Geri Dön

Çok zamanlı uydu görüntü verileri ile tarımsal ürünlerin belirlenmesi ve verim tahmini

Determination of cultivated crops by using multi temporal satellite images and yield estimation

  1. Tez No: 467364
  2. Yazar: PINAR KARAKUŞ
  3. Danışmanlar: PROF. DR. HAKAN KARABÖRK
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 124

Özet

Fotosentez yoluyla dönüştürülen ışık enerjisi ile solunum ve ölüm yoluyla kaybedilen enerji arasındaki denge olarak tanımlanan Net Birincil Üretim (NBÜ), direk olarak hasat edilen ürünün verimiyle ilgilidir. NBÜ, uzaktan algılama verilerini kullanan Işık Kullanım Etkinliği (LUE) modeli ile belirlenebilmektedir. Uzaktan algılamayla hesaplanan verim tahmininde genellikle çok zamanlı uydu görüntüleri kullanılmaktadır. Ancak bulut oranı, düşük zamansal çözünürlük, maliyet gibi birçok etkenden dolayı istenilen sayıda uydu görüntüsü temin edilememektedir. Bu nedenle tek uydu görüntüsü ile verim tahmini önemli bir konu haline gelmiştir. Bu tez çalışmasında Osmaniye İli, Kadirli İlçesinde her sene tek bir uydu görüntüsü kullanılarak ve meteorolojik veriler yardımı ile parsel bazlı bir verim modeli geliştirilmiştir. Geliştirilen bu modelin toprak sınıfı üzerindeki etkileri araştırılmıştır. Verim tahmini çalışmalarının ilk aşamasını oluşturan ürün türünün belirlenmesinde piksel tabanlı yöntemlerden en çok benzerlik yöntemi ve destek vektör makineleri ile nesne tabanlı sınıflandırma yöntemleri karşılaştırılmıştır. Her sene bitki örtü kesidine uygun zaman seçilerek SPOT 6 &7 uydu görüntüleri temin edilmiştir. 2016 yılında kaynaştırılmış 1.5 m uydu görüntüsü ile yapılan sınıflandırma sonuçları 2014 ve 2015 yıllarında 6 m çözünürlüklü uydu görüntüsü ile yapılan sınıflandırma sonuçlarına göre daha yüksek doğrulukla hesaplanmıştır. Bitki örtü kesidinin belirlenmesi ve bitki gelişiminin takip edilmesi için 2014, 2015 ve 2016 yıllarında bitkilerin her hafta yaklaşık 4 ay resim çekimi ve boy ölçümü yapılmıştır. Bitki örtü kesidi uydu görüntülerinden elde edilen 12 tane bitki indeksiyle regresyon analizine tabi tutulmuştur. NDVI değeri 3 senede bitki örtü kesidi ile en yüksek korelasyonu sağlamıştır. fPAR olarak bitki örtü kesidi, bitki örtü kesidi ve NDVI arasındaki denklemle modellenen verim ile tek tarih ile modellenen parsel bazlı verim karşılaştırıldığında 0.01 fark olduğu analiz edilmiştir. Hesaplanan tüm verim modellerinde toprak haritasına bağlı kalarak seçilen I. sınıf, II. sınıf ve III.sınıf toprak sınıfları ile verim arasındaki ilişki modellenmiştir. Çiftçi görüşmeleri sonucunda tespit edilen hastalıklı tarlaların NDVI değeri ve bitki örtü kesidi değeri diğer tarlalara göre oldukça düşüktür. Verimi düşük olan tarlaların belirgin bir şekilde bağıl hataları 0.10- 0.35 arasında hesaplanmıştır. Sonuç olarak mısır ve ayçiçeği veriminin parsel bazında tek uydu görüntüsü ile ortalama 0.10 bağıl hata ile belirlenebileceği saptanmıştır.

Özet (Çeviri)

Net Primary Productivity (NPP) is balance between sun energy which is use at the photosynthesis and lost energy that is consume by death of alive things and respiratory. NPP is directly related to yield of harvested product. NPP can be determined by Light Use Efficiency (LUE) model with the help of remote sensing data. Multi temporal satellite images are generally used to calculate yield estimation. However, some reasons such as; high cloud density, low spatial resolulation and price etc. make impossible to reach enough satellite images. For this reason, yield estimation by using single satellite image become more important topic nowadays. In this study, parcel based yield model developed with help of using single satellite image for 2014-2015-2016 years and meteorological data in Kadirli-Osmaniye. The effects of the developed model on the soil class were investigated. First step of yield estimation model is the determination of the crop types. For this, object based classification method were compared with popular pixel based methods that are maximum likelihood method and Support Vector Machine (SVM) method. The SPOT 6&7 satellite images were acquired in appropriate time of the plant cover for 2014-2015-2016 years. Results of pansharpening 2016 satellite image (1.5 m spatial resolution) calculated higher classification accuracy than 2014 and 2015 satellite images (6 m spatial resolution) classification accuracy. During 4 month, taking photographs and value of plant height were provided on a weekly basis from fieldwork to determine crop cover fraction and to monitor vegetation development for 2014, 2015, 2016 years. Regression analysis was performed with 12 vegatation index obtained from satellite image and crop cover fraction. NDVI values have the highest correlation with the crop cover fraction for 2014-2015-2016 years. %1 difference was obtained when parcel based yield modeled by using single satellite images is compared with the other models which are the yield modeled by the equation between crop cover fraction and NDVI and the yield model, in which fPAR is used as crop cover fractions. In all calculated yield models, the relationship between 1.rd - 2.rd - 3.rd soil classes selected taking into account soil maps and yield was modeled. The NDVI and crop cover fraction values of diseased fields, determined as a result of farmers interviews, is considerably lower than other fields. The relative errors of the fields having low yields were calculated between 10% and 35%. As a result, it was determined that yield estimation of corn and sunflower can be modeled by a single satellite image for each year on a parcel based with an average of 0.10 relative error.

Benzer Tezler

  1. Random forest classification of tomato fields with planet satellite image data and accuracy assessment

    Planet uydu görüntü verileriyle yüksek doğruluklu domates ürün tipi sınıflandırmasında rastgele orman sınıflandırma yönteminin kullanımı ve doğruluk analizi

    BETÜL ŞALLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  2. Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey

    Kısıtlı veri şartlarında uzaktan algılama teknolojisi ile toprak tuzluluğunun izlenmesi: Türkiye'den bir vaka çalışması

    TAHA GORJI

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE GÜL TANIK

  3. Tarımsal yaz ürünlerin sentinel-2 uydu görüntülerinden rastgele orman algoritması ile nesne-tabanlı sınıflandırılması

    Object-based classification of summer crops from sentinel-2 satellite images using random forest algorithm

    MESUT YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA TÜRKER

  4. Multitemporal co-polar x-band sar data classification as a tool for paddy-rice phenology estimation

    Çeltik tarlası fenoloji kestirimi için çok zamanlı co-polar x-bant sar verisi üzerinde sınıflandırma yöntemi

    ÇAĞLAR KÜÇÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    YRD. DOÇ. DR. GÜLŞEN TAŞKIN KAYA

    YRD. DOÇ. DR. ESRA ERTEN

  5. Uzaktan algılama ve coğrafi bilgi sistemleri entegrasyonu ile Tuz gölü ve yakın çevresinin zamana bağlı değişim analizi

    Multitemporal change detection on the Salt lake and surroundings by integrating remote sensing and geographic information systems

    SEMİH EKERCİN

    Doktora

    Türkçe

    Türkçe

    2007

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Jeodezi ve Fotogrametri Ana Bilim Dalı

    PROF.DR. CANKUT ÖRMECİ