Early yield estimation by photosynthetic pigment abundances using landsat 8 image series
Landsat 8 görüntü serisi kullanılarak fotosentetik pigment bollukları ile erken verim tahmini
- Tez No: 647732
- Danışmanlar: PROF. DR. MEHMET LÜTFİ SÜZEN, DOÇ. DR. UĞUR MURAT LELOĞLU
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Ziraat, Science and Technology, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mahsul verimlerinin zamanında tahmin edilmesi, uluslararası kuruluşların yanı sıra hükümetler, çiftçiler ve mahsullerle beraber ilgili ürünlerin depolanması, ithalat ve ihracat ile ilgilenen özel sektör tarafından küresel gıda üretiminin izlenmesi için kritik öneme sahiptir. Uzaktan algılama, küresel ölçekte gerçek zamana yakın bilgi sağlama yeteneğine sahiptir. Mahsul verimlerini tahmin etmek için uydu verilerini ve bilgisayar programlarıyla hesaplama tekniklerini birleştirmek, mahsul verimlerini sürekli olarak tahmin etmek için oldukça etkili bir stratejidir. Bu tez, fotosentetik pigmentlerle ilişkili olabilecek tahmini son üye bolluklarına dayalı olarak mahsul verimlerinin doğru ve sürdürülebilir bir şekilde tahmin edilmesi için yeni bir yaklaşım sunmaktadır. Fenolojik döngüde bitkilerin maksimum yeşillikte oldukları sırasında çekilen Landsat 8 görüntüleri, sağlam işbirlikçi negatif olmayan matris çarpanlarına ayırma (R-CoNMF) karıştırma algoritması kullanarak saf buğday mahsul pikselleri içindeki son üyeleri ve bollukları bulmak için girdi olarak kullanılmışlardır. Son üyeler, verim için bolluğun tahmin gücünü en üst düzeye çıkarmak için optimize edilmiştir. Daha sonra buğday verimleri, dört bolluk değeri, bunların ilgili etkileşimleri, bu tezde ilk kez önerilen parametreler dahil on önemli agrometeorolojik parametre ve üç farklı makine öğrenme algoritması, yani Genelleştirilmiş Doğrusal Model (GLM), Yapay Sinir Ağı (YSA) ve Rastgele Ormanlar (RF) kullanılarak tahmin edilmiştir. Türkiye'nin 31 iline dağılmış 142 buğday tarlasından hasat kayıtları, algoritmanın testinde yer kontrolü olarak kullanılmıştır. Literatürde determinasyon katsayısı (R2), tahmin edilen ve gerçek rakamlar arasındaki ilişkinin ne kadar iyi olduğunu göstermek için bir temsilci olarak kullanılmaktadır. Buna göre, GLM algoritmasında sadece bolluklar kullanıldığında verimler %64 doğrulukla tahmin edilmiş, YSA ile tahmin yapıldığında %78 tahmin oranına ulaşılmış, ve ilgili tüm parametrelere RF uygulanırken ise %82 doğruluk seviyesine ulaşılmıştır. Son üyelerin kestirim güçleri ile birlikte fotosentetik pigment spektral imzalara benzerliği, pigmentlerle ilişkilerini göstermiştir. Her ne kadar R-CoNMF algoritması, fotosentetik pigmentlerin derin karışımının lineer çözülmesini gerçekleştirse de, son üye optimizasyonu ve sınıflandırmalarda kullanılan bollukların etkileşimleri bilineer model kullanılarak doğrusal olmama durumunu kısmen ele almaktadır. Bu sonuçlar sadece çok-bantlı uydu verileri kullanıldığında büyük bir başarı olarak değerlendirilebilir ve HyspIRI gibi gelecekteki hiperspektral uzay görevleri görüntüleri kullanılırken çok daha iyi sonuçların elde edilebileceğinin bir göstergesi olarak kabul edilebilir.
Özet (Çeviri)
Timely estimation of crop yields is critical for monitoring global food production by international organizations as well as governments, farmers and the private sector dealing with storage, import and export of crops and associated products. Satellite remote sensing has the capability to provide near real-time information on a global scale. Combining satellite data and soft computing techniques to predict crop yields is a very effective strategy for continually forecasting crop yields. This thesis presents a novel approach for accurate and sustainable estimation of crop yields based on estimated abundances of endmembers that may be attributed to photosynthetic pigments. Landsat 8 images acquired during the time of the phenological cycle when plants have maximum greenness are the inputs to find endmembers and abundances within the pure wheat crop pixels using Robust Collaborative Nonnegative Matrix Factorization (R-CoNMF) unmixing algorithm. The endmembers are optimized to maximize the predictive power of the abundances for the yields. Wheat yields were then estimated with the four abundances, their relevant interactions, ten important agrometeorological parameters, including parameters proposed in this thesis for the first time, and four different vegetation indices using three different machine learning algorithms (Generalized Linear Model (GLM), Artificial Neural Network (ANN) and Random Forest (RF)). Harvester records from 142 wheat fields distributed in 31 provinces of Turkey were used as the ground truth for testing the algorithm. In the literature, the coefficient of determination (R2) is used as a proxy to show how good the relationship is between the estimated and real figures. According to these calculations, the yields were estimated with 64% accuracy when only the abundances were used in the GLM algorithm, 78% accuracy when ANN was used for yield estimation and 82% accuracy was reached when applying RF to all of the parameters. The similarity of the endmembers to photosynthetic pigment spectral signatures along with their predictive power suggested their relevance to the pigments. Although the R-CoNMF algorithm performs a linear unmixing of the intimate mixture of the photosynthetic pigments, the interactions of the abundances used in the endmember optimization and in classifications partially handle the non-linearity using the bilinear model. These results can be considered as a great success when using multispectral satellite data only and are recognized as a clear indication that much better results would be achieved while using images from future hyperspectral space missions like HyspIRI.
Benzer Tezler
- Blokzincir teknolojisi ile rekolte tahmin platformu tasarlamak
Designing yield estimation platform by blockchain technology
TUNCAY DOĞANTUNA
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiAdli Bilimler Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. GAZİ ERKAN BOSTANCI
- Integrating path planning and image processing with UAVs for disease detection and yield estimation in indoor agriculture
Kapalı alan tarımda hastalık tespiti ve verim tahmini için rota planlama ve görüntü işlemenin İHA'larla entegre edilmesi
ONAT ERDOĞMUŞ
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDİNÇ ALTUĞ
- Electron emission studies for fatique life prediction
Metal yorgunluğunun belirlenmesi için exoelektron yayınımı çalışması
EMRE AKIN
Yüksek Lisans
İngilizce
1999
Metalurji MühendisliğiOrta Doğu Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. ALPAY ANKARA
- Simulation of protein structure by a simplified model: Application to the rop dimer
Protein yapısının basitleştirilmiş bir modelle simülasyonu
E. DEMET AKTEN
Yüksek Lisans
İngilizce
1996
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Bölümü
PROF. DR. İVET BAHAR
PROF. DR. BURAK ERMAN
- Earthquake early warning applications using downhole arrays in Istanbul
İstanbul'da kuyu içi kayıtlar kullanılarak deprem erken uyarı uygulamaları
UÇKAN MERTCAN ARSLAN
Yüksek Lisans
İngilizce
2019
Deprem MühendisliğiBoğaziçi ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ PINAR
PROF. DR. SEYYİT ÜMİT DİKMEN