Bulut görüntüleri ile derin öğrenme teknikleri kullanılarak hava durumunun açık/kapalı şeklinde sınıflandırılması
Cloudy/clear weather classification using deep learning techniques with cloud images
- Tez No: 778539
- Danışmanlar: DOÇ. DR. GAZİ ERKAN BOSTANCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: 49
Özet
Günümüzde hava durumu tahminlerine erişim, kişisel bir bilgisayar veya akıllı cihazlar ile son derece kolaylaşmıştır. Kolay erişilebilmesine rağmen, hava durumu raporlarında hala yüksek hata oranları mevcuttur. Meteoroloji kurumlarında hava tahminlerini yapabilmek için hem kurum içinde hem de sahada çok fazla insana ihtiyaç vardır. Her insana dayalı sistemde olduğu gibi hava durumu tahmin sistemlerinde de insana bağlı hatalar oluşmaktadır. Hava durumu tahminlerindeki insan faktörü minimuma indirgeyerek yapılabilirse insan kaynaklı hatalar da minimuma indirgenebilir. Meteoroloji raporlarından insan hatalarını elimine etmenin yolu, bu işleri bilgisayarların yönetimine yani derin öğrenme ve benzeri tekniklere bırakmaktır. Derin öğrenme temelli yazılımlar, geliştirme aşaması bittiği zaman çok az insan çabası gerektirir veya hiç gerektirmez. Bu sayede insana dayalı hatalar olabildiğince azalır. Derin öğrenme teknikleri çok sayıdaki veriden oluşan kümeleri sınıflandırabilir. Bu yetenek ile yerden çekilmiş bulut resimleri açık veya kapalı şeklinde sınıflandırılabilir. Aynı zamanda, bir resmin sınıflandırılması sonucunda hesaplanan“bulutlu”sınıfına ait olma ihtimali, o resmin bulutluluk oranı olarak yorumlanabilir. Bu bilimsel çalışma, derin öğrenme yöntemlerini kullanarak insan kaynaklı meteoroloji hatalarını olabildiğince minimum seviyeye düşürmeyi hedeflemektedir. İşlenen veri seti, yerden alınan bulut resimlerini açık/kapalı şeklinde sınıflandırılmış halidir. Öğrenme aktarımı (Transfer Learning) tekniği ile önceden farklı veri seti üzerinde eğitilmiş dört modelle çalışılmıştır: MobileNet V2, VGG-16, ResNet-152 V2, DenseNet-201. VGG-16 modeli %91,4 doğruluk oranıyla en iyi sonucu vermiştir. Gelecekteki meteoroloji tahminlerinde derin öğrenme ve benzeri yapay zekâ teknolojilerine tamamen geçileceği öngörülebilir. Sonuç olarak, zahmetsizce erişilebilen hava durumu tahminlerindeki hata payı sıfıra yakın olacaktır.
Özet (Çeviri)
Access to daily weather forecasts has become very simple with a personal computer or smart devices. Despite being easily accessible, weather reports still have high error rates. Generally, in order to determine weather forecasts, a lot of people are needed both in meteorology institutions and in the field. As with all human-based systems, weather forecasting has also human errors. If human factor in weather forecasts could be minimized, then human-induced errors would be drastically reduced. The way to eliminate human errors from meteorology reports is giving these works to computers that applies deep learning or similar techniques. A Deep learning-based software requires almost no human effort when its development phase is over, so human factor along with human errors are reduced. Deep learning based architectures can classify clusters of large numbers of data. In this academic work the data is cloud images taken from the ground which are from either a clear or cloudy weather. In addition, the probability of belonging to the“cloudy”class calculated as a result of a picture can also be interpreted as the cloudiness rate of that picture. With the transfer learning and the fine tuning techniques of deep learning, four pre-trained models were experimented on: MobileNet V2, VGG-16, ResNet-152 V2, DenseNet-201. The VGG-16 model produced the best results with an accuracy score of 91.4%. It can be foreseen that in future meteorological forecasts, deep learning and similar artificial intelligence technologies can dominate weather forecasts. Therefore, the margin of error in effortlessly accessible weather forecasts will be close to zero.
Benzer Tezler
- Semantic segmentation of UAV images in archaeological sites using deep learning
Arkeolojik alanlardaki İHA görüntülerinin derin öğrenme yardımıyla anlamsal segmentasyonu
DAMLA KUMBASAR
Yüksek Lisans
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Cloud coverage prediction with deep learning methods
Derin öğrenme ile bulutluluk tahmini
BOLE WILFRIED TIENIN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BUSE MELİS ÖZYILDIRIM
- Zeytin yaprağındaki hastalıkların derin öğrenme teknikleri kullanılarak sınıflandırılması
Classification of olive leaf diseases using deep learning techniques
NEŞE UYSAL
Yüksek Lisans
Türkçe
2020
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN UĞUZ
- Ankara Orman Bölge Müdürlüğü saf karaçam meşcerelerinde net birincil üretim ve yaprak alan indeksinin uzaktan algılama teknikleri ile modellenmesi
Modeling net primary productivity and leaf area index with remote sensing techniques in pure crimean pine stands in Ankara Regional Directorate of Forestry
SİNAN BULUT
Doktora
Türkçe
2021
Ormancılık ve Orman MühendisliğiÇankırı Karatekin ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALKAN GÜNLÜ
DOÇ. DR. ONUR ŞATIR
- Derin topluluk öğrenmesi modeli ile histopatolojik görüntüler üzerinde çok sınıflı kanser teşhisi
Multi-class cancer diagnosis on histopathological images with deep ensemble learning model
GİZEM YILDIZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER YAKUT