Sentinel-2 görüntüleri ve makine öğrenmesi yöntemleri ile sera üstü fotovoltaik enerji potansiyelinin belirlenmesi: Antalya ili örneği
Assessment of greenhouse rooftop photovoltaic energy potential using Sentinel-2 imagery and machine learning: A case study of Antalya
- Tez No: 1017611
- Danışmanlar: PROF. DR. FUSUN BALIK ŞANLI, DOÇ. DR. ALİ MURAT ATEŞ
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Arazi kullanımı ve yönetimi, tarımın sürdürülebilirliği ve enerji verimliliği açısından kritik bir rol oynamaktadır. Özellikle sera alanlarının hızla genişlemesi yerel ekosistemler üzerinde önemli etkiler yaratırken, bu alanların doğru haritalanması hem tarımsal verimlilik hem de yenilenebilir enerji entegrasyonu açısından büyük önem taşımaktadır. Bu tez çalışması, Antalya ilindeki sera alanlarının uzaktan algılama teknikleriyle yüksek doğrulukla tespit edilmesini ve bu alanların sera üstü fotovoltaik enerji üretim potansiyelinin belirlenmesini amaçlayan iki aşamalı bir yaklaşımdan oluşmaktadır. Çalışmanın ilk aşamasında, Google Earth Engine (GEE) platformu üzerinden Sentinel-2 MSI uydu görüntüleri kullanılarak; Rastgele Orman (RO), Destek Vektör Makineleri (DVM) ve Sınıflandırma ve Regresyon Ağaçları (CART) algoritmalarının performansları karşılaştırılmıştır. Geleneksel spektral bantlara ek olarak Plastik Sera İndeksi (PGI) ve Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI) gibi çeşitli indeksler sınıflandırmaya dahil edilmiştir. Analizler ve McNemar testleri sonucunda, en yüksek başarı oranına PGI ve RO kombinasyonu ile ulaşılmıştır (Genel Doğruluk: %88,10; κ: 0,804). İkinci aşamada, bu metodoloji ile Antalya ilindeki seraların geometrik yönelimleri Minimum Sınırlandırma Geometrisi (MSG) yöntemiyle belirlenmiş ve sera çatılarının %20 oranında çift yüzlü modüllerle kaplandığı bir senaryo modellenmiştir. PVsyst simülasyonları sonucunda, Antalya'daki seraların 13,59 GW kurulu güç ve yıllık 24,47 TWh elektrik üretim potansiyeline sahip olduğu hesaplanmıştır. Bu bulgular, söz konusu potansiyelin Türkiye'nin 2024 yılındaki toplam kurulu güneş enerjisi gücünün %67,17'sini karşılayabileceğini ortaya koymaktadır. Sonuç olarak çalışma, aynı arazi üzerinde hem tarımsal hem de temiz enerji üretiminin mümkün olduğunu kanıtlayarak sürdürülebilir kalkınma hedeflerine stratejik bir katkı sunmaktadır.
Özet (Çeviri)
Land use and management play a critical role in agricultural sustainability and energy efficiency. While the rapid expansion of greenhouse areas exerts significant pressure on local ecosystems, precise mapping of these structures is essential for both agricultural productivity and renewable energy integration. This thesis proposes a two-stage approach to detect greenhouse areas in Antalya province using remote sensing techniques and to determine the solar energy production potential of greenhouse-integrated photovoltaics. In the first stage, the performance of machine learning algorithms—specifically Random Forest (RO), Support Vector Machines (DVM), and Classification and Regression Trees (CART)—was evaluated using Sentinel-2 MSI satellite imagery via the Google Earth Engine (GEE) platform. In addition to traditional spectral bands, various indices, including the Plastic Greenhouse Index (PGI) and the Normalized Difference Vegetation Index (NDVI), were incorporated into the classification process. The results, validated by McNemar tests, indicated that the highest accuracy was achieved through the combination of the PGI and the RO algorithm (Overall Accuracy: 88.10%; κ: 0.804). In the second stage, the orientations of the greenhouse structures were determined using the Minimum Bounding Geometry (MSG) method, and a scenario was modeled where 20% of the greenhouse rooftops were equipped with bifacial modules. PVsyst simulations revealed that the greenhouse areas in Antalya possess an installed capacity of 13.59 GW and an annual electricity generation potential of 24.47 TWh. These findings demonstrate that this potential corresponds to 67.17% of Turkey's total installed solar power capacity as of 2024. Consequently, this study proves the feasibility of co-locating agricultural and clean energy production (agrivoltaics), offering a strategic contribution to Turkey's sustainable development goals.
Benzer Tezler
- Göktürk 2 uydu verilerinin arazi örtüsü ve kullanımının uzaktan algılama ve makine öğrenmesi yöntemleri ile tespitinin araştırılması
Investigation of land cover and land use of Göktürk 2 satellite data by remote sensing and machine learning methods
BİNNAZ METİN
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. MURAT YAKAR
- InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği
Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport
NUR YAĞMUR
Doktora
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
PROF. DR. ERDAL ŞAFAK
- Bitki örtüsü alanlarında mevsimsel etkilerin sentinel-1 SAR ve sentinel-2 optik uydu görüntüleri ile izlenmesi
Monitoring seasonal effects in vegetation areas with sentinel-1 SAR and sentinel-2 optic satellite images
AHMET BATUHAN POLAT
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FUSUN BALIK ŞANLI
- Gelişmiş makine öğrenimi teknikleri ile çok zamanlı hava ve uydu görüntüleri kullanılarak mısır (Zea mays) türlerinin fenoloji tabanlı sınıflandırılması
Phenology- based classification of maize (Zea mays) species using multi̇- temporal aerial and satellite imagery with advanced machine learning techniques
OSMAN YAVUZ ALTUNTAŞ
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÇÖLKESEN
- Uydu verileri temelli derin öğrenme ve açıklanabilir makine öğrenmesi teknikleri kullanılarak Sakarya ili fındık alanlarının mekansal dağılımının belirlenmesi
Determining the spatial distribution of hazelnut areas in Sakarya province using satellite data-based deep learning and explainable machine learning techniques
GAFUR SEMİ ŞENGÜL
Yüksek Lisans
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
PROF. DR. BEYZA USTAOĞLU