Derin transformer kodlayıcı tekniği ve farklı zaman serisi uydu görüntüleri kullanılarak pamuk ve mısır bitki alanlarının belirlenmesi
Determination of cotton and corn plant fields by employing deep transformer encoder technique and different time-series satellite images
- Tez No: 746106
- Danışmanlar: DOÇ. DR. EMRULLAH ACAR, DR. ÖĞR. ÜYESİ ÖMER TÜRK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Batman Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Türkiye orta kuşakta yer aldığından dolayı tarımsal alanda zengin bir ülkedir. Tarımsal alandaki ürünlerin kısa sürede ve doğru bir şekilde tespit edilmesi oldukça önemlidir. Uzaktan algılamadan elde edilen uydu görüntüleri sayesinde tarımsal ürünlerin tespiti gelişimi ve yıllık ürün tahmini gibi birçok konuda bilgi elde edilebilmektedir. Bu çalışmada, tarımsal ürünlere ait Sentinel-1 ve Landsat-8 uydu görüntü indeksleri ve derin mimarisi birlikte kullanılarak tarımsal ürünlerden Mısır ve Pamuk'un tespitinin yapılması amaçlanmıştır. İlk aşamada tespiti yapılması istenen tarımsal ürünlerin Sentinel-1 ve Landsat-8 uydu görüntülerini elde etmek için pilot alan belirlenmiştir. Tarım ürünleri seçilirken gelişme ve hasat zamanları yakın olan mısır ve pamuk ürünlerinin yoğunlukta olduğu bir tarım arazisi seçilmiştir. Bu pilot alandan daha sonra 100 örnek noktaya ait koordinatlar GPS yardımıyla alınmış ve bu koordinatlar Sentinel-1 ve Landsat-8 uydu görüntülerine aktarılarak yansıma değerleri elde edilmiştir. Görüntülerin yansıma değerlerini hesaplamak için tespiti yapılacak tarımsal ürünlerin gelişim ve hasat zamanlarının birbirine yakın olduğu 2016-2021 döneminin Haziran, Temmuz, Ağustos, Eylül ayları tercih edilmiştir. Çalışmada kullanılan veri seti, Google Earth Engine Code Editor (GEE-CE) yardımıyla elde edilmiş ve 2016-2021 yılları arasındaki Haziran, Temmuz, Ağustos, Eylül aylarına ait Sentinel-1 uydu görüntüsü için toplam 434 görüntü ve Landsat-8 için ise toplam 693 görüntüden oluşmaktadır. Son aşamada, elde edilen yansıma değerleri üç faklı kategoride sınıflandırılmıştır. Bunlar:1-) Sadece Sentinel-1 bantlarıyla sınıflandırma, 2-) Sadece Landsat-8'in B1-B7 bantlarıyla sınıflandırma, 3-) Hem Sentinel-1 hem de Landsat-8'in B1-B7 bantlarıyla sınıflandırma şeklindedir. Bu üç farklı yansıma değerleri, Transformer Derin Öğrenme ağı girişine verilerek, tarımsal ürünler (Mısır ve Pamuk) tespit edilmiştir. Birinci sınıflandırmada yalnız Sentilel-1 uydu görüntülerinin yansıma değerleri kullanıldığında %85 sınıflandırma doğruluğu elde edilmiştir. İkinci sınıflandırmada, Landsat-8'in B1-B7 bantlarının uydu görüntülerinin yansıma değerleri için %95 sınıflandırma doğruluğu bulunmuştur. Üçüncü sınıflandırma da ise Sentinel-1ve Landsat-8'in B1-B7 bantlarının uydu görüntüleri yansıma değerleri birlikte kullanıldığında %87,5 ortalama doğruluk değeri gözlemlenmiştir.
Özet (Çeviri)
Turkey is a rich country in agriculture because it is located in the middle belt. It is very important to determine the products in the agricultural field in a short time and accurately. Thanks to the satellite images obtained from remote sensing, information can be obtained on many subjects such as the development of agricultural products detection and annual product forecasting. In this study, it is aimed to detect corn and cotton from agricultural products by using Sentinel-1 and Landsat-8 satellite image indexes and deep architecture of agricultural products together. In the first stage, a pilot area was determined to obtain Sentinel-1 and Landsat-8 satellite images of the agricultural products to be determined. While choosing agricultural products, an agricultural land with high corn and cotton products, whose development and harvest times are close, was chosen. Afterwards, the coordinates of 100 sample points from this pilot area were taken with the help of GPS and these coordinates were transferred to Sentinel-1 and Landsat-8 satellite images and reflectance values were obtained. In order to calculate the reflection values of the images, the months of June, July, August and September of the 2016-2021 period, when the development and harvest times of the agricultural products to be determined are close to each other, were preferred. The data set used in the study was obtained with the help of the Google Earth Engine Code Editor (GEE-CE), and a total of 434 images for Sentinel-1 satellite images and 693 images for Landsat-8 for the months of June, July, August, September between 2016-2021. consists of images. At the last stage, the reflection values obtained were classified into three different categories. These are: 1-) Classification with only Sentinel-1 bands, 2-) Classification with B1-B7 bands of Landsat-8 only, 3-) Classification with B1-B7 bands of both Sentinel-1 and Landsat-8. These three different reflection values were given to the Transformer Deep Learning network input and agricultural products (Corn and Cotton) were determined. In the first classification, 85% classification accuracy was obtained when only the reflectance values of Sentilel-1 satellite images were used. In the second classification, 95% classification accuracy was found for the reflectance values of the satellite images of the B1-B7 bands of Landsat-8. In the third classification, when the reflectance values of the B1-B7 bands of Sentinel-1 and Landsat-8 were used together, an average accuracy value of 87,5% was observed.
Benzer Tezler
- Novel OTFS system designs for 6G communication networks
6G haberleşme ağları için yeni OTFS sistem tasarımları
YUSUF İSLAM TEK
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTUĞRUL BAŞAR
- UGQE: Uncertainty guided query expansion in image retrieval
BYSG: Görüntü erişiminde belirsizlik yönlendirmeli sorgu genişletme
FIRAT ÖNCEL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Multiclass classification of scientific texts written in Turkish by applying deep learning technique
Türkçe dilinde yazılan bilimsel metinlerin derin öğrenme tekniği uygulanarak çoklu sınıflandırılması
MUSTAFA ÖZKAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖRKEM KAR
- A new framework by using deep learning techniques for data processing
Veri işleme için derin öğrenme teknikleri kullanarak yeni bir çerçeve
AHMAD MOZAFFER KARIM KARIM
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH VEHBİ ÇELEBİ
PROF. DR. MEHMET REŞİT TOLUN