#coğrafi bilgi sistemleri

[tibbivearomatikbitkiler]

Makine öğrenmesi yöntemleri kullanılarak toprağın şifalı bitkilere uygunluğunun haritalandırılması

Makine öğrenmesi yöntemleri kullanılarak toprağın şifalı bitkilere uygunluğunun haritalandırılması

#AşırıHasat, #BitkiBiyokütlesi, #BitkiGenotipleri, #BiyolojikÇeşitlilik, #CBSAraçları, #Çeşitlilik, #CoğrafiBilgiSistemleri, #EkosistemHizmetleri, #FenotipikÖzellikler, #GelenekselTıp, #GMPGIS, #GübrelemeOranı, #HabitatKaybı, #HasatSüresi, #IklimDeğişikliği, #IlaçKeşfi, #JeoUzaysalVeriler, #KoropletHaritası, #KuantumCoğrafiBilgiSistemi, #MakineÖğrenimi, #MekansalAnaliz, #Metabolitler, #NesliTükenmekteOlanBitkiler, #QGIS, #ŞifalıBitkiBüyümesi, #ŞifalıBitkiDağılımı, #ŞifalıBitkiler, #SulamaProgramı, #SürdürülebilirYönetim, #Sürdürülebilirlik, #TıbbiBitkilerinKorunması, #ToprakUygunluğuHaritalandırması, #UzaktanAlgılama, #VeriAnalizi, #VeriMadenciliği, #Verimlilik https://is.gd/VEi5H5 https://www.tibbivearomatikbitkiler.com/makaleler/makine-ogrenmesi-yontemleri-kullanilarak-topragin-sifali-bitkilere-uygunlugunun-haritalandirilmasi/

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 a��gözlü 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.

[lolonolo-com]

Coğrafi Bilgi Sistemleri 2022-2023 Bütünleme Soruları

Coğrafi Bilgi Sistemleri 2022-2023 Bütünleme Soruları 1. Aşağıdakilerden hangisi komşuluk ilişkisine örnek verilemez? A) Kavak MYO’ya yakın olan oteller B) Kavak MYO’ya 10 dakika ulaşım mesafesindeki bankamatikler C) Kavak MYO’ya 5 dakika yürüme mesafesindeki marketler D) Kavak MYO ile tren istasyonu arasındaki uzaklık E) Kavak MYO’ya 500 metre mesafedeki kafeler Cevap : D) Kavak MYO ile tren…

[tarihinbilgileri]

Dijitalleşmenin Tarih Araştırması ve Yazım Süreçlerine Etkisi

Dijitalleşme, 21. yüzyıldaki en oynanış dönüşümlerinden biri olarak hayatımızın her alanında kendini hissettirdiği gibi, tarih bilimi ve tarih yazımı üzerinde de derin bir etki bırakmıştır. Bugünkü tarihler, etkilere erişim ve bu özelliklerin işlenmesi yöntemleri yeniden şekillendirilen dijital teknolojilerin sunduğu fırsatlarla birlikte çalışırken, aynı zamanda bu bollukların sunduğu bazı zorluklarla da karşı karşıyayız. Bu yazıda dijitalleşmenin araştırma ve yaygınlaşmasına olumlu ve olumsuzlukların ayrıntılı bir şekilde incelenmeye başlaması.

~Sorunların Etkileri: Tarihçiler İçin Yeni Ufuklar~

1. Kaynaklara Kolay Erişim ve Çeşitlilik

Dijitalleşmenin en önemli kişilerden biri, geniş bir yelpazede tarihi kaynağa hızlı ve kolay erişim sağlamasıdır. Eskiden fiziksel olarak dosyalara ve arşivlere devam etmek zorunda kalan araştırmacılar, artık dünyanın dört bir yanındaki koleksiyonlara internet üzerinden ulaşabiliyor. Google Books, JSTOR, Europeana ve HathiTrust gibi platformlar, dünyadaki tarihi kaynak kul

Ayrıca dijital arşivler yalnızca basılı metinlere değil, haritalar, fotoğraflar, ses kayıtları ve videolar gibi farklı medya türlerine erişim imkanı sağlar. Bu çeşitlilik, tarihçilerin daha zengin bir analiz yapmasına olanak sağlar.

2. Zaman ve Maliyet Tasarrufu

Dijital platformlar sayesinde bir kaynağa açılmak için aylarca sürebilecek fiziksel yolculuklar artık çoğu zaman gereksiz hale geldi. Bir tarihi, bir Osmanlı arşiv belgesine, British Library'deki bir kitaba veya Amerikan Kongre Kütüphanesi'ndeki bir haritaya tek bir tıklamayla ulaşılabilir. Bu durum, araştırma süreçlerini hızlandırırken, seyahat ve konaklama gibi maddi maliyetleri de büyük ölçüde azaltır

3. Dijital Araçlar ve Yeni Metodolojiler

Dijitalleşme, yalnızca kaynaklara erişim değil, aynı zamanda bu bilginin analiz edilme biçimine dönüştürülmüştür. Dijital beşerî bilimler (Dijital Beşerî Bilimler) alanında gizli yazılımlar, büyük veri kümelerini analiz etmek, metinlerdeki ana temaları belirlemek, zaman ve mekânı görsel olarak görselleştirmek gibi özelliklerde tarihsellere yardımcı olur. Örneğin;

>OCR (Optik Karakter Tanıma)teknoloji, eski

>CBS (Coğrafi Bilgi Sistemleri), ta

>Veri Madenciliği ve Ağ Analizleri ,

4. Yaygınlaşan Tarih Yazımı

Dijitalleşme sayesinde tarih yazımı, profesyonel tarihçilerin tekelinden daha geniş kitlelere yayılmıştır. Bloglar, sosyal medya platformları, podcast'ler ve YouTube gibi dijital araçlar, amatör tarih meraklılarının da araştırmalarını paylaşmalarına olanak tanır. Bu durumun, tarihin daha erişilebilir hale gelmesini sağlarken, aynı zamanda kolektif bir tarih bilincinin oluşması.

~Olumsuz Etkiler: Dijitalleşmenin Gölge Tarafı~

1. Dijital Kaynakların Güvenilirlik Sorunu

Her ne kadar dijital platformlar geniş bir kaynak yelpazesi sunsa da, bu doğruluğu ve güvenilirliğini doğrulamak her zaman kolay değil. İnternetteki bilgilerin bir kısmı, resmi olmayan veya hatalı içeriklerden oluşabilir. Bu durum, özellikle dijital ortamda yetişen amatörler arasında yanlış yaşlanmaya neden olabilir.

2. Teknik Bağımlılık ve Dijital Yetersizlikler

Dijital araçları etkin bir şekilde kullanmak, belirli bir teknik bilgi gerektirir. Ancak, bazı tarihçiler bu araçlara erişim sağlama veya bunları kullanma konusunda yetersiz kalabilir. Ayrıca, dijital platformlara dayalı ilişkiler, fiziksel arşivlerdeki sayıların göz ardı edilmeleri yolu açılabilir. Oysa bazı kaynaklar yalnızca fiziksel formda mevcut ve dijitalleştirilmiş durumda değil.

3. Veri Kaybı ve Dijital Arşivleme Sorunları

Dijital bilgilerin uzun vadeli saklanması her zaman garanti edilmez. Dosya biçimlerinin eskimesi, sunucuların çökmesi veya dijital platformların kapanması gibi depolanmaları, önemli veriler kaybolabilir. Tarihi belgeler fiziksel olarak korunurken, dijital belgelerin silinme riski daha yüksektir.

4. "Bilgiye Boğulma" ve Odak Kaybı

Dijitalleşme, iklim değişikliğini kolaylaştırdığı kadar bilgi miktarını da artırmıştır. Bu durum, eleştirmenlerin kritik özelliklerini bulma ve bu odaklanma konusunda zorlanmalarına neden olabilir. Çok fazla bilgiyle karşı karşıya kalan bir tarihsel, hangi kaynağın daha değerli olduğunu seçmekte zorluk yaşayabilirsiniz

~Sonuç: Dengeli Bir Yaklaşımın Önemi~

Dijitalleşme, güncel araştırma ve yazımı için hem büyük fırsatlar hem de önemli zorluklar sunuyor. Tarihçiler, bu teknolojilerin sunduğu refahlardan yararlanırken, dijitalleşmenin olumsuzluklarını da göz önünde bulundurmalıdır. Dijital varlığın doğruluğunu teyit etmek, fiziksel arşivleri ihmal etmemek ve teknik bilgi eksikliklerini gidermek, bu süreç sağlıklı bir şekilde

Sonuç olarak, dijitalleşme, tarih biliminin kapsamını genişletip yeni ufuklar sağlarken, geleneksel yöntemlerin tamamen terk edilmesi doğal anlamlara gelmez. Geleneksel tarihsellikle dijital teknolojiler arasında bir dengeyi sağlayacak, tarihe olan bakış açımızı hem zenginleştirecek hem de derinleştirecektir. Bu dengeyi, geçmişinin geçmişinin elde edilebilmesi için daha güçlü bir temel oluşur.

[dijitaltarihim]

Dijitalleşmenin Tarih Araştırma ve Yazım Süreçlerine Etkileri

Dijitalleşme, tarih araştırması ve yazım süreçlerini derinden etkileyerek hem önemli fırsatlar sunmakta hem de bazı zorluklar yaratmaktadır.

Olumlu Etkiler

* Erişim Kolaylığı: Dijital arşivler, kütüphaneler ve veritabanları sayesinde tarihçiler, dünyanın her yerinden kaynaklara kolayca ulaşabilirler. Bu, araştırma sürecini hızlandırır ve daha geniş bir perspektif sunar.

* Bilgi İşleme: Bilgisayar programları sayesinde büyük veri kümeleri analiz edilebilir, metinler taranabilir ve karşılaştırmalar yapılabilir. Bu sayede daha derinlemesine ve kapsamlı analizler yapılabilir.

* İşbirliği: Çevrimiçi platformlar ve bulut teknolojileri sayesinde tarihçiler, dünyanın her yerinden diğer araştırmacılarla işbirliği yapabilir ve fikir alışverişinde bulunabilirler.

* Yayıncılık: Dijital yayıncılık sayesinde tarihsel çalışmalar daha hızlı ve daha geniş bir kitleye ulaşabilir. E-kitaplar, çevrimiçi dergiler ve açık erişim platformları bilgiye erişimi demokratikleştirir.

* Yeni Araştırma Yöntemleri: Dijital araçlar sayesinde yeni araştırma yöntemleri geliştirilmiştir. Örneğin, coğrafi bilgi sistemleri (CBS), tarihsel olayların coğrafi boyutunu analiz etmek için kullanılırken, sosyal medya analizi tarihsel süreçlerin sosyal yönlerini incelemek için kullanılabilir.

Olumsuz Etkiler

* Bilgi Kirliliği: İnternet üzerindeki bilgi kirliliği, doğru ve güvenilir kaynakları bulmayı zorlaştırabilir.

* Dijital Ayrımcılık: Dijital araçlara erişimi olmayan veya bu araçları kullanmayı bilmeyen araştırmacılar dezavantajlı konuma düşebilir.

* Telif Hakları: Dijital ortamda telif hakları sorunları daha karmaşık hale gelebilir.

* Veri Gizliliği: Özellikle kişisel verilere dayalı araştırmalarda veri gizliliği önemli bir sorun haline gelebilir.

* Teknolojinin Bağımlılığı: Araştırmacılar, dijital araçlara aşırı bağımlı hale gelebilir ve bu durum, alternatif araştırma yöntemlerinin göz ardı edilmesine neden olabilir.

Sonuç

Dijitalleşme, tarih araştırması ve yazım süreçlerinde önemli bir dönüşüme yol açmıştır. Bu dönüşüm, hem araştırmacılar hem de toplum için büyük fırsatlar sunarken, bazı zorlukları da beraberinde getirmektedir. Tarihçiler, bu yeni ortamda hem dijital araçların sunduğu imkanlardan en iyi şekilde yararlanmalı hem de bu araçların potansiyel risklerinin farkında olmalıdırlar.

Özetle: Dijitalleşme, tarihçilere daha önce hiç olmadığı kadar zengin bir veri havuzuna erişim imkanı sunarken, bilgi kirliliği, dijital ayrımcılık ve telif hakları gibi sorunlarla da başa çıkmayı gerektiriyor.

Kaynakçalar:

Evrim Ağacı

Blog

[bilimuzay]

Batlamyus Kimdir Kısaca - Batlamyusun Eserleri ve Haritası

Batlamyus Kimdir Kısaca - Batlamyusun Eserleri ve Haritası

Batlamyus, yaşadığı dönem içerisinde pek çok konu hakkında ondan önceki filozof, matematikçi, coğrafyacı vb. ilim sahibi insanların araştırmalarını detaylıca gözden geçirerek bunları tek bir çatı altında toplayıp daha da geliştirmeyi hedefleyen bir bilim insanıydı. Yazdığı eserlerde sıkça ondan önce ortaya atılmış olan teorilere ve çalışmalara referans vermiş ve bu fikirleri dönemin mantık çerçevesin de ilerletmeye çalıştırmıştır. Yazdığı eserler ve ortaya attığı fikirler ortaçağa kadar popülerliğini koruyacak ve dilden dile çevrilecektir. Bu içeriğimizde Batlamyus Kimdir Kısaca?, Batlamyus'un Eserleri, Batlamyus'un Atlası - Haritası, Batlamyus'un Evren Modeli gibi konulara sırasıyla değineceğiz.

Batlamyus Kimdir Kısaca

Batlamyus - Claudius Ptolemy Söze başlamanda önce belirtmekte fayda var ki Batlamyus'un hayatı hakkında gerçek anlamda neredeyse hiçbir bilgi günümüze ulaşamamıştır. Onu sadece yazdığı eserlerden ve eserlerinin popülerliği yüzünden sürekli olarak çevrilmesinden ve okuyucuyla buluşmasından sebeple tanıyor ve biliyoruz. Batlamyus, antik Yunan astronomi ve coğrafya alanında büyük etkiler bırakmış olan önemli bir bilim adamıdır. Claudius Ptolemaeus olarak da bilinen Batlamyus, M.S. 90 civarında Mısır'da doğmuş ve 168 yılında vefat etmiştir. Batlamyus'un eserleri ve teorileri, antik dünyadan Orta Çağ'a, hatta Rönesans dönemine kadar uzanan bir süre zarfında büyük bir etki bırakmıştır. Batlamyus'un en bilinen eseri, "Almagest" olarak adlandırılan astronomi kitabıdır. Bu eser, antik Yunan astronomisinin en kapsamlı kaynaklarından biri olarak kabul edilir. Batlamyus, Almagest'te gök cisimlerinin hareketleri ve gökyüzünün organizasyonuyla ilgili kendi teorilerini geliştirmiştir. Özellikle, gezegenlerin gökyüzündeki konumlarını ve hareketlerini açıklamak için epikikler adı verilen karmaşık sistemleri kullanmıştır. Bu sistem, gezegenlerin görünürdeki retrograd hareketlerini açıklamak için tasarlanmıştır. Batlamyus'un diğer önemli eseri ise "Coğrafya"dır. Coğrafya, o dönemde bilinen (daha doğrusu Yunanlılar tarafından) bilinen dünya haritasını içeren bir eserdir. Batlamyus, eserinde dünya üzerindeki yerleri, nehirleri ve dağları coğrafi koordinatlarla belirlemiştir. Bu, o dönemdeki coğrafya bilgisinin temelini oluşturmuş ve Orta Çağ boyunca önemli bir referans kaynağı haline gelmiştir. Batlamyus'un eserleri, Orta Çağ boyunca Arapça ve Latince'ye çevrilerek Avrupa'da geniş bir okuyucu kitlesi tarafından erişilebilir hale gelmiştir. Bu çeviriler, antik bilgiyi Orta Çağ dünyasına taşımış ve Batlamyus'un astronomik ve coğrafi modelleri uzun süre boyunca kabul görmüştür. Ancak, Rönesans döneminde Nicolaus Copernicus'un heliosentrik modelinin ortaya çıkmasıyla birlikte Batlamyus'un modelleri sorgulanmış ve yerini modern astronomi anlayışlarına bırakmıştır. Batlamyus'un etkileri, sadece bilim dünyasında değil, aynı zamanda sanat, felsefe ve coğrafya gibi birçok alanda da görülmüştür. Batlamyus'un çalışmaları, bilim tarihindeki önemli kilometre taşlarından biri olarak kabul edilir ve antik dünyanın bilimsel mirasının Orta Çağ ve sonrasındaki dönemlere taşınmasında önemli bir rol oynamıştır.

Batlamyus'un Eserleri

Batlamyus temelde günümüze 3 farklı alan için 3 farklı eser bırakmıştır. Bıraktığı eserler zamanla kendi içerisinde aynı çatı altında kategorize edilmek için farklı kitaplara ayrılmıştır. Almagest

Almagest'in Arapça Nüshası Batlamyus'un kendi zamanına kadar ulaşan tüm Antik Yunan ve Babil çalışmalarını tek bir çatı altında toplayıp sistemize ettiği Batlamyus'un en önemli eseridir. Bu eserde genel anlamda astronomi, güneşin, dünyanın ve ayın hareketlerinin matematiksel teoremler ile açıklanması ve eserin en önemli konusu olan Dünya Merkezli Güneş Sistemi teoremi yer alır. Matematik Nedir? başlıklı makelemize de buradan ulaşabilirsiniz. Eser Ortaçağa dek oldukça fazla kez isim değiştirmiştir, burada kafa karışıklığını gidermek adına aşağıdaki tablola yardımıyla eserin günümüze gelene kadar uğradığı isim değişikliklerine göz atabiliriz. SıralamaEserin AdıTürkçe TercümesiDil1Mathematike SyntaxisMatematik SenteziYunanca2Megale SyntaxisBüyük DerlemeYunanca3Kitab el-MecistîBüyük BileşimArapça4Almagest Matematiksel OluşumLatinceBatlamyus'un en önemli eseri "Almagest"in zaman içerisinde farklı dillerde yapılan tercümeler ile aldığı isimler "Almagest" yazıldığı günden Ortaçağa kadar bilim neredeyse veya hangi topluluktaysa o dile çevrilerek zamanın matematikçi ve gökbilimcilerine Antik Yunan ve Babil çalışmalarını sunan bir eser olmuştur. Eser içerisinde Dünya Merkezli Güneş Sistemi gibi iddialı teorilerde mevcuttu. Eserlerin zaman içerisinde konuların kategorize edilmesi için farklı kitaplara ayrıldığından bahsetmiştik, Almagest ise toplamda 13 farklı kitaba bölünmüştür. Aşağıdaki tabloda 13 kitabın içeriğini görebilirsiniz. Almagest'in İçeriği

Batlamyus'un Eseri Almagest Tablo formatında, Batlamyus'un "Almagest" adlı eserini oluşturan 13 kitabın içeriğini şu şekilde sıralayabiliriz: Kitap NoBaşlıkİçerikIGirişGenel astronomik kavramlar, gökyüzündeki temel fenomenlere dair genel bir anlatım.IIGökyüzündeki Sabit YıldızlarYıldız katalogları ve yıldızların konumları, parlaklıkları ve hareketleri hakkında detaylı bilgiler.IIIEkliptik ve Ekvator KoordinatlarıGökyüzündeki nesnelerin konumlarını belirlemek için ekliptik ve ekvator koordinat sistemleri üzerine detaylı bir inceleme.IVGüneş Hareketleri ve Ekliptik KoordinatlarGüneş'in hareketleri, mevsimlerin değişimi ve ekliptik koordinatlar konularını içeren bir bölüm.VAy Hareketleri ve Ayın EvreleriAy'ın hareketleri, evreleri ve tutulmaları konusundaki detaylı açıklamalar.VIAy'ın Geceleyin Gökyüzündeki KonumuAy'ın geceleyin gökyüzündeki konumunu açıklayan bölüm.VIIGezegenlerin HareketleriGezegenlerin hareketlerini açıklayan, epikikler sistemi ve retrograd hareketler hakkında detaylı bilgiler içeren bölüm.VIIIMerkür ve Venüs'ün HareketleriMerkür ve Venüs'ün özellikleri, hareketleri ve gözlemleri üzerine odaklanan bir bölüm.IXMars'ın HareketleriMars'ın özellikleri, hareketleri ve gözlemleri üzerine detaylı bir inceleme.XJüpiter ve Satürn'ün HareketleriJüpiter ve Satürn'ün özellikleri, hareketleri ve gözlemleri hakkında detaylı açıklamalar.XIBüyük Dairelerin HesaplanmasıBüyük dairelerin (yarıçapları, çapları) hesaplanması ve astronomik konumların belirlenmesi üzerine bir bölüm.XIIKüçük Dairelerin HesaplanmasıKüçük dairelerin (yıldızlar, gezegenler) hesaplanması ve astronomik konumların belirlenmesi üzerine bir bölüm.XIIIParalaks ve OptikGözlemsel hatalar, paralaks ve optik etkilerin astronomik konumları nasıl etkilediği konusunda detaylı bir inceleme.Almagest'i oluşturan 13 kitabın içeriği Coğrafya Batlamyus bir diğer önemli eseri Coğrafya'da yine derleme bir kitap olup ondan önceki Babil ve Antik Yunan coğrafyacılarının eserlerinin derlenmiş halini oluşturur. Batlamyus bu eser içerisinde Eratosthenes, Hipparkhos, Strabon ve Surlu Marinos'un çalışmalarından oldukça fazla bahsetmiştir. Coğrafya'nın İçeriği Bu eserde yine Almagest gibi kategorize edilmek için 8 farklı kitaba bölünmüştür, aşağıda yine tablo yardımıyla bölümlerin ne içerdiğine göz atabilirsiniz. Kitap NoBaşlıkİçerikICoğrafyanın Temelleri ve Harita ÇizimiCoğrafyanın temel prensipleri, matematiksel konum belirleme yöntemleri, harita çizimi ve projeksiyon konularını içeren bir giriş.IIKuzey Afrika ve Orta DoğuMısır, Libya, Sudan, Arap Yarımadası ve Mezopotamya bölgesi hakkında coğrafi bilgiler.IIIAvrupa ve Akdeniz BölgesiAntik Yunanistan, İtalya, İber Yarımadası, Fransa ve Akdeniz Adaları'nı içeren Avrupa ve Akdeniz bölgesi hakkında coğrafi ayrıntılar.IVOrta ve Doğu AvrupaOrta ve Doğu Avrupa'nın coğrafi özellikleri, nehirleri, dağları ve diğer önemli yerleri hakkında detaylı bilgiler.VAsya KıtasıBatlamyus'un döneminde bilinen Asya kıtasının genel coğrafyası, dağları, nehirleri ve diğer önemli coğrafi özellikleri hakkında bilgiler.VIHindistan ve Uzak DoğuHindistan Yarımadası, Güneydoğu Asya ve Uzak Doğu'nun coğrafi ayrıntıları, nehirleri, dağları ve diğer önemli yerler hakkında bilgiler.VIIAsya Adaları ve Okyanus BölgeleriGüneydoğu Asya ve Pasifik Okyanusu'ndaki adaların coğrafi konumları, özellikleri ve deniz yolları hakkında detaylı bilgiler.VIIIBatı ve Kuzey AvrupaBatı ve Kuzey Avrupa'nın coğrafi özellikleri, nehirleri, dağları ve diğer önemli coğrafi detaylar hakkında bilgiler.Coğrafya'yı oluşturan 8 kitabın içeriği Kitapların içeriğinden anlayacağınız gibi ilk bölüm hariç diğer 7 bölüm bilinen Dünya'nın coğrafi özelliklerini, nehirlerini, dağlarını ve diğer önemli coğrafi etkenlerini detaylı olarak anlatmaktadır. Ancak, Batlamyus'un coğrafya anlayışı yeterince geniş değildir. İklim, doğal ürünler ve fiziki coğrafyaya giren konularla ilgilenmemiş ve bu alanlarda detaylı bir analiz yapmamıştır. Başlangıç meridyenini sağlam bir şekilde belirleyemediği için, sunduğu koordinatlar zaman zaman hatalı olabilmektedir. Ayrıca, Yer'in büyüklüğüne dair yaptığı tahmin de zamanla ortaya çıkan daha doğru ölçümlerle uyumsuzdur.

Batlamyus'un Atlası Batlamyus'un meşhur haritası veya Dünya Atlası ise 1. kitapta bulunmaktadır. Tetrabiblos

Tetrabiblos Batlamyus yine ondan önceki Babil ve Antik Yunan astroloji çalışmalarına da Mısır'da bulunduğu sürece göz atmış ve bu eserleride tek bir çatı altında toplamayı başarmıştır. Bu eser 4 kitaptan oluştuğu için Tetrabiblos(Dört Kitap) adını almıştır. Yine aşağıda tablo şeklinde Tetrabiblos oluşturan 4 kitabın içeriğini özet şeklinde görebilirisiniz. Kitap NoBaşlıkİçerikIAstrolojinin TemelleriTemel astrolojik kavramlar, gezegen hareketleri, burçlar ve evlerle ilgili genel bilgiler.IIGezegenler ve EvlerGezegenlerin hareketleri, etkileri ve evlerle olan ilişkileri üzerine detaylı bir inceleme.IIIAstrolojik TekniklerAstrolojik yöntemler, doğum haritası çıkarma, transitler ve yönergelerle ilgili pratik bilgiler.IVAstrolojik TahminlerAstrolojik analizlerle geleceği tahmin etme, olayları yorumlama ve astrolojik bakış açısıyla gelecekteki olaylara dair öngörüler.Tetrabiblos'u oluşturan 4 kitabın içeriği Astronomi Nedir? başlıklı makalemize de buradan ulaşabilirsiniz.

Sıkça Sorulan Sorular

Batlamyus Kimdir KısacaBatlamyus yaşadığı dönemde ondan önceki Antik Yunan ve Babil matematikçi ve gökbilimcilerin eserlerini tek bir çatı altında toplayıp geliştiren ve ilerleten matematikçi, gökbilimci ve coğrafyacıdır.Batlamyus'un EserleriEn büyük 2 eseri Almagest ve Coğrafya olmak üzere temelde 3 farklı eseri mevcuttur. Almagest'te Dünya merkezli Güneş Sistemini, Coğrafya'da ise bilinen dünyanın coğrafi özelliklerini anlatmaktadır.Batlamyus Neyi Savundu?Almagest adlı eserinde Dünya Merkezli Güneş Sistemini sıkı sıkıya savunan ve bunu matematiksel olarak açıklamaya çalışmaktan çekinmemiştir.

Sonuç

Sonuç olarak bugün Batlamyus hakkında şunu söylemek doğru olacaktır; Kendinden önceki çalışmaları toplayarak tek bir çatı altında birleştiren ve bu eserlerden çıkarttığı fikirlerin üstüne katan Antik yüzyılın oldukça önemli bir bilim insanıydı. Eğer o olmasaydı büyük ihtimalle ondan önceki çalışmalara günümüze gelemeyecek ve milattan sonraki erken dönemin matematik ve coğrafi alanlarda yapılan çalışmaları hakkında oldukça bilgisiz olacaktık. Kaynak: Batlamyus Kimdir Read the full article

[teknogelecek]

Çevre Bakanlığı 27 Uzman Yardımcısı Alıyor!

T.C, ÇEVRE, ŞEHİRCİLİK VE İKLİM DEĞİŞİKLİĞİ BAKANLIĞI PERSONEL GENEL MÜDÜRLÜĞÜ COĞRAFİ BİLGİ SİSTEMİ UZMAN YARDIMCILIĞI ALIM İLANI Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, Coğrafi Bilgi Sistemleri Genel Müdürlüğü aracılığıyla yeni uzman yardımcıları almayı planlamaktadır. Bu alım, ��Coğrafi Bilgi Sistemi Uzmanlığı Yönetmeliği” çerçevesinde yapılacak yarışma sınavı ile…

[cengish05]

Coğrafi bilgi sistemleri uygulamalı anlatıldı

DÜZCE(İHA) – Ulaştırma ve Altyapı Bakanlığı, AB ve Dış İlişkiler Genel Müdürlüğü, AB Yatırımları Dairesi Başkanlığı’nın Program Otoritesi olduğu, “Ulaştırma Sektörel Operasyonel Programı (USOP)” bünyesinde yürütülen ve Düzce Belediyesi’nin nihai faydalanıcı olduğu Düzce Sürdürülebilir Kentsel Ulaşım Planı Projesi (Düzce SKUP) kapsamında Coğrafi Data Sistemleri (CBS) eğitimi düzenlendi. Düzce…

[pazaryerigundem]

Çevre Şehircilik'ten personel alımı müjdesi

https://pazaryerigundem.com/haber/195226/cevre-sehircilikten-personel-alimi-mujdesi/

Çevre Şehircilik'ten personel alımı müjdesi

Çevre, Şehircilik ve İklim Değişikliği Bakanlığı’nın merkez ve taşrada çalışacak bin 331 personel alım talebi Cumhurbaşkanlığı’nca onaylandı. Bakan Murat Kurum, personel alımını “yeni çalışma arkadaşlarımızla ailemizi büyütüp güçlendireceğiz” diyerek duyurdu.

ANKARA (İGFA) –  Çevre, Şehircilik ve İklim Değişikliği Bakanı Murat Kurum, Bakanlığa personel alımı yapılacağını açıkladı.

“Yeni çalışma arkadaşlarımızla ailemizi büyütüp güçlendireceğiz” diyen Bakan Kurum, 2025 yılında Bakanlık bünyesinde istihdam edilmek üzere bin 331 personel alımı yapacaklarını duyurdu.

Bakanlık bünyesinde; 500 çevre ve şehircilik uzman yardımcısı, milli emlak denetmen yardımcısı, milli emlak uzman yardımcısı, coğrafi bilgi sistemleri uzman yardımcısı ve memur alınacak. İklim Değişikliği Başkanlığı’nda ise kariyer meslek grubundan 20 iklim değişikliği uzman yardımcısı memur istihdam edilecek.

Bu arada farklı unvanlarda 200 engelli memur da kadroya alınacak.

KPSS PUANINA GÖRE ALINACAK

Bakanlıktan yapılan duyuruya göre sözleşmeli personel olarak ise 99 teknik (mühendis ve mimar), 383 idari ve 45 destek çalışanı alınacak. Kentsel Dönüşüm Başkanlığı’na da 84 sözleşmeli personel istihdam edilecek.

Böylece Bakanlık bünyesinde 2025 yılı için 611’i sözleşmeli, 720’si de kadrolu memur olmak üzere toplam bin 331 personel alımı gerçekleştirilecek.

Personel alımları KPSS puanına göre yapılacak ve sözleşmeli personel en geç Şubat ayı sonunda göreve başlayacak.

Bunların yanı sıra Türkiye İş Kurumu İşgücü Uyum Programı kapsamında bin 500 kişi Bakanlık bünyesinde ocak ayında çalışmaya başlayacak.

[kuturkoglu]

Asya Coğrafyası: Kıtanın Detaylı Keşfi ve Özellikleri

Asya, dünyanın en büyük kıtası ve yeryüzünün %30’unu kaplıyor. 44,6 milyon kilometrekarelik yüzölçümüyle dikkat çekiyor. Bu kıta, çeşitlilik ve zenginlikle dolu. Asya, doğal güzellikleriyle ve kültürel mirasıyla bizi şaşırtıyor. Peki, Asya’nın coğrafi özelliklerini merak ediyorsunuz? Dağ sistemleri, akarsu havzaları, iklimler ve bitki örtüsü hakkında bilgi almak istiyorsunuz. Gelin bu büyülü…

[haber-euro-turk]

Konum vergisinde üçleme: “İzin-ruhsat-harç” 

TBMM’de kabul edilen torba yasa ile Coğrafi Bilgi Sistemleri ile Bazı Kanunlarda Değişiliklik Yapılması Hakkında Kanunda değişiklikler yapıldı. Kanuni düzenleme ile müşterilerine konum bilgisi paylaşan esnafın da bundan böyle vergi ödeyeceğine ilişkin haberler üzerine tepkiler yükseldi. Hem Cumhurbaşkanı Yardımcısı Cevdet Yılmaz, hem Çevre Şehircilik ve İklim Değişikliği Bakanlığı hem de…

[rayhaber]

Geleceğin Altyapısı Teknoloji Günü’nde Konuşuldu

Başarsoft Teknoloji Günleri: Geleceğin Altyapı Çözümleri Türkiye’nin dijital haritacısı Başarsoft, her yıl düzenlediği Teknoloji Günleri ile coğrafi bilgi sistemleri alanındaki en son gelişmeleri ve çözümleri sektöre tanıtmaktadır. Bu yılki toplantılarından biri Ankara’da, diğeri ise İstanbul’da gerçekleştirildi. Bu etkinlikler, elektrik, su, doğalgaz ve telekomünikasyon gibi altyapı sektörlerine…

[lolonolo-com]

Coğrafi Bilgi Sistemleri 2022-2023 Vize Soruları

Coğrafi Bilgi Sistemleri 2022-2023 Vize Soruları 1. Aşağıdakilerden hangisi coğrafi bir bilgi değildir? A) Işık hızı B) Nüfus C) Yol tarifi D) Bitki örtüsü E) İklim durumu Cevap : A) Işık hızı 2. Aşağıdakilerden hangisi konumsal veri tipine örnektir? A) Nüfus B) Bitki örtüsü adı C) Komşu iller D) Ekonomi E) İklim durumu Cevap : C) Komşu iller 3. Aşağıdakilerden hangisi daha çok CAD yazılımı…

[emirkircaksltn]

Dijitalleşme, tarih araştırma ve yazım süreçlerini önemli ölçüde değiştirmiştir. Bu durumun hem olumlu hem de olumsuz etkileri bulunmaktadır.

Olumlu yönlerinden biri, araştırmacıların dijital arşivler sayesinde fiziksel olarak bulunmaları gerekmeden birçok belgeye ulaşabilmesidir. Metin arama özellikleri araştırma süreçlerini hızlandırırken, belgelerin dijitalleştirilmesi hem korunmalarını sağlar hem de daha fazla kişinin erişimine açar. Ayrıca, büyük veri analizleri ve coğrafi bilgi sistemleri gibi yeni yöntemler, tarih yazımına farklı boyutlar kazandırmıştır.

Ancak dijitalleşmenin olumsuz yönleri de vardır. Dijital kaynakların güvenilirliği her zaman garanti edilemez ve sahte ya da hatalı içerikler yayılabilir. Ayrıca, araştırmacılar teknolojik altyapıya bağımlı hale gelirken, yalnızca dijital kaynaklara odaklanmak fiziksel belgelerin göz ardı edilmesine yol açabilir. Hızlı erişim, yüzeysel araştırmalara da neden olabilir. Telif hakları veya erişim kısıtlamaları da başka bir sorundur.

Sonuç olarak, dijitalleşme tarih araştırmalarında büyük kolaylıklar sunarken eleştirel bakış açısını korumak ve geleneksel yöntemlerle dijitali dengeli bir şekilde kullanmak önemlidir.

[dengetelekom]

Bas Konuş Telsiz Teknolojisi ile Anında ve Güvenilir İletişim Çözümleri

Bas Konuş Telsiz Çözümleri ile İş Verimliliğini Artırın

Günümüz iş dünyasında, anında iletişim kurmak birçok sektör için büyük önem taşıyor. Güvenlik, lojistik, inşaat ve saha yönetimi gibi alanlarda, iletişimin hızlı ve kesintisiz olması iş süreçlerini verimli hale getiriyor. Bas konuş telsizler bu ihtiyacı karşılamak üzere geliştirilmiş modern iletişim araçlarıdır. İşte bu yazıda, Bas Konuş telsiz sistemlerinin çeşitleri, kullanım alanları ve avantajlarına değineceğiz.

1. Bas Konuş Telsiz Nedir ve Neden Tercih Edilmelidir?

Bas Konuş Telsiz sistemleri, hızlı bağlantı sağlamak amacıyla tasarlanmıştır. Özellikle sahada çalışan ekiplerin hızlı bilgi paylaşımı yapmasına olanak tanır. Bu telsizler, cep telefonlarına alternatif olarak, tek dokunuşla anında iletişim kurmak için geliştirilmiştir. İş güvenliği, acil durum müdahaleleri ve sürekli iletişim gerektiren diğer alanlarda bas konuş telsizler tercih edilmektedir. Geleneksel telsizlere göre, daha geniş bir kapsama alanına sahip olması ve basit kullanımı ile öne çıkar. Bu telsizler, sadece sesli değil, aynı zamanda veri ve görüntü paylaşımı için de kullanılabilir, bu da onları çok yönlü bir iletişim aracı haline getirir.

2. Bas-Konuş Telsiz: Dijital Dönüşümde Kilit Rol Oynayan Teknoloji

Bas-Konuş Telsiz, analogdan dijitale geçişte önemli bir adımdır. Gelişmiş altyapıları sayesinde geniş kapsama alanı sağlar, böylece kullanıcılar uzak mesafelerde bile iletişimde kalabilir. Bas-konuş telsizler, farklı alanlarda iletişimi güçlendirmekte ve operasyonel verimliliği artırmaktadır. Özellikle güvenlik sektörü ve kalabalık etkinlik yönetimlerinde, tek dokunuşla erişim sunarak zamandan tasarruf sağlar ve acil müdahalelere olanak tanır. Ayrıca, internet altyapısı üzerinden çalıştığı için, daha düşük maliyetlerle geniş coğrafi bölgelerde iletişim kurulabilir.

3. Push to Talk (PTT) Telsiz: Hızlı ve Kolay İletişim İçin İdeal Çözüm

İş yerinde acil bir durum olduğunda veya hızlı bilgi aktarımına ihtiyaç duyulduğunda, Push to talk telsiz, yani PTT telsizleri devreye girer. Bu telsizler, yalnızca bir düğmeye basarak bağlantı kurmanıza olanak tanır ve karmaşık iletişim süreçlerini ortadan kaldırır. Güvenlik personeli, saha çalışanları ve ekip yöneticileri için idealdir. Geleneksel telsizlerden farklı olarak, PTT telsizleri LTE ağları ile uyumlu olup, sesli iletişim için yüksek çözünürlüklü ses aktarımı sağlar. Ayrıca, PTT telsizlerde gürültü engelleme özellikleri bulunur, bu da kalabalık veya gürültülü ortamlarda bile net bir iletişim sağlar.

4. POC Telsiz: İleri Teknoloji ile Sınırsız İletişim

Günümüzün yenilikçi iletişim araçlarından biri olan POC Telsiz (Push-to-Over-Cellular), IP ağları üzerinden çalışan telsizlerdir. POC telsizler, kullanıcıların internet üzerinden iletişim kurmalarına olanak tanır ve böylece uzak mesafelerde bile iletişimi sağlar. Özellikle büyük organizasyonlar, lojistik ve nakliye sektörleri için uygundur, çünkü geniş kapsama alanı ile kilometrelerce uzak mesafelerde bile iletişim kesintisiz devam eder. Bu telsizler, LTE veya Wi-Fi gibi bağlantıları destekleyerek, daha esnek bir kullanım sunar. POC telsizlerin sunduğu veri ve görüntü paylaşımı gibi özellikler, onları daha işlevsel hale getirir ve bu nedenle dijitalleşen dünyada çok tercih edilir.

5. LTE Telsiz: Yüksek Hızda ve Güçlü Kapsama ile Bağlantı

Yüksek hızlı internet bağlantısına sahip LTE Telsiz cihazları, geleneksel telsizlerin ötesinde bir performans sunar. LTE teknolojisi, sesli ve yazılı iletişimde mükemmel bir kalite sunarak, güvenli ve hızlı bir bağlantı sağlar. Bu telsizler, özellikle uzun mesafelerde bile bağlantının kesintisiz devam etmesi gereken sektörlerde kullanılır. İnşaat projeleri, büyük lojistik operasyonlar ve saha yönetiminde tercih edilen LTE telsizler, aynı zamanda veri ve lokasyon paylaşımı özellikleri ile kullanıcıların birbirlerini izlemelerine olanak tanır. Ayrıca LTE telsizlerde kullanıcı, kablosuz ağ bağlantısının bulunduğu her yerde iletişim kurabilir ve bu özellik, ekipler arasında sürekli bir bağlantı sağlar.

Bas Konuş Telsiz Sistemlerinin Avantajları

Kesintisiz İletişim: Bas konuş telsizler, özellikle geniş coğrafi alanlarda iletişim gereksinimlerini karşılamak için idealdir.

Kolay Kullanım: Bir düğme ile anında bağlantı kurma imkânı sunar, bu da onları iş sahalarında çok tercih edilen cihazlar yapar.

Veri Paylaşımı: Sesli iletişimin yanı sıra veri ve hatta görüntü paylaşımı sağlayarak iş süreçlerini hızlandırır.

Gelişmiş Güvenlik Özellikleri: Bas konuş telsizlerin çoğu, kullanıcı kimlik doğrulama ve veri şifreleme gibi özelliklerle güvenliği artırır.

Maliyet Etkinliği: İnternet tabanlı çalışma prensipleri sayesinde, geniş bir kapsama alanı sağlarken maliyetleri düşük tutar.

İşletmeniz İçin Doğru Bas Konuş Telsiz Sistemini Seçin

Bas Konuş Telsizler, günümüzde iş dünyasında kritik bir rol oynamaktadır. Tek tuşla anında iletişim sağlaması, veri ve görüntü aktarımı gibi modern özellikleri ile işletmelere büyük faydalar sağlar. Kullanım kolaylığı, geniş kapsama alanı ve güvenilirliğiyle öne çıkan bu cihazlar, işletmenizin ihtiyaçlarına uygun çözümler sunar. İşletmeniz için doğru bas konuş telsizini seçerken, kullanım amacınızı ve ihtiyaç duyduğunuz özellikleri dikkate almanız önemlidir.

Daha Fazla Bilgi için: Tüm Bas Konuş Telsiz çeşitleri ve fiyatları için Denge Telekom web sitesini ziyaret edebilirsiniz.

[hamiltyum]

Karayolu TaŞImacIlIĞI SektÖrÜndekİ GÜvenlİk Trendlerİ Nelerdİr?

Karayolu Taşımacılığında Araç Filosu Yönetimi Nasıl Yapılır?

Karayolu taşımacılığı sektöründe güvenlik, her zaman öncelikli bir konu olmuştur. Son yıllarda, teknolojideki gelişmeler ve sektördeki bilinçlenmeyle birlikte güvenlik trendleri önemli değişiklikler göstermektedir. Özellikle akıllı sensörler ve yapay zekâ tabanlı sistemlerin kullanımıyla birlikte araç takibi ve sürücü davranışlarının izlenmesi daha etkin hale gelmiştir. Bu sayede hız sınırları, mesafe takibi ve ani frenlemeler gibi potansiyel riskleri önceden tespit ederek kazaların önlenmesi sağlanmaktadır. Taşıma güzergahlarının daha güvenli ve optimize edilmiş olması da güvenlik trendlerinin bir parçasıdır. Karayolu taşımacılığı ile ilgili daha detaylı bilgi sahibi olmak için https://www.xperlog.com/ web adresini ziyaret edebilirsiniz.

Karayolu Taşımacılığı İçin Uygun Yükleme ve Boşaltma Alanları Nasıl Belirlenir?

Karayolu taşımacılığında araç filosu yönetimi, etkin bir lojistik operasyonunun temelini oluşturur. Bu süreç, araçların bakımı, güzergâh planlaması, sürücü yönetimi ve yük takibi gibi unsurları içerir. Modern teknolojinin sağladığı olanaklarla, araç filosu yönetimi daha verimli hale gelmiştir. Akıllı filo yönetim sistemleri, araçların konumunu gerçek zamanlı olarak izleyebilir, yakıt tüketimini optimize edebilir ve bakım zamanlarını planlayabilir. Sürücülerin performansını değerlendirmek ve eğitmek için kullanılan telematik sistemler, güvenlik, verimlilik açısından önemli bir rol oynamaktadır. Karayolu taşımacılığında uygun yükleme ve boşaltma alanlarının belirlenmesi, lojistik sürecin verimliliği ve güvenliği açısından kritiktir. Bu alanların belirlenmesinde birkaç faktör göz önünde bulundurulmalıdır. İlk olarak, yükleme ve boşaltma alanlarının coğrafi konumu önemlidir. Taşınacak yüklerin hedefine en yakın ve erişilebilir yerler tercih edilmelidir. Karayolu taşımacılığında yüklerin taşınması sırasında kullanılacak güzergahlar ve taşıma ekipmanları da dikkate alınmalıdır. Yükleme ve boşaltma alanlarının kapasitesi, güvenliği ve lojistik gereksinimleri de değerlendirilmelidir. İdeal olarak, bu alanlar geniş, düzenli ve iyi aydınlatılmış olmalıdır.

Xperlog.com

[cevap]

Online Diyetisyen Hizmetleri: Sağlık ve Takip İmkanınızı Artırıyor

Online diyetisyen hizmetleri günümüzde giderek popülerlik kazanmaktadır. Online diyetisyen, online diyet veya takipli online diyet gibi hizmetler, bireylere sağlık ve takip imkanlarını artırarak, beslenme konusunda destek sağlamaktadır.

Geleneksel diyetisyen ziyaretleri birçok kişi için zaman ve yer kısıtlamalarıyla beraber gelirken, internetin yaygınlaşmasıyla birlikte online diyetisyen hizmetleri ortaya çıkmıştır. Bu hizmetler, bireylerin ihtiyaçları doğrultusunda beslenme programları oluşturmak ve takibini yapmak amacıyla diyetisyenlerin uzmanlığını kullanmaktadır.

Birçok insan yoğun iş temposu, coğrafi engeller veya fiziksel sınırlamalar nedeniyle geleneksel diyetisyenlere ulaşmakta güçlük yaşayabilir. Ancak, online diyetisyen hizmetleri sayesinde, insanlar istedikleri yerden ve zamanda diyetisyenlerle iletişim kurabilmektedirler. Bu, hem zaman hem de enerji tasarrufu sağlayarak, bireylerin sağlıklı beslenme alışkanlıklarına daha kolay uyum sağlamalarına yardımcı olmaktadır.

Ayrıca, takipli online diyet hizmetleri ile bireylerin beslenme programları düzenli olarak gözden geçirilir ve takip edilir. Diyetisyenler, bireylerin ilerlemesini izleyerek gerekli değişiklikleri yapabilir ve motivasyonlarını artırabilir. Bu süreçte, online platformlar aracılığıyla yapılan iletişim sayesinde diyetisyenler, bireylere beslenme konusunda birebir danışmanlık imkanı sunarlar.

Online diyetisyen hizmetlerinin bir diğer avantajı da bilgi paylaşımının kolaylığıdır. İnternet üzerinden erişilebilen kaynaklar ve diyetisyenlerin sunduğu materyaller, bireylerin beslenmeyle ilgili doğru ve güncel bilgilere ulaşmasını sağlar. Bunun yanı sıra, online grupların ve forumların oluşturduğu destek sistemleri, insanların benzer deneyimlere sahip kişilerle iletişim kurarak moral bulmalarına ve sorunlarını paylaşmalarına olanak tanır.

Online diyetisyen, online diyet ve takipli online diyet gibi hizmetler, modern yaşamın getirdiği kısıtlamaları aşarak bireylere sağlık ve takip imkanlarını artıran bir çözüm sunmaktadır. İnternetin yaygınlaşmasıyla birlikte bu hizmetlerin erişilebilirliği ve etkinliği artmıştır. Bu şekilde, beslenme konusunda destek arayan herkes, online diyetisyen hizmetleri sayesinde uzman bir yardım alabilir ve daha sağlıklı bir yaşam tarzına adım atabilir.