme algoritmaları, makinenin verileri nasıl topladığı ve öğrendiğine bağlı olarak tipik olarak ayrılan iki ana türdür. Önerilen çalışma, girdi ve çıktı gösterimine sahip bir veritabanındaki kodlanmış öğrenme akışının makine deneyimini elde ettiği denetimli öğrenme algoritmalarını göstermektedir. Veritabanındaki numuneler olarak bilinen gözlemler, girdi olarak özelliklerden ve çıktı olarak hedef etiketlerinden oluşur. Denetimli algoritmaların temel amacı, girdileri ilgili çıktılara yüksek doğrulukla eşlemektir. Tüm denetlenen algoritmalar Denklem 2’de gösterildiği gibi özetlenmiştir. ( 1 ) düzenli ampirik risk minimizasyonu konusunu açıklamaktadır.

Burada Kayıp , y i gerçek değerini, xi giriş değişkenli ( f ) modelinden elde edilen değerle karşılaştıran kayıp fonksiyonunu ifade eder . İlk terim uyumun kalitesini ölçer, ikinci terim ise karmaşık modellerde aşırı uyumu önlemek içindir. Karar ağaçları (DT), bu çalışmada benimsenen denetimli bir algoritmadır.

DT, ampirik risk minimizasyonu ve dikdörtgen bölgelerde benimsenen açgözlü buluşsal mantık olarak kayıpların karelerinin toplamını kullanır. Esas olarak sürekli ve kategorik girdi ve çıktı değişkenleri dahil olmak üzere sınıflandırma konularına yoğunlaşmaktadır31 . Öncelikle örnekleri ayıran özellikler dikkate alınarak örnekler homojen kümelere ayrılır. DT’de benimsenen terminoloji kök (sadece tüm örnekleri içeren giden oklarla ağacın başlangıcı), yapraklar (kararın tamamlandığı terminal düğümü), düğümler, dal ve budamadır (aşırı uyumu önlemek için ağacın bir kısmının kaldırılması). ). Numuneler, bilgi kazanımı, Gini, varyansın azaltılması ve ki-kare 32 gibi çeşitli tekniklere dayanarak aşamalı olarak bölünür .

Entropi, belirli bir özelliğin sınıflandırılmasıyla ilişkili belirsizlik düzeyini ölçer. Tüm öğeler tek bir sınıfla özel olarak hizalandığında, entropi, kesin ve kesin sınıflandırmayı gösteren bir saflık durumuna ulaşır. Entropi metriği 0 ile 1 arasında değişir; 0, tüm öğelerin belirli bir sınıfla veya tekil bir hakim sınıfla belirgin bir şekilde ilişkili olduğu mükemmel sınıflandırma saflığını temsil eder. Tersine, 1’lik bir entropi değeri, maksimum belirsizlik seviyesini belirtir ve çeşitli sınıflar arasında öğelerin rastgele ve ayrım gözetmeyen bir dağılımını gösterir. Matematiksel olarak Entropi Eşitlik 2’de gösterildiği gibi ifade edilir. ( 2 )

Alternatif olarak Gini safsızlığı olarak da adlandırılan Gini Endeksi, rastgele seçilen belirli bir özellik için yanlış sınıflandırma olasılığını ölçer. Tüm unsurlar yalnızca tek bir sınıfla ilişkilendirildiğinde kusursuz bir sınıflandırma anlamına gelen bir saflık durumuna ulaşır. Entropiye benzer şekilde, Gini endeksi 0 ile 1 arasındaki sayısal aralığı kapsar. 0 değeri, tüm öğelerin belirli bir sınıfa atandığı veya tekil bir sınıfın geçerli olduğu kusursuz sınıflandırma saflığını belirtir. Tersine, 1 değeri, öğelerin farklı sınıflar arasında gelişigüzel dağılımını belirtir. 0,5’lik bir Gini Endeksi değeri, öğelerin birden fazla sınıfa eşit bir şekilde dağıtıldığını gösterir. Matematiksel olarak Gini İndeksi Eşitlik 2’de gösterildiği gibi ifade edilir. ( 3 )

Ağaç tabanlı algoritmalar, doğruluk parametresini geliştirmek için topluluk tekniğini benimser. Topluluk yöntemi, zayıf öğrenenleri güçlü, yüksek performanslı öğrenenlere ulaşmak için birleştirir33 . Torbalama ve güçlendirme, topluluk öğreniminde iki tür tekniktir. Torbalama, aynı birincil veri kümesinin bir alt örnek serisi için birden fazla sınıflandırıcı sonucunu birleştirir. Örneklerin rastgele seçilip tekrarlanmasıyla çeşitli alt veri kümeleri oluşturulur. Her alt veri kümesi için bir model oluşturulur ve tüm model yanıtlarının ortalaması, modu veya medyanı hesaplanarak nihai tahmin oluşturulur. Elde edilen sonuçlar birincil olanlardan daha sağlamdır. Torbalama kapsamındaki teknikler kümesi rastgele orman ve ekstra ağaçlar algoritmasıdır.

Güçlendirme tekniği, zayıf öğrencileri güçlü öğrencilere dönüştürür. Nihai tahmin, ağırlıklı ortalama yaklaşımını kullanarak diğer tahminleri birleştirir. Torbalamadan kritik fark, öğrenenlerin sırayla oluşturulmasıdır. Torbalamada yapılan her ağaç bağımsız olurken, güçlendirmede ağaçlar yanlış sınıflandırılan örnekler dikkate alınarak oluşturulur ve ağırlıklar daha sonraki alt kümelerdeki zor durumlar dikkate alınarak yeniden dağıtılır. Güçlendirme tekniği örnekleri Ada boost ve XGBoost’tur.

Rastgele orman

Ekstra ağaç sınıflandırıcısı, rastgele orman (RF) ve XGBoost gibi DT algoritmaları, topluluk öğrenme yöntemlerinden ortaya çıkan ML teknikleridir. RF, sınıflandırmayı gerçekleştirmek için her ağacın giriş vektörünün en çok yinelenen bant değerlerine oy verdiği karar ağaçlarının bir birleşimidir. Tahmine dayalı ağaçlar, torbalama veya güçlendirme yoluyla girdi veri kümesinden rastgele büyütülür. Giriş veri kümesi, sınıf etiketleri arasındaki farklılığı en üst düzeye çıkarmaya ve böylece alt kümeler oluşturarak en iyi bölünmeyi tanımlamaya yardımcı olan Gini indeksi veya bilgi kazancı gibi ölçümler kullanılarak bölünür. RF hakkında daha fazla ayrıntı Refs’te bulunabilir. 34 , 35 .

Ekstra ağaç sınıflandırıcısı

Son derece rastgeleleştirilmiş bir ağaç olarak da bilinen ekstra ağaç sınıflandırıcı (EXTC) 36 , sınıflandırma için bağımsız karar ağaçları oluşturur ve sınıflandırma modelinin varyansını azaltmak için sağlam rastgeleleştirme yöntemleri içerir. RF ve EXTC arasındaki kritik farklar şunlardır: (a) EXTC, her bir ağacı oluşturmak için eğitim setinin tamamını kullanırken RF, torbalama tekniğini uygular. (b) Düğümler (değişken ve değişken indeks) EXTC’de rastgele seçilir. Buna karşılık, RF en iyi bölme, değişkenlerin ve değişken indeksinin rastgele bir değişken alt kümesinden optimize edilmesiyle gerçekleştirilir, bu da ağaçların ilişkisiz ve çeşitlendirilmiş olmasını sağlar.

EXTC, RF’ye kıyasla hesaplama verimliliği açısından belirgin bir avantaj sunar. Rastgeleleştirme yaklaşımı, RF’ye kıyasla karar ağaçlarının daha hızlı oluşturulmasını sağlar. RF, en uygun olanı belirlemek için çok sayıda potansiyel bölmeyi değerlendirir ve önemli miktarda hesaplama kaynağı tüketirken, EXTC, kapsamlı bir değerlendirme olmaksızın rastgele bölmeler kullanır ve bu da daha hızlı eğitim sürelerine yol açar. Bu hız avantajı, EXTC’yi özellikle kapsamlı veri kümelerinin veya hesaplama verimliliğinin öncelikli olduğu senaryoların işlenmesi için uygun hale getirir.

XGBoost

DT tekniğini temel alan popüler bir ML algoritması olan aşırı degrade güçlendirme (XGBoost) 37 , birçok DT içeren bir orman oluşturur. Bu teknik, daha zayıf tahmincileri entegre etmek ve güçlü tahmincileri gerçekleştirmek için seri veri seti eğitim prosedürünü kullanır. Aşırı uyum sorunu, modelleme prosedürü sırasında düzenlileştirme teriminin getirilmesiyle hafifletilir. Hedef fonksiyonunu en düşük değere ulaşana kadar (eğitim durur) optimize etmek için art arda eğitim veren bir topluluk tekniğidir.

Torbalama sınıflandırıcı

Torbalama olarak bilinen Bootstrap AGGregatING, sınıflandırıcıları orijinal eğitim seti T  =  t 1 , t 2 ,…t n üzerinde rastgele eğiten bir topluluk tekniğidir ; burada i’inci örneği ve n — toplam örneği temsil eder . Teknik, ortalama alma veya oylama yöntemini benimseyerek her tahmini nihai tahminde birleştirir. Torbalama sınıflandırıcısı modelin varyansını azaltır ve böylece aşırı uyum sorununu azaltır. Torbalama sınıflandırıcı topluluğu Denklem 2’de gösterildiği gibi temsil edilebilir. ( 4 )

Önerilen yöntem

Ana amaç, Karnataka bölgesi için toprak ve CBS verilerini kullanarak hassas şifalı bitkileri ve bunların potansiyel büyüme noktalarını korumak için önerilerde bulunmaktır. Yaklaşım, Karnataka bölgesinin 27 alt bölgesini ve altı toprak doku tipini dikkate aldı; burada kullanıcılar toprak tipini veya önerilen sistemin verimli bir şekilde yetiştirilebilecek potansiyel şifalı bitkileri önerdiği ilgi alanını seçebiliyor. Önerilen yaklaşım üç aşamadan oluşmaktadır: veri toplama, sınıflandırma ve öneri. Önerilen yöntemin veri toplama aşaması iki farklı aşamayı içermektedir; enlem, boylam, alt bölgeler ve bunlara karşılık gelen topraklar gibi nitelikleri içeren veri seti-1 ve hassas tıbbi bitki botanik isimleri, korunma durumları ve uygun toprak gibi nitelikleri içeren veri seti-2 doku türleri. Şekil 2 , önerilen sistemi ( GeoHerb ) oluşturmak için benimsenen yaklaşımın ayrıntılı akışını göstermektedir . Sınıflandırma aşamasında, kullanıcı girdisine (toprak türü veya bölgesi) dayalı olarak, ilgili çıktıyı sınıflandırmak için ML modeli geliştirilir (girdi olarak toprak türü için hedef etiket, onun alt bölgesidir ve girdi olarak alt bölge için hedef, uygun toprak türü). Bu nedenle, çıktı etiketlerini tahmin etmek için iki ML modeli tasarlanmıştır. Karar ağacı tabanlı modellerin dışında benimsenen alternatif bir yaklaşım da kNN sınıflandırma algoritmasıdır. Algoritma, özellik noktası mesafesini ölçmek için Öklid mesafesini uygulamaktan oluşur. Algoritma k (en yakın komşu) değerine göre farklı davranışlar gösterir. Çalışmada k=5 için varsayılan parametre kullanılmıştır.

Şekil 2: GeoHerb için önerilen yaklaşım.

Üçüncü aşamada (öneri), sınıflandırma aşamasından türetilen önerilen bitki türleri, tahmin edilen toprak doku türlerinin mekansal dağılım modellerini tasvir etmek için renk kodlu alanlar kullanan bir jeo-uzaysal görselleştirme tekniği olan koroplet haritaya kusursuz bir şekilde entegre edilir ve ilişkili bitki toplulukları. Bu coğrafi görselleştirme tekniği, tematik gölgeleme ve renk gradyanlarından yararlanarak, ilgilenilen bölgedeki bitki bolluğunun, tür zenginliğinin ve ekolojik bölgelemenin görselleştirilmesine olanak tanır. Kullanıcılar harita ile etkileşim kurarak bitki simgelerine tıklayarak detaylı botanik bilgilere ulaşabiliyor. Bu, toprak özellikleri, bitki uygunluğu ve coğrafi bağlam arasındaki karmaşık ilişkilerin daha iyi anlaşılmasını sağlar. Choropleth haritası, bitki-çevre etkileşimlerini araştırmak ve analiz etmek, ekolojik yönetim ve arazi kullanımı planlama çabalarında bilinçli karar vermeyi kolaylaştırmak için değerli bir araçtır.

Araştırma, tıbbi bitkilerin büyümesine yüksek oranda katkıda bulunan toprak, CBS bilgileri, tıbbi bitki botanik adları ve koruma durumu gibi özellikleri seçerek yeni veri kümeleri oluşturmanın zorluğunu araştırıyor. Araştırmada ele alınan şifalı bitkiler IUCN kayıtlarına göre hassastır. Rastgele orman, XGBoost, kNN, torbalama sınıflandırıcı ve ekstra ağaç sınıflandırıcı gibi ML modelleri ile geliştirilen sistem, belirli toprak veya bölgeye verimli bir şekilde yetişmeye uygun şifalı bitkileri yüksek doğruluk oranıyla tahmin etmektedir. Önerilen ekstra ağaç sınıflandırıcısı, önerilen diğer modellerden daha yüksek bir doğruluk oranı sergiliyor.

Çalışmanın amacı, nesli tükenme tehlikesiyle karşı karşıya olan şifalı bitkiler sorununun üstesinden gelmek için topluma hizmet etmek ve bu bitkilerin büyümelerini artırma konusunda halka ve paydaşlara büyük ölçüde yardımcı olmayı amaçlıyor.

Sonuçlar ve tartışma

Önerilen bu yaklaşım, (a) girdi olarak verilen alt bölge için toprak tipini ve (b) verilen toprak tipi girdisi için en uygun alt bölgeyi tahmin etmeyi amaçlamaktadır. Tahmin edilen değerler, o bölgenin veya toprak tipinin büyümesini ve gelişmesini artırmak için uygun şifalı bitkileri göstermek üzere haritada gösterilir. Araştırma, toprak haritalarından coğrafi verileri çıkarmak için QGIS’i kullanarak veri kümesi-1 ve veri kümesi-2’nin oluşturulmasını kolaylaştırdı. Şekil 3, Karnataka bölgesinde mevcut olan çeşitli toprak tipi dağılımlarının yüzdesini açıkça göstermektedir. Benzer şekilde Şekil 4 , Karnataka’nın farklı alt bölgeleri için toprak doku türlerinin dağılımını göstermektedir. Veri seti-2’de ele alınan 150 şifalı bitkinin dağılımı ve bunların IUCN’den alınan ilgili koruma durumları Şekil 5’te gösterilmektedir . Pek çok bitkinin tehlike altında olduğu, değerlendirilmediği veya hassas olduğu açıktır. Bu nedenle, bitki koruma acil bir ihtiyaçtır.

Karnataka bölgesi için altı toprak türünün yüzde dağılımı.

Şekil 4: Karnataka bölgesinin yirmi yedi alt bölgesi için toprak dağılımı.

Şekil 5: Hindistan’ın Karnataka bölgesi için şifalı bitkilerin korunma durumlarına göre dağılımı.

Önerilen tahmin RF, EXTC, torbalama, XGBoost ve kNN gibi birçok sınıflandırıcının uygulanmasını içermektedir. Her sınıflandırıcı algoritma, iyi bir tahmin performansı sağlayacak şekilde ayarlanması gereken bir dizi parametreye sahiptir. Ayarlanan parametrelerden bazıları şunlardır: (a) RF ve EXTC sınıflandırıcısı: n tahmin edici  = 100; kriter  = gini; minimum örnek bölünmesi  = 2 ve minimum örnek yaprağı  = 1. (b) XGBoost: güçlendirici  = gbtree, öğrenme oranı  = 0,3, gama  = 0, maksimum derinlik  = 6 ve minimum çocuk ağırlığı  = 1. (c) Torbalama Sınıflandırıcısı: n tahmin ediciler  = 10, maksimum örnekler  = 1,0, maksimum özellikler  = 1,0. Performans metriklerine göre en iyi model seçilir. Tablo 3 , sınıflandırma modellerinin performans ölçümlerini göstermekte ve belirli alt bölgeler içindeki toprak doku türlerini kategorize etmedeki doğruluk ölçümlerine ilişkin bilgiler sunmaktadır. Benzer şekilde Tablo 4 , sınıflandırma modellerinin performans ölçümlerini sergileyerek, bunların toprak dokusal türleri için alt bölgeleri sınıflandırmadaki doğruluğu hakkında değerli bilgiler sağlar. Tablo 3 ve 4 , 80:20 oranında (tren seti — 128.393 satır ve test seti — 32.099 satır) bölünmüş veri seti için değerleri gösterir ve modellerin kategorize etmedeki etkinliğini vurgulayan temel bir referans görevi görür.

Tablo 3 Verilen alt bölge için toprak tipinin sınıflandırılmasına yönelik performans ölçütleri.

Model	F1 score (%)	Precision (%)	Recall (%)	Accuracy (%)
				Training	Testing
Random forest	98.74	98.77	98.70	100	98.27
EXTC	98.77	98.83	98.71	100	99.01
XGBoost	97.83	97.66	97.99	98.57	97.44
kNN	98.86	98.87	98.85	99.69	97.58

Tablo 4 Verilen toprak tipi için alt bölgelerin sınıflandırılmasına yönelik performans ölçütleri.

Model	F1 score (%)	Precision (%)	Recall (%)	Accuracy train (%)	Accuracy test (%)
Random forest	98.53	98.53	98.53	100	98.05
EXTC	98.63	98.63	98.63	100	98.76
Bagging	98.54	98.54	98.54	99.89	97.94
kNN	98.62	98.62	98.62	99.48	97.29

Tablo 3 ve 4’te sunulan sınıflandırma modellerini değerlendirirken , tüm modeller için farklı parametrelerin kullanıldığının, sırasıyla toprak tipi ve alt bölgenin sınıflandırılmasında elde edilen dikkat çekici performansın altının çizilmesi dikkat çekicidir. Farklı parametre konfigürasyonu, manüel ayarlama veya kişiselleştirmeden yoksun olarak modelin kendine özgü yeteneklerini yansıtır. Buna rağmen, f1 puanı, hassasiyet, doğruluk ve geri çağırma gibi elde edilen performans ölçümleri, toprak doku türlerinin alt bölgeler içinde (ve bunun tersi) kategorize edilmesinde dikkate değer oranlar ve etkinlik sergiliyor.

En iyi performansı sergileyen modeller vurgulanmıştır ve Tablo 4’te XGBoost’un, ilk değerlendirmedeki ortalamanın altındaki performansından dolayı verilen toprak doku türlerine göre alt bölgeleri sınıflandırmak için kullanılmadığı, sonuçlarının istenen doğruluk seviyesini gösteremediği ve Diğer modellerle karşılaştırıldığında verimlilik. Buna karşılık, torbalama sınıflandırıcısı , birden fazla hedef sütunu (toprak dokusal türleri) desteklememe sınırlaması nedeniyle Tablo 3’te gösterilen alt bölgeler içindeki toprak tipi sınıflandırmasında kullanılmaz . Yukarıdaki sonuç, diğer modellerle karşılaştırıldığında doğru ve güvenilir sınıflandırmayı sağlamak için EXTC ve RF’nin seçildiğini göstermektedir.

Ancak kNN algoritması, karar ağacı tabanlı modellerin her iki sınıflandırmasında da rekabetçi doğruluk göstermiştir. Özellikle EXTC sınıflandırıcısı çapraz doğrulama puanlarında diğer tüm modellerden daha iyi performans gösterdi. EXTC tarafından tutarlı bir şekilde elde edilen yüksek doğruluk, veri kümesindeki temel kalıpları ve varyasyonları, verilerin farklı katmanlarında yakalama ve kullanma konusundaki etkinliğini göstermektedir. Bu nedenle, mevcut araştırma tahminleri açısından diğer sınıflandırıcılarla karşılaştırıldığında en iyi performansı gösteren EXTC ile yola devam edildi.

Şekil 2’deki sonuçlar. Şekil 6 ve 7, sırasıyla toprak ve alt bölgenin sınıflandırılması için EXTC modelinin sağlamlığını ve güvenilirliğini vurgulamaktadır. Benimsenen çapraz doğrulama süreci, 5’lik k-kat değerini kullanmıştır; bunun için EXTC, alt bölgeler içindeki toprak doku türlerini sınıflandırmak için %99,01 ve toprak doku türlerine dayalı olarak alt bölgeleri kategorize etmek için %98,76’lık tutarlı bir üst doğruluk göstermiştir. Çapraz doğrulama puanlarının gösterdiği sağlamlık ayrıca, incelenen sınıflandırma modellerinin alt bölgeler içindeki toprak doku türlerini ve bunun tersini etkili bir şekilde sınıflandırabileceği ve bu modellerin jeo-uzaysal analiz, çevresel çalışmalar ve ilgili alanlarda değerli araçlar haline gelebileceği fikrini desteklemektedir.

Şekil 6: Zemin sınıflarının sınıflandırılmasına yönelik EXTC’nin test doğruluk oranının diğer modellerle karşılaştırılması.

Şekil 7: Alt bölge sınıflarının sınıflandırılması için EXTC’nin test doğruluk oranının diğer modellerle karşılaştırılması.

Araştırma, kullanıcı tarafından seçilen toprak tipine veya alt bölgeye göre en uygun şifalı bitkiyi önermek için geliştirilen EXTC sınıflandırıcı algoritmasına sahip ML modeli olan iki veri kümesi kullanılarak sonuçlandırılmaktadır. EXTC ve RF sınıflandırıcılarının en iyi performans gösteren modeller olarak ortaya çıktığı titiz bir değerlendirme sonucunda belirlendi. EXTC, çeşitli ölçümlerde sürekli olarak yüksek doğruluk sergileyerek sınıflandırmadaki sağlamlığını ve güvenilirliğini vurguladığından, çalışmadaki en iyi model olarak seçilmiştir. Bir koroplet görselleştirmesi, sonuçların kapsamlı bir şekilde anlaşılmasını sağlayarak, toprak ve bitkiler için anlamlı renk temsiliyle haritalarda sonuçların sezgisel ve bilgilendirici bir şekilde temsil edilmesini sağlar.

Şekil 8, EXTC modelinin kullanıcı tarafından seçilen belirli alt bölgeler içindeki toprak dokusal türlerinin dağılımına ilişkin performansını ve koruma durumlarına göre karşılık gelen şifalı bitkinin tavsiyesini elde etmek için yürütülen farklı deneylerden elde edilen değerli bilgiler sunan grafiklerden oluşan bir kolajı göstermektedir. . Şekil 8a’daki grafik, kullanıcı tarafından seçilen alt bölge ( Belgaum ) içindeki toprak dağılımını gösterir ve farklı toprak dokusal türlerini ve mekansal kapsamını vurgular. Şekil 8b , Belgaum alt bölgesi içindeki killi toprakta yetişen, LC olarak koruma statüsüne sahip önerilen şifalı bitkileri belirterek yukarıdaki bilgiyi tamamlamaktadır .

Şekil 8: ( a ) Belgaum alt bölgesindeki toprağın dağılımı . ( b ) Belgaum alt bölgesindeki LC bitkilerinin grafiği.

Şekil 9, Karnataka bölgesindeki kullanıcı tarafından seçilen toprak tipi ( killi tınlı ) için şifalı bitki önerilerinin ayrıntılarını vermektedir . Şekil 9a’daki grafik , Karnataka’daki killi-tınlı toprağın dağılımını göstermektedir. Şekil 9b , Dakshin Kannad alt bölgesi içindeki killi-tınlı toprakta yetişen EN olarak koruma statüsüne sahip şifalı bitkilerin tavsiyesini belirterek yukarıdaki bilgiyi tamamlamaktadır .

Şekil 9: ( a ) Karnataka’daki killi tınlı toprağın dağılımı . ( b ) Dakshin Kannad alt bölgesinde potansiyel olarak yetiştirilebilen EN otlarının grafiği .

Tablo 5 ve 6’da ayrıntıları verilen yanlış sınıflandırma sonuçlarından , EXTC modelinin aşırı uyum sorununun üstesinden gelmesi ve yüksek bir orana genelleme yapmasıyla ilgili gözlemler aşağıdadır. Toprak sınıflandırmasında fark edilen yanlış sınıflandırma, iki toprak doku tipinin sınırındadır. Örneğin, Belgaum bölgesindeki dağınık toprak doku türleri, Şekil 8a’da görüldüğü gibi kil, killi tınlı ve kumlu killi tınlıdır . Benzer şekilde, Tablo 6’da gözlemlenen birkaç yanlış sınıflandırılmış sonuç, ortak sınırı paylaşan alt bölgelerden kaynaklanmaktadır. Örneğin, Karnataka bölgesindeki killi-tınlı toprağın dağınık dağılımı Şekil 9a’da görülmektedir . Belirli bir toprağa veya bölgeye ait potansiyel şifalı bitkiler son kullanıcılara koroplet harita kullanılarak gösterildiğinden bu yanlış sınıflandırmalar önemsizdir.

Tablo 5 Toprak sınıflandırmasına ilişkin yanlış sınıflandırma analizi.

#	Toprak tipi	Toplam numuneler	# Doğru sınıflandırma	# Yanlış sınıflandırma	Hata (%)
0	Kil	9396	9314	82	0.87
1	Killi toprak	13.849	13.676	173	1.25
2	balçık	665	637	28	4.21
3	Kumlu killi balçık	7895	7843	52	0,66
4	Kumlu balçık	145	134	11	7.59
5	su	149	143	6	4.03
	Toplam	31.950	31.589	361	3

Tablo 6 Alt bölge sınıflandırmasına ilişkin yanlış sınıflandırma analizi.

#	Alt bölgeler	# Örnekler	# Doğru sınıflandırma	# Yanlış sınıflandırma	Hata (%)
1	Bagalkot	1081	1067	14	1.30
2	Bangalor Kırsalı	937	910	27	2.88
3	Bangalor Kentsel	360	346	14	3.89
4	Belgaum	2252	2234	18	0.80
5	Bellary	1435	1420	15	1.05
6	Bidar	916	910	6	0,66
7	Bijapur	1693	1682	11	0,65
8	Çamrajnagar	947	939	8	0,84
9	Çikmagalur	1252	1230	22	1.76
10	Çitradurga	1388	1374	14	1.01
11	Dakshin Kannad	746	736	10	1.34
12	Davanagere	1027	1003	24	2.34
13	Dharwad	729	717	12	1.65
14	Gadağ	806	789	17	2.11
15	Gülbarga	2734	2721	13	0,48
16	Hasan	1184	1161	23	1.94
17	Haveri	793	772	21	2.65
18	kodagu	693	681	12	1.73
19	Kolar	1406	1396	10	0.71
20	Koppal	975	953	22	2.26
21	Mandya	820	805	15	1.83
22	Mysore	1047	1032	15	1.43
23	Raichur	1422	1407	15	1.05
24	Şimoga	1295	1267	28	2.16
25	Tümkur	1811	1786	25	1.38
26	Udupi	678	670	8	1.18
27	Uttar Kannad	1672	1659	13	0,78
	Toplam	32.099	31.684	415	1.5

Yukarıdaki sonuçlar, mevcut araştırmada tasarlanan yaklaşımın, belirli bölgelerin veya ilgili toprağın şifalı bitkileri hakkında geniş bilgi sağladığını açıkça belirtmektedir. Dolayısıyla model, sessizce yok olan hassas bitkilerin büyümesini teşvik etmeyi vaat ediyor. Yukarıdaki bilgilerin yayılması şifalı bitkilerin paydaşlarına ulaşmada en iyi yaklaşımlardan biridir.

Tablo 7 önerilen sistem sonuçlarını ilgili çalışmalarla karşılaştırmaktadır. Önerilen EXTC modelinin, zemin sınıflandırmasına yönelik diğer ilgili çalışmalarla karşılaştırıldığında daha iyi doğruluk gösterdiğini açıkça göstermektedir. GeoHerb’in sınırlaması, bitki türlerini tahmin etmek için bölgenin iklim koşullarını dikkate almamasıdır. Çalışmanın tüm bulguları, maruz kalan şifalı bitkilerin toprak ve bölge sınıflandırmasından tavsiye edilmesine ilişkin karar verme süreçlerini desteklemek için coğrafi analiz ve makine öğrenimi tekniklerini birleştirmenin potansiyel yönünü göstermektedir.

Tablo 7 Önerilen sistemin toprak sınıflandırmasına ilişkin çalışmalarla karşılaştırılması.

#	Referanslar	Yöntem	Kesinlik (%)
1	Aydın ve ark. 38	Karar ağacı sınıflandırıcısı (CART)	90.66
2	Azmin ve ark. 39	Rastgele orman	97.23
3	Önerilen sistem	EXTC	99.01

Çözüm

Araştırma, CBS ve makine öğrenimi tekniklerini kullanarak belirli bölgelerdeki hassas tıbbi bitkilerin başlıklarını tahmin etme olanaklarını araştırıyor. Tahmin, hastalıkları tedavi etmek ve yeni ilaç keşfine yardımcı olmak için ana kaynak oldukları için şifalı bitkileri korumayı ve büyümelerine yardımcı olmayı amaçlıyor. QGIS aracı, GIS ve toprak bilgilerini FAO web kaynağından alır. Hassas bitkilere ve bunların korunma durumlarına ilişkin veri seti IUCN kayıtlarından alınmıştır. Metodoloji, özellikle örnek olay çalışması olarak seçilen Hindistan’ın güney bölgesi Karnataka’ya uygulanmıştır. Bölge 27 alt bölge ve altı farklı toprak doku tipinden oluşmaktadır.

GeoHerb tarafından tasarlanan sistem aracılığıyla kullanıcıya, verimli bir şekilde yetiştirilebilecek potansiyel şifalı bitkileri (hassas) tahmin etmek için girdi olarak toprak tipini veya ilgilenilen alt bölgeyi sağlama seçeneği sunulur. Rastgele orman, ekstra ağaç sınıflandırıcı, torbalama sınıflandırıcı, XGBoost ve kNN gibi basit sınıflandırma algoritmalarının yanı sıra çok az karar ağacı tekniği kullanılmaktadır. Önerilen veri kümeleri, toprak bilgilerinin yer aldığı 160.492 satırlık konum ve koruma durumlarıyla birlikte 150 bitkiden oluşuyor. Veri kümesindeki beş makine öğrenimi modeli denemesi, rekabetçi doğruluk oranlarını sergiledi. Özellikle, ekstra ağaçlar sınıflandırıcısı her iki model için de (sırasıyla alt bölge etiketleri ve toprak tipi etiketleri tahmini) %98,76 ve %99,01 doğruluk sunmuştur.

CBS’nin ve makine öğrenimi algoritması tarafından yönlendirilen toprak analizinin yakınsaması, hassas şifalı bitkilerin anlaşılmasında, ihtiyaçlarının karşılanmasında ve sürdürülebilir kullanımında devrim yaratıyor. Öngörülen tasarım, toplumun ve sağlık uygulamalarının iyileştirilmesini teşvik eden modern teknikler ile geleneksel yaklaşımlar arasındaki boşluğu doldurduğu için en son teknolojiye sahip bir yaklaşımdır. Benimsenen yöntem, şifalı bitkilerin haritalar aracılığıyla hızlı bir şekilde analiz edilmesini sağlar. Pek çok şifalı bitki ülkenin ekonomik ürünü olduğundan paydaşlarının birçoğu büyük oranda faydalanmaktadır. Çalışma, makine öğreniminde diğer öğrenme algoritmalarını uygulamak ve hassas bitkilerin büyümesine ve genel mahsullerin üretimine katkıda bulunan farklı ülkelerde CBS’yi uygulamak ve uygun iklim ve coğrafi konum bilgilerini çıkarmak için QGIS’e birçok katman eklemek üzere genişletilebilir. otlar için.

Veri kullanılabilirliği

Mevcut çalışma sırasında kullanılan ve/veya analiz edilen veri kümeleri, makul talep üzerine ilgili yazardan temin edilebilir.