Sürdürülebilir tarım arazi değerlemesinin mekânsal karar destek sistemleri ile analizi: Konya kapalı havzası örneği

arım arazilerinin değerlemesi, sınırlı ve yenilenemeyen bir kaynak olan tarım arazilerinin sürdürülebilir yönetimi, etkin arazi kullanımı ve planlama kararları için kritik bir öneme sahiptir. Tarım arazilerinin değerini belirleyen fiziksel, konumsal, sosyal, iklimsel ve çevresel faktörlerin birlikte değerlendirilmesi, özellikle geniş ve heterojen alanlarda mekânsal bütünlüğü esas alan yaklaşımların geliştirilmesini gerekli kılmaktadır. Bu gereksinim doğrultusunda, Konya Kapalı Havzası örneğinde alan bazlı, çok kriterli ve sürdürülebilirlik odaklı bir tarımsal değerleme çerçevesi geliştirilmiştir. Bu çalışmada, tarım arazilerinin değerini etkileyen faktörlerin belirlenmesi amacıyla kapsamlı bir literatür araştırması yapılmış, bölgesel özellikler dikkate alınmış ve uzman görüşlerinden yararlanılmıştır. Elde edilen faktörler, faktör analizine tabi tutulmuş ve bu analiz sonucunda anlamlı ve kavramsal açıdan tutarlı faktör yapıları elde edilmiştir. Belirlenen bu faktörlerin tarım arazilerinin değeri üzerindeki göreli etkilerinin belirlenebilmesi amacıyla Analitik Hiyerarşi Prosesi (AHP) uygulanmış ve faktör ağırlıkları hesaplanmıştır. Farklı kurumlardan temin edilen faktörlere ait veriler, tarımsal değere etkisine göre ortak bir ölçekte normalize edilerek kapsamlı bir veri seti oluşturulmuştur. Alan bazlı tarımsal değerleme için çok kriterli karar verme yöntemleri, kümeleme analizi ve makine öğrenmesi yöntemleri kullanılmıştır. Çok kriterli değerleme sürecinde, AHP ile elde edilen ağırlıklar kullanılarak ve İdeal Çözüme Yakınlığa Göre Tercih Sıralama Tekniği (TOPSIS) yöntemi uygulanmış ve tarım arazilerinin değer dağılımını temsil eden bir tarımsal değer indeksi üretilmiştir. Ayrıca raster tabanlı veriler üzerinden gerçekleştirilen K-means kümeleme analizi ile tarım arazileri, benzer değer özellikleri gösteren mekânsal kümeler hâlinde sınıflandırılmıştır. Yapılan değerlendirmeler sonucunda dört kümeli çözümün en uygun yapı olduğu belirlenmiştir. Ayrıca makine öğrenmesi yöntemlerinden Rastgele Orman (RO), Yapay Sinir Ağları (YSA), Destek Vektör Regresyonu (DVR) ve Least-Squares Boosting (LSBoost) kullanılarak modeller geliştirilmiştir. Performans analizi sonucunda, Rastgele Orman R2=0,6371 ile değeri ile en başarılı yöntem olmuştur. Bu modeller kullanılarak piksel bazlı değer haritaları üretilmiştir. Elde edilen bulgular, çok kriterli karar verme, kümeleme ve makine öğrenmesi yaklaşımlarının tarım arazilerinin değerini farklı boyutlarda tamamlayıcı şekilde ele aldığını göstermektedir. Geliştirilen bu bütüncül yaklaşım, Konya Kapalı Havzası ölçeğinde tarım arazilerinin mekânsal değer dağılımını ortaya koyarak arazi yönetimi, planlama ve karar alma süreçleri için analitik bir karar destek altyapısı sunmaktadır.

Agricultural land valuation is of critical importance for the sustainable management of agricultural lands, which are limited and non-renewable resources, effective land use, and planning decisions. The integrated evaluation of physical, locational, social, climatic, and environmental factors that determine the value of agricultural lands necessitates the development of approaches based on spatial integrity, particularly in large and heterogeneous areas. In line with this requirement, an area-based, multi-criteria, and sustainability-oriented agricultural valuation framework has been developed for the case of the Konya Closed Basin. In this study, a comprehensive literature review was conducted to identify the factors affecting agricultural land value; regional characteristics were considered, and expert opinions were utilized. The identified factors were subjected to factor analysis, and because of this analysis, meaningful and conceptually consistent factor structures were obtained. To determine the relative effects of these factors on agricultural land value, the Analytic Hierarchy Process (AHP) was applied, and factor weights were calculated. Data related to the factors obtained from different institutions were normalized to a common scale according to their effects on agricultural value, and a comprehensive dataset was created. Multi-criteria decision-making methods, clustering analysis, and machine learning methods were used for area-based agricultural valuation. In the multi-criteria evaluation process, the weights obtained from AHP were used and the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) was applied, resulting in the production of an agricultural value index representing the value distribution of agricultural lands. In addition, using raster-based data, K-means clustering analysis was performed, and agricultural lands were classified into spatial clusters with similar value characteristics. As a result of the evaluations, the four-cluster solution was determined to be the most appropriate structure. Furthermore, models were developed using machine learning methods, including Random Forest (RF), Artificial Neural Networks (ANN), Support Vector Regression (SVR), and Least-Squares Boosting (LSBoost). As a result of the performance analysis, Random Forest was identified as the most successful method with an R² value of 0,6371. Using these models, pixel-based value maps were produced. The findings indicate that multi-criteria decision-making, clustering, and machine learning approaches address different dimensions of agricultural land value in a complementary manner. This holistic approach developed in the study reveals the spatial distribution of agricultural land values at the scale of the Konya Closed Basin and provides an analytical decision support infrastructure for land management, planning, and decision-making processes.