Geri Dön

Estimating the area of croplands and estimating each crop's area using remote sensing and machine learning

Uzaktan algılama ve makine öğrenimi kullanılarak ekim arazisinin ve her bir ekin alanının tahmini

  1. Tez No: 767023
  2. Yazar: MOSTAFA AHMAD JABLAWI
  3. Danışmanlar: PROF. DR. SEMA KAYHAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Gaziantep Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 74

Özet

Bu tezde, ekili alanların alanı ve her bir ürünün alanı, makine öğrenme algoritmalarından biri olan Maksimum Olabilirlik Sınıflandırıcısı (MLC) kullanılarak, uzaktan algılama görüntüsünden tahmin edilmektedir. Ekili alanları sınıflandırmak için buğday, fasulye ve çörek otu, diğer bitkiler, kentsel ve nadas olmak üzere 6 sınıf kullanılmıştır. Sahadan arazi-doğrulama GPS eğitim noktaları toplanılıp arazi-doğrulama noktalarına bağlı olarak yetmiş çokgen çizilmiştir. Bu çokgenler, çalışma alanını sınıflandırmak için, çalışma alanıyla birlikte Maksimum Olabilirlik Sınıflandırıcısına girdi olarak kullanılmıştır. Doğruluk değerlendirmesini hesaplamak ve karışıklık matrisi oluşturmak için çalışma alanının üzerinde yüz elli rastgele GPS test noktası oluşturulmuştur. Elde ettiğimiz genel doğruluk %82 olup (kullanıcı doğrulukları, üretici Doğrulukları) her bir sınıf için doğruluk değeri şu şekildedir: buğday (%83,3, %90,9), fasulye (%90,9, %71,4), çörek otu (%81,8, %94,7), diğer -bitkiler (%79,3, %65,7), kentsel (%82,4, %73,7) ve nadas (%80,9, %92,7). Her bir sınıf için tahmin edilen alanlar ise şu şekildedir: buğday 14,881 km2, fasulye 3,614 km2, çörek otu 13,34 km2, diğer bitkiler 20,77 km2, kentsel 14,54 km2 ve 35,23 km2 nadas. Toplam ekilmeyen alan 49,77 km2, ekili alan ise 52,61 km2 dir. Bu çalışmada, ayrıca MLE sınıflandırma sonuçları diğer makine öğrenimi algoritmaları; Vektör Makinesini (SVM) ve Rastgele Ağaçları (RT) algoritmalarının sonuçları ile karşılaştırılmış ve MLE algoritmasının diğer yöntemlere göre çok daha iyi sonuçlar verdiği görülmüştür.

Özet (Çeviri)

In this thesis, the area of croplands and each crop's area are estimated from a remote sensing hyperspectral image of the sentinel-2 satellite using one of the well-known machine learning algorithms, Maximum Likelihood Classifier (MLC). Wheat, beans, nigella, other plants, urban, and fallow are the classes we selected to classify the study area. Our study area locates in North-west Syria. We collected ground-truth GPS points, and we drew seventy polygons depending on them. Each polygon's pixels represent the same class. These polygons are used as input to MLC. We generated one hundred and fifty random GPS test points above the study area to calculate accuracy. The overall accuracy is 82% and (user accuracies, producer Accuracies) for classes are: wheat (83.3%, 90.9%), beans (90.9%, 71.4%), nigella (81.8%, 94.7%), other plants (79.3%, 65.7%), urban (82.4%, 73.7%), and fallow (80.9%, 92.7%). The estimated areas for classes are wheat 14.881 km2, beans 3.614 km2, nigella 13.34 km2, other plants 20.77 km2, urban 14.54 km2, and fallow 35.23 km2. The total uncultivated area is 49.77 km2, whereas the cultivated area is 52.61 km2. In this study, the MLC results are also compared with Support Vector Machine (SVM) and Random Trees (RT) results, and we found that the MLC algorithm gives much better results than other methods.

Benzer Tezler

  1. Mikrometeorolojik yöntem ile tarım ekosisteminde sera gazı akılarının belirlenmesi

    Determination of greenhouse gas fluxes using a micrometerorological method over agricultural ecosystem

    SERHAN YEŞİLKÖY

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. LEVENT ŞAYLAN

  2. Rüzgar çiftliklerinin meteorolojik parametreler üzerindeki etkisi : Model perspektifinden inceleme

    The impact of wind farms on the meteorological parameters: The investigation from the model perspective

    TARIK KAYTANCI

    Doktora

    Türkçe

    Türkçe

    2024

    Enerjiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞÜKRAN SİBEL MENTEŞ

  3. Farklı toprak serilerinin yüzey akış ve toprak kayıplarının wepp hıllslope model ile tahmin edilmesi

    Estimation of surface flow and soil losses of different soil series by wepp hillslope model

    ERHAN ÖZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    ZiraatTokat Gaziosmanpaşa Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    DOÇ. DR. İRFAN OĞUZ

  4. Orta Anadolu'daki bazı tarımsal ürünlerin fenolojik evrelerine göre spektral yansıtma karakteristiklerinin belirlenmesi üzerine bir araştırma

    A research on the determination of spectral reflection characteristics according to the phenological states of some agricultural products in Middle Anatolia

    GİZEM ÇİÇEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    ZiraatEge Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    PROF. DR. YUSUF KURUCU

  5. A new approach for estimating the geothermal gradient and deep subsurface temperature distribution in Turkey

    Türkiye derin yeraltı sıcaklığı ve sıcaklık gradyanı dağılımının belirlenmesine yeni bir yaklaşım

    DANIEL NLIMAH NJOLNBI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. İBRAHİM METİN MIHÇAKAN