Geri Dön

High-resolution soil salinity mapping using machine learning based regression and classification methods

Makine öğrenimi tabanlı regresyon ve sınıflandırma yöntemlerini kullanarak yüksek çözünürlüklü toprak tuzluluğu haritalaması

PDF İndir

  1. Tez No: 684559
  2. Yazar: AYLİN YILDIRIM
  3. Danışmanlar: PROF. DR. ELİF SERTEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
  12. Bilim Dalı: Coğrafi Bilgi Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: 100

Özet

21. yüzyılda insanlık, dünya kaynaklarının sürdürülebilir kullanımı kavramının ortaya çıkmasına sebep olan küresel çevre sorunlarıyla karşı karşıyadır. Bu bilgiler ışığında, toprak tuzlanması, özellikle dünyanın kurak ve yarı kurak bölgelerinde toprak verimliliği için yüksek tehdit oluşturan ana çevre sorunlarından biridir. Bu bölgelerde yağış eksikliği ve aşırı buharlaşma oranı, yüzeydeki toprakta tuz birikimini artırmaktadır. Nüfustaki hızlı artış, daha fazla tarımsal ürün yetiştirilmesine ve hayvancılık endüstrisinin çoğalması konularında talepleri artırmakta, verimli ve sağlıklı bir toprağa olan ihtiyacı arttırmaktadır. Toprak, ekosisteme çeşitli faydalar sağlayan önemli bir doğal kaynaktır ve Dünya'nın biyojeokimyasal ve hidrolojik döngülerinin düzenlenmesini desteklemektedir. Son otuz yılda bilim insanları, toprağın korunumunu ve tarım arazilerinin sürdürülebilir gelişimini iyileştirme için toprak tuzluluğunu tespit etme ve izlemenin önemini ele almışlardır. Uzaktan Algılama tekniklerinin, Makine Öğrenmesi algoritmalarının ve modelleme yöntemlerinin geliştirilmesi, tuzdan etkilenen arazilerin zamansal ve mekansal izlenmesi için araştırmacıları desteklemektedir. Uydu verilerinin kalitesinin ve erişilebilirliğinin geliştirilmesi, büyük ölçekli alanlarda hızlı ve doğru toprak tuzluluğu haritalamasına yardımcı olmaktadır. İran'da bulunan ve Ortadoğu'nun en büyük gölü olan Urmiye Gölü, yukarıda ifade edildiği şekilde tuzdan etkilenen yerlerden biri olarak ele alınabilir. Bu nedenle de bu göl, toprak tuzluluk seviyelerinin mekansal dağılımını değerlendirmek için seçilmiştir. 2016 yılında kurak mevsimde yapılan saha çalışması sırasında toprak örnekleri toplanmıştır. Çalışma alanı, doğal küresel rezervlerden ve tarım alanlarından ibaret olduğu için, bu tür bölgelere zarar veren faktörlerin izlenmesi önemli bir konu haline gelmiştir. Bu çalışma, Sınıflandırma ve Regresyon Ağaçları (CART), Rastgele Orman (RF), Destek Vektör Makinesi (SVM) algoritmalarını kullanarak yüksek çözünürlüklü toprak tuzluluğunun haritalanması için makine öğrenmesi tabanlı regresyon ve sınıflandırma yöntemlerini karşılaştırmayı amaçlamaktadır. Bu amaçla, yüksek çözünürlüklü uydu görüntüleri SPOT-7 (Airbus), PlanetScope (Planet) ve Sentinel 2A (ESA), sahadan alınmış yer ölçümleri ile zamansal farkın en az olmasını sağlayacak şekilde seçilmiştir. Sonrasında da hem yer ölçüm verileri hem de seçilmiş olan uydu görüntüleri Google'ın bulut tabanlı jeo-uzamsal analiz platformu olan Google Earth Engine (GEE) işlenmiştir. Görüntü bantları ve bu bantlardan türetilmiş olan tuzluluk indeksleri, vejetasyon indeksleri, su indeksi gibi bölgedeki problemi anlamaya yönelik olan çevresel girdi parametreleri belirlenmiştir. GEE bulut tabanlı platformda analiz ve değerlendirmeler gerçekleştirmek için kullanılan yer kontrol noktaları ve seçilen görüntüler kullanılarak bir kullanıcı arayüzü tasarlanmıştır. Tasarlanan bu arayüz içerisinde üretilen modeller, değişkenler arası ilişkiyi belirlemek için hesaplanan determinasyon katsayısı matrisinden ve görsel yorumlamadan faydalanılarak seçilmiştir. Bu şekilde kullanılan her algoritma için beş farklı model belirlenmiştir. Bu modeller sırasıyla kullanılan tüm girdi parametrelerini içeren ondokuz bantlı kombinasyon, orjinal görüntü bantlarını içeren dört bantlı kombinasyon (RGB-NIR), kullanılan beş farklı tuzluluk indeksini içeren beş bantlı (SI1, SI2, SI3, SI4, SI5), üç farklı tuzluluk indeksine eklenen iki farklı vejetasyon indeksleri ile oluşturulan modeller (SI1, SI4, SI5, CRSI; SI1, SI4, SI5, NDVI) belirlenmiştir. Modellerin girdileri belirlendikten sonra sırasıyla karşılaştırma yapabilmek için Sınıflandırma ve Regresyon Ağaçları (CART), Rastgele Orman (RF) ve Destek Vektör Makinesi (SVM) algoritmaları için regresyon ve sınıflandırma tabanlı sonuçları üretilmiştir. Herbir model için üretilen sonuç haritaların istatistiki doğruluğu hata matrisi üzerinden, k sayısı kadar çapraz doğrulama yöntemi ile hesaplanmıştır. Görsel yorumlama için belirlenen bölgeler ve istatiski doğruluklar kullanılarak herbir model kendi içerisinde yöntemler ve görüntü çöznürlükleri de gözönünde bulundurulup karşılaştırma yapılarak yorumlanmıştır. Genel olarak regresyon ve sınıflandırma sonuçları incelendiğinde, regresyon sonuçlarının sınıflandırma sonuçlarına göre istatistiki ve görsel olarak daha iyi bir sonuç verdiği bilgisine ulaşılmıştır. En yüksek istatistiki sonuçları Sınıflandırma ve Regresyon Ağaçları (CART) algoritmasından türetilen sonuçlar vermiş olsa da görsel olarak yorumlamasında bu sonucu sağlamadığı tespit edilmiştir. Destek Vektör Makinesi (SVM) yöntemi ile çıkan sonuçlar hem görsel olarak hem de istatistiki olarak beklenilenin çok altındaki değerlerde sonuçlar üretmiştir. Görsel yorumlama sonuçlarına göre Rastgele Orman (RF) algoritması ile üretilen haritalar CART ve SVM'e göre daha iyi sonuçlar göstermiştir. İncelenen sonuçlara göre, sadece istatistiki sonuçlara bakılarak modelin doğruluğuna karar verilemeyeceği görülmüştür. Sonuçların görsel olarakta doğruluğu sağlaması gerekmektedir. Çalışmanın tamamı incelendiğinde veri sayısındaki yetersizlik ve verinin sınıflardaki dağılımının yetersizliği bazı modellerin sınıflandırmasında soruna neden olmuştur. Özellikle Destek Vektör Makinaları metodundaki çıkan sonuçlarda bu durum gözlemlenmiştir. Bu çalışmanın Google Earth Engine bulut platformunda gerçekleştirilmiş olması zaman zaman büyük verileri işlemede performans sorunlarını da beraberinde getirmiştir. Özellikle yüksek çözünürlüklü olan görüntülerde hesaplama ve görselleştirme aşamasında bu durum belirgin olarak gözlemlenmiştir. Bu nedenle MATLAB, Python, Weka, or R gibi alternatif platformlarla çalışma desteklenebilir. Geleneksel yöntemlere göre daha hızlı ve anlamlı sonuç üreten Makine Öğrenmesi yöntemleri çevresel sorunları farklı şekillerde anlamada ve anlamlandırma konusunda önemli bir araçtır. Sürdürülebilir tarım ve iklim kalkınmasında sorunları anlama ve çözümleri takip etmede faydalı olabilecek bu yöntemlere son yıllarda araştırmacıların artan ilgisi ile uygulama alanı da genişlemiştir. Toprak tuzluluğu gibi başta tarımsal üretim ve buna bağlı olan ekonomik gelişimi, ekolojiyi etkileyen çevresel sorunların dağılımının tespit edilmesinde de fayda sağlayan bir araç olan makine öğrenmesi yöntemleri bu çalışmada olduğu gibi farklı araştırmacılar tarafından da ele alınmıştır. Toprak tuzluluğunun dağılımının belirlenmesinde önemli bir yere sahip olan yer kontrol verilerinin yeterli sayıda olması ve bu yer verilerinin alındığı tarihe uyumlu olan uydu verilerine sahip olmak çalışmanın kalitesini arttırma konusunda en önemli noktalardandır. Ayrıca çalışmanın yapılacağı alanda toprak tuzluluğunu etkileyecek olan çevresel parametrelerin de belirlenmesi problemi ve problemin dağılımını tespit etmede faydalı olacaktır. Bunların anlaşılması, sorunun yönetilmesi ve çözüme ulaştırılması açısından büyük önem arz etmektedir. Yapmış olduğumuz çalışmanın kapsamı ve uygulama alanı bu bakış açısıyla genişletilebilir. Uygulama alanı açısından doğal ve insan kaynaklı toprak tuzluluğu sorununun olabileceği yerler arasında Tuz Gölü, Harran Ovası gibi tarımsal açıdan ve ekolojik açıdan büyük öneme sahip bölgeler seçilebilir. Ayrıca çalışmada Sentinel-1A/1B gibi Sentetik Açıklıklı Radar (SAR) görüntüleri ve termal bantları veya görüntüleri kapsayan TerraSAR, Sentinel-3 gibi çevre izleme misyonuna sahip farklı uydu verilerine yer verilerek bunlar arasında da inceleme de yapılabilir.

Özet (Çeviri)

In the 21st century, humankind faces global environmental problems, which lead to the concept of the sustainable usage of earth resources. In light of this information, soil salinization is one of the main environmental issues that pose a high threat to soil fertility, especially in arid and semi-arid regions of the world. In these regions, lack of precipitation and extreme evaporation rate increases salt accumulation on the surface soil. Rapid population growth raises demands for producing more agricultural products and increasing the number of livestock industries, and due to this fact, lands containing healthy soil are required. Soil is an essential natural resource that provides several benefits to the ecosystem, and it supports the regulation of the biogeochemical and hydrological cycles of the Earth. Within the last three decades, scientists considered the importance of detecting and monitoring soil salinity in order to enhance soil conservation and sustainable development of agricultural lands. The development of remote sensing techniques, machine learning algorithms, and modeling techniques supports researchers for temporal and relevant monitoring of salt-affected lands. Enhancement in quality and accessibility of satellite data assists in rapid and accurate soil salinity mapping in large-scale areas. Iran's Lake Urmia, which is the largest lake in the Middle East can be examined as one of those salt-affected places. Hence, this lake is selected to evaluate the spatial distribution of soil salinity levels. Soil samples were collected during the field survey in the dry season in 2016. Since the study area consists of the natural global reserves and agricultural fields, tracking the damaging factors for these types of regions has become a crucial issue. This study aims to compare machine learning-based regression and classification methods for mapping the high-resolution soil salinity using Classification and Regression Trees (CART), Random Forest (RF), Support Vector Machine (SVM) algorithms. For this purpose, high-resolution multispectral satellite images SPOT-7 (Airbus), PlanetScope (Planet), and Sentinel 2A (ESA) were selected with the specific date and time stamps that will serve to minimize the temporal difference with the ground observation date and times. Not only the satellite imagery but also the ground samples were processed in Google's cloud-based geospatial analysis platform, called Google Earth Engine (GEE).

Benzer Tezler

  1. Tez No

    808191

    Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi

    Soil salinity mapping using explainable artificial intelligence methods

    SAMET AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  2. Tez No

    903486

    Kilis ili Elbeyli ilçesi Antepfıstığı bahçe topraklarının verimlilik durumunun incelenmesi

    Investigation of fertility of pistachio orchard soils in Elbeyli district of Kilis province

    MEHMET ALİ YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    ZiraatKilis 7 Aralık Üniversitesi

    Bahçe Bitkileri Ana Bilim Dalı

    DOÇ. DR. MERYEM KUZUCU

  3. Tez No

    496564

    Experimental and ecological niche modelling approaches to predict potential distribution areas of some invasive weeds in Turkey

    Deneysel ve ekolojik niş modelleme yaklaşımları ile Türkiye'de bazı istilacı yabancı otların potansiyel dağılım alanlarının tahmini

    SHAHID FAROOQ

    Doktora

    İngilizce

    İngilizce

    2018

    ZiraatGaziosmanpaşa Üniversitesi

    Bitki Koruma Ana Bilim Dalı

    PROF. DR. İZZET KADIOĞLU

  4. Tez No

    439620

    Gemlik körfezi'nde geç pleistosen-holosen dönemi deniz seviyesi ve paleo-iklim değişimleri

    Late pleistocene to holocene paleoceanographic and paleo-climatic changes in gulf of gemlik, sea of Marmara, Turkey

    BETÜL FİLİKCİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Jeoloji Mühendisliğiİstanbul Teknik Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KÜRŞAD KADİR ERİŞ

  5. Tez No

    292602

    Aster, landsat, formosat uydu görüntüleri ve sayısal yükseklik modelleri (SYM) yardımıyla sulu tarıma uygun alanların belirlenmesi: Çanakkale

    Determination of agricultural lands appropriate for irrigation using aster, landsat, formosat imagery and digital elevation model (DEM): Çanakkale

    MELİS SAÇAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    ZiraatÇanakkale Onsekiz Mart Üniversitesi

    Tarımsal Yapılar ve Sulama Ana Bilim Dalı

    DOÇ. DR. LEVENT GENÇ

Geri Dön