Sar ve optik veri entegrasyonuna dayalı çeltik alanlarının tespiti ve açıklanabilir yapay zeka (SHAP) ile analizi
Identification of rice fields based on sar and optical data integration and analysis with explainable artificial intelligence (SHAP)
- Tez No: 1019691
- Danışmanlar: DOÇ. DR. ÇAĞLAR BAYIK
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çeltik, küresel ölçekte stratejik öneme sahip olup, dünya nüfusunun önemli bir kısmının temel besin kaynağı olan pirincin hammaddesini oluşturmaktadır. Bundan dolayı çeltik ekili alanların izlenip, doğru şekilde haritalandırılması sürdürülebilir tarım ve gıda güvenliği açısından oldukça kritiktir. Bu çalışma, Türkiye'nin Balıkesir ilinde yer alan ve tarım faaliyetleriyle öne çıkan Gönen Ovası'nda gerçekleştirilmiş olup çeltik ve altı farklı arazi örtüsü tipini (buğday, İtalyan çimi, mera, mısır, orman ve kentsel alanlar) sınıflandırmak için çok zamanlı Sentinel-1 radar ve Sentinel-2 optik verilerinin entegrasyonunu araştırmaktadır. Tarım alanlarının, bitkilerin fenolojik gelişim süreçlerine bağlı olarak zamansal değişkenlik göstermesi nedeniyle, tek tarihli görüntülerin bu dinamikleri yeterince temsil edemeyeceği değerlendirilmiştir. Bu doğrultuda, çeltik bitkisinin kritik fenolojik dönemlerini kapsayan Haziran–Eylül 2024 tarihleri arasındaki veriler kullanılarak zaman serisi yaklaşımı benimsenmiştir. Aktif ve pasif uzaktan algılama verilerinin entegrasyonundan daha etkin biçimde yararlanmak amacıyla, optik bitki örtüsü indeksleri Normalize Fark Bitki İndeksi (NDVI), Yeşil Normalize Edilmiş Bitki Örtüsü İndeksi (GNDVI), Yüzey Su İndeksi (LSWI) ile Sentetik Açıklıklı Radar (SAR) tabanlı göstergeler (Dikey-Dikey (VV), Dikey- Yatay (VH) geri saçılım katsayıları ve Oran Bitki Örtüsü İndeksi (RVI)) birlikte değerlendirilmiş, ayrıca bu değişkenlerden türetilen hibrit indeksler (RVI_ Geliştirilmiş Bitki Örtüsü İndeksi (EVI), VH_LSWI) oluşturulmuştur. Elde edilen tüm konumsal özellikler, sınıflandırma doğruluğunu artırmak amacıyla üç farklı denetimli makine öğrenmesi algoritmasına (Rastgele Orman (RF), Aşırı Gradyan Artırma Algoritması (XGBoost) ve K- En Yakın Komşu Algoritması (KNN)) girdi olarak kullanılmıştır. Mevcut literatürde yer alan benzer çalışmalarda sınıflandırma modelleri yalnızca doğruluk metriklerine göre değerlendirilirken bu tez çalışması SHapley Toplamsal Açıklamalar (SHAP) analizini kullanarak bu kapsamda farklı bir perspektif ortaya koymaktadır. SHAP'ın dahil edilmesi elde edilen sınıflandırma sonuçlarını biyofiziksel sebeplere dayandırıp yorumlayarak her spektral bandın, polarizasyonun ve indeksin farklı fenolojik aşamalardaki sınıflandırma kararlarına tam katkısını ortaya koymaktadır. Elde edilen bulgular, çeltik tarlaları ile diğer arazi örtüsü sınıflarının ayrımında kullanılan SAR, optik ve SAR+ optik tabanlı indeksler ile makine öğrenmesi algoritmalarının performanslarının belirgin farklılıklar gösterdiğini ortaya koymaktadır. Yapılan değerlendirmeler sonucunda, %95,45 genel doğruluk oranına ulaşan RF algoritması tüm modeller arasında en yüksek başarıyı sergilemiştir. Veri setleri karşılaştırıldığında, yalnızca SAR verilerinin kullanıldığı durumda doğruluğun %72–%84 aralığında kaldığı, ancak optik verilerin entegrasyonu ile bu değerlerde önemli bir artış sağlandığı gözlemlenmiştir. Bu kapsamda, hibrit bir indeks olan RVI_LSWI'nin, tek başına SAR kullanımına kıyasla genel doğruluğu %10 ila %22 arasında artırarak hibrit yaklaşımın etkinliğini açıkça ortaya koyduğu belirlenmiştir. Sonuç olarak, elde edilen bulgular aktif ve pasif uzaktan algılama verilerinin birlikte kullanımının ürün sınıflandırma doğruluğunu anlamlı düzeyde iyileştirdiğini göstermektedir. Ayrıca, açıklanabilir yapay zeka yöntemi olan SHAP'ın uygulanması, model tahminlerinin arkasındaki biyofiziksel süreçlere ilişkin önemli içgörüler sunarak, gelecekteki hassas tarım ve ürün izleme çalışmalarında şeffaf, yüksek düzeyde yorumlanabilir ve güvenilir bir yaklaşım sağlamaktadır.
Özet (Çeviri)
Rice is of strategic importance at the global scale, as it constitutes the primary food source for a significant portion of the world's population through paddy cultivation. Therefore, monitoring and accurately mapping paddy fields is critically important for sustainable agricultural practices and food security. This study was conducted in the Gönen Plain, located in Balıkesir Province, Türkiye, which is a region characterized by intensive agricultural activities, and investigates the integration of multi-temporal Sentinel-1 radar and Sentinel-2 optical data for the classification of paddy rice and six different land cover types (wheat, Italian ryegrass, pasture, maize, forest, and urban areas).Due to the temporal variability of agricultural areas driven by the phenological development stages of crops, it is considered that single-date images are insufficient to represent these dynamics. Accordingly, a time-series approach was adopted using data covering the critical phenological stages of rice between June and September 2024. In order to more effectively exploit the integration of active and passive remote sensing data, optical vegetation indices Normalized Difference Vegetation Index (NDVI), Green Normalized Vegetatiton Index (GNDVI), Land Surface Water Index (LSWI) and Synthetic Aperture Radar (SAR) based indicators (Vertical-Vertical (VV), Vertical-Horizon (VH) backscatter coefficients, and the Radar Vegetation Index (RVI)) were jointly analyzed, and hybrid indices derived from these variables (RVI_EVI, VH_LSWI) were also generated. All extracted spatial features were used as input to three supervised machine learning algorithms—Random Forest (RF), XGBoost, and K-Nearest Neighbors (KNN)—to improve classification accuracy.While existing studies in the literature typically evaluate classification models solely based on accuracy metrics, this thesis introduces a different perspective by incorporating SHapley Additive Explanations (SHAP) analysis. The inclusion of SHAP enables the interpretation of classification outcomes in terms of underlying biophysical processes, allowing a detailed assessment of the contribution of each spectral band, polarization, and index across different phenological stages.The results indicate that there are significant differences in the performance of SAR-, optical-, and SAR+optical-based indices and machine learning algorithms used for distinguishing paddy fields from other land cover classes. The analysis shows that the RF algorithm achieved the highest overall accuracy of 95.45%, outperforming all other models. A comparison of datasets reveals that the use of SAR data alone resulted in accuracies ranging between 72% and 84%, whereas the integration of optical data led to a substantial improvement in these values. In this context, the hybrid index RVI_LSWI increased overall accuracy by 10% to 22% compared to SAR-only usage, clearly demonstrating the effectiveness of the hybrid approach.In conclusion, the findings demonstrate that the combined use of active and passive remote sensing data significantly improves crop classification accuracy. Furthermore, the application of SHAP provides valuable insights into the biophysical mechanisms underlying model predictions, offering a transparent, highly interpretable, and robust framework for future precision agriculture and crop monitoring applications.
Benzer Tezler
- SAR, optik ve spektral uydu görüntülerinin füzyonunda gürültü giderme, kanal seçimi ve sınıflandırma başarısının değerlendirilmesi
Evaluation of noise removal, channel selection and classification success in the fusion of SAR, optical and spectral satellite images
SEMİH GENÇAY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER ÖZCAN
- Integration of optical and synthetic aperture radar imagery for improving crop mapping
Ürün deseni haritası üretimini iyileştirmek üzere optik ve sentetik açıklıklı radar görüntülerinin entegrasyonu
ROUHOLLAH NASIRZADEHDIZAJI
Doktora
İngilizce
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FÜSUN BALIK ŞANLI
PROF. DR. ZİYADİN ÇAKIR
- Effect of digital elevation model accuracy on the geolocation accuracy of orthorectified sentinel-1 imagery
Ortorektifiye edilmiş sentinel-1 görüntülerinin konumsal doğruluğuna dijital yükseklik modeli doğruluğunun etkisi
SENA OĞUZHANOĞLU
Yüksek Lisans
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- SAR VE LIDAR verisi kullanılarak kıyı çizgisinin tespit edilmesi
Extracion of coastlines using SAR AND LIDAR data
SELEN OY
Yüksek Lisans
Türkçe
2019
Astronomi ve Uzay BilimleriAkdeniz ÜniversitesiUzay Bilimleri ve Teknolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NUSRET DEMİR