Yazar "Çelik, Şenol" seçeneğine göre listele
Listeleniyor 1 - 3 / 3
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Regresyon Modeli Kullanılarak Aracı Değişken Analizi: Tarım Verilerinde Uygulaması(Osmaniye Korkut Ata Üniversitesi, 2024) Köleoğlu, Nilay; Çelik, ŞenolGünlük hayatta araştırılması düşünülen değişkenler arasındaki ilişkiler, genellikle bir tahminci ve sabit arasındaki basit iki değişkenli ilişkilerden daha karmaşık olarak ortaya çıkarlar. Bu ilişkiler araştırma tasarımına aracı (mediation) değişken ismi verilen üçüncü bir değişkenin eklenmesiyle değiştirilebilir veya bu değişkenin eklenmesiyle farklı bir model olarak şekillenebilir. Bu araştırmanın amacı, Türkiye’de 2021 yılında 81 ilde bitkisel üretim miktarı ile bitkisel üretim değeri değişkenleri arasındaki ilişkide tarım alanı değişkeninin aracılık etkisini tespit etmektir. Veriler basit ve çoklu doğrusal regresyon analizi ile analiz edilmiştir. Çalışmanın bulguları bitkisel üretim miktarı (ÜM) ile bitkisel üretim değeri (ÜD) arasındaki ilişkide, tarım alanının (AL) aracılık rolünün olmadığını ortaya koymuştur.Öğe Trend analysis and artificial neural networks: An application in agriculture(Rating Academy, 2022) Çelik, Şenol; Köleoğlu, NilayThe aim of this study is to show that production planning may be performed using artificial neural networks (ANN) and trend analysis in the establishment of sainfoin production amount model and in forecasting in Turkey by years. The study covers data for the period 1990-2020. In the development of ANN and trend analysis, parameter of years was used as an input parameter and production amount was used as an output parameter. Linear, quadratic and cubic models are used in trend analysis. In the ANN method, the Hyperbolic Tangent Function is used as the activation function. The efficiency of the model developed was determined using statistical parameters such as Mean Squared Error (MSE) and determination coefficient (R2). Comparing trend analysis and ANN, ANN method with lower mean square error (MSE) value gave better results. Prediction has been made according to ANN. The results foresee that sainfoin production will be in a decline in 2025 over the year 2020. The sainfoin production, which was 1 934 697 tons in 2020, is expected to be 1 860 691 tons with a decrease of 3.83% in 2025. ANN is a useful tool in terms of determining the results found in case of any changes that may occur in variables and in terms of improving the processes accordingly. It has been noted that ANN models yield better results than trend analysis in production modellingÖğe Türk Alaca Atlarının Vücut Ölçülerinin Farklı Yaşlarda İncelenmesi(2015) Çelik, Şenol; Coşkun, Füsun; Yılmaz, OrhanBu çalışmada, Türk Alaca atlarında yaş faktörünün çeşitli vücut ölçülerine olan etkisi çok değişkenli istatistik analiz yöntemlerinden MANOVA testi ile araştırılmıştır. Atlar 1-2 yaş, 2-3 yaş, 4-5 yaş ve 5 yaşından büyük olmak üzere yaş gruplarına ayrılmıştır. Atlarda incelenen vücut ölçüleri cidago yüksekliği, sağrı yüksekliği, vücut uzunluğu, göğüs çevresi, göğüs derinliği, göğüs genişliği, kuyruk uzunluğu, ön incik çevresi ve baş uzunluğudur. Yaşlara göre atlardaki vücut ölçüleri arasındaki farklılıkları en fazla sırasıyla cidago yüksekliği (R2 =0.68), sağrı yüksekliği (R2 =0.66) ve göğüs derinliği (R2 =0.64) belirlenmiştir. Yaşlara göre vücut ölçüleri arasındaki farklılık istatistiki olarak önemli bulunmuştur. Cidago yüksekliği, sağrı yüksekliği, vücut uzunluğu, göğüs çevresi, göğüs derinliği, göğüs genişliği, kuyruk uzunluğu ve baş uzunluğuna göre; 1-2 yaşlı atlar ile 2-3 yaş, 4-5 yaş ve 5 yaşından büyük atlar arasındaki fark önemlidir (P<0.01). Ön incik çevresi açısından 1-2 yaşlı atlar ile 2-3 yaş, 4-5 yaş ve 5 yaşından büyük atlar arasındaki fark önemlidir (P<0.01). 2-3 yaş arası atlarla 5 yaşından büyük atlar arasındaki fark ön incik çevresinde önemli bulunmuştur (P<0.05). Sonuç olarak, 4-5 yaşlı atların en yüksek göğüs derinliğine sahip olduğu, diğer ölçülerin ise 5 yaşından büyük atlarda en yüksek değerde olduğu tespit edilmiştir.
