Intelligent assessments for food safety and food quality : a case study for sunflower cultivation in Türkiye

Abstract

Gıda güvenliği ve gıda kalitesi için zeki değerlendirmeler: türkiye'de ayçiçeği yetiştiriciliğine ilişkin bir vaka çalışması Gıda güvenliği, kalitesi ve sürdürülebilirliği günümüz dünyasında birçok açıdan tehlike altında olduğundan dolayı büyük önem arz etmektedir. Bu süreçlerin yönetilmesi için kullanılan gıda güvenliği yönetim sistemleri (GGYS) ve gıda kalite yönetim sistemlerinin (GKYS) kuralları gitgide sıkılaşmasına rağmen, istenilen sonuçlar elde edilememektedir. Bunun örnekleri arasında süregelen gıda kaynaklı hastalık salgınları ve gıda tedarik zincirindeki kesintilerde artış yer alır. Genel olarak bu sonuçlar, ya bilinçli şekilde kurallara uymama ya da uygulamadaki sistemsel boşluklardan kaynaklanmaktadır. Veri bilimindeki son ilerlemeler ve donanım gelişmeleri sayesinde, karmaşık sorunları çözmek için zeki değerlendirmeler sıklıkla kullanılmaktadır. Zeki değerlendirmeler, büyük veriden anlamlı bilgiler çıkararak ve karmaşık durumların gelecekteki davranışlarını tahmin ederek karar verme süreçlerini iyileştirebilir. Zekânın GGYS ve GKYS’ye entegre edilmesiyle, bu sistemlerin proaktifliği artırılabilir; gıda güvenliği, kalitesi ve sürdürülebilirliği açısından olumlu sonuçlar elde edilebilir. Literatürdeki ve gıda endüstrisindeki birçok başarılı uygulama, önemli halk sağlığı yararlarını kanıtlamaktadır. Makine öğrenmesi ve yapay zekânın entegrasyonuyla, geleneksel değerlendirmeler gerçek zamanlı izlemeye ve tahmine dayalı analitiğe dönüşmektedir. Bu çalışma makine öğrenmesi ve veri analiz yöntemleri kullanarak, Türkiye'de yetiştirilen ayçiçeklerinin kategorik, çeşit ve lokasyon perspektiflerini; tane verimi, yağ oranı ve zararlı (Orobanş) direnci çıktılarına göre inceleyen bir vaka çalışması içermektedir. Tane verimi gıda sürdürülebilirliği, yağ oranı gıda kalitesi, Orobanşa karşı duyarlılık ise gıda güvenliği ile ilişkilendirilmiştir. Bu çalışma, ayçiçeği yetiştirilmesini kategori, çeşit ve lokasyon olarak üç boyutta analiz etmektedir. Kategori bazlı analizde uygulanan görselleştirme teknikleri ve çıkarımsal istatistikler, yağlık kategorideki çeşitlerin yağlık olmayan kategoriye kıyasla daha yüksek verim ve yağ oranı içerdiğini göstermiştir. Çeşit bazlı analizler, Orobanche göstergeleri, meteorolojik değişkenler ve verim bileşenleri arasındaki korelasyonları belirlemiştir. Ayrıca, tane verimi, yağ oranı ve Orobanche duyarlılığı karşılaştırmalı olarak değerlendirilerek yüksek performanslı çeşitler tespit edilmiştir. Lokasyon bazlı analizde uygulanan korelasyon analizi, sürekli morfolojik özellikler arasında doğrusal ilişkiler olduğunu ortaya koymuştur. Denetimli öğrenmede, tane verimi ve yağ oranını tahmin etmek için hiperparametreleri optimize edilmiş yedi farklı makine öğrenmesi algoritma modeli oluşturulmuştur. Modeller ortalama mutlak hata, ve kök ortalama kare hatası gibi performans doğrulama metrikleri ile karşılaştırılmış olup, önemli faktörler ise ortalama safsızlık azalımı ve permütasyon önem değeri ile belirlenmiştir. En düşük hata değerlerine sahip model en iyi model olarak seçilmiştir. Elde edilen modeller, literatürdeki çalışmalarla kök ortalama kare hatası açısından karşılaştırılabilir olup temel modellerden daha iyi sonuçlar vermektedir. Çalışmanın analiz sonuçları, ayçiçeği yetiştiriciliğine yönelik bilinçli karar vermeye katkı sağlamaktadır. Geliştirilen modeller gerçek hayatta uygulanabilir çıktılar sunar. Karar verme süreçlerini iyileştirmeyi hedefleyen bu modeller, yalnızca tarım alanında değil, tarladan çatala gıda zincirinin tamamında uygulanabilir. Gelecek çalışmalar için daha fazla özellikle bulanık makine öğrenme teknikleri kullanılabilir. Sürdürülebilirlik bağlamında; topoğrafya, toprak nemi ve iklim değişikliği göz önünde bulundurularak, sensörler veya uydu verilerinden elde edilen çevresel değişkenler kullanılarak tarımsal araştırmalar devam ettirilebilinir. Ayrıca, ayçiçeği tane verimi ve yağ oranı tahminlerinin değerlendirilmesinde derin öğrenme algoritmaları kullanılabilir.

Intelligent assessments for food safety and food quality : a case study for sunflower cultivation in Türkiye Food safety, quality, and sustainability are of great importance in today's world due to them being under many threats. Despite the regulations of food safety management systems (FSMSs) and food quality management systems (FQMSs) used to manage these processes are getting stricter, the desired results have not been achieved. Examples of this include persistent foodborne illness outbreaks and increase in disruptions of the food supply chain. In general, these consequences are from either deliberate non-compliance or systemic gaps in implementation. Intelligent assessments, with the recent advances in data science and hardware developments, are frequently utilized to address complex problems. Intelligent assessments can be used to improve decision making processes by extracting meaningful information from big data and predicting the future behaviour of complex situations. By integrating intelligence into FSMS and FQMS proactivity of such systems can be improved and positive outputs can be obtained in terms of food safety, quality and sustainability. Many successful applications in the literature and across the food industry demonstrate these capabilities, ultimately yielding significant public health benefits. With the integration of machine learning and artificial intelligence, traditional assessments are transformed into real-time monitoring, and predictive analytics. This study includes a case study on sunflowers cultivated in Türkiye from categorical, location and variety perspectives according to seed yield, oil content, and pest (Orobanche) resistance outputs using machine learning (ML) and data analysis methods. Seed yield is linked to food sustainability, oil content to food quality, and vulnerability to Orobanche to food safety. This study analyses sunflower cultivation in three dimensions; category, variety, and location. In category based analysis, applied visualization techniques and inferential statistics have indicated that varieties of oilseed category exhibit higher yields and oil content compared to non-oilseed. Variety based analyses determined correlations between Orobanche indicators, meteorological variables, and yield components. While also, the higher performance varieties are determined to be cultivated by comparatively considering seed yield, oil content and Orobanche vulnerability. In location based analysis, applied correlation analysis have indicated linear relationships between continuous morphological traits. In supervised learning, seven different ML algorithm models with optimized hyperparameters are executed to predict seed yield and oil content. Models were compared according to performance verification metrics; mean absolute error, and root mean squared error while significant factors are identified with mean decrease impurity and permutation importance. Model with low root mean square error and mean absolute error was selected as the best model. The obtained models are comparable to studies in the literature in terms of RMSE and give better results than the benchmark models. Results obtained from the analysis of this study contribute to informed decision-making for cultivating sunflowers. Developed models offer real-life applicable outputs. These models, which aim to improve decision making processes, can be applied not only in the agricultural field of study, but also in the entire food chain from farm to fork. For the future studies, fuzzy ML techniques can be used with more factors. In terms of sustainability, agricultural research can be continued using data for environmental variables obtained from sensors or satellites, considering topography, soil moisture and climate change. In addition, deep learning algorithms may be used to evaluate sunflower seed yield and oil content predictions.