Usage of machine learning methods on precision agriculture applications
Hassas tarim uygulamalari üzerinde makine öğrenmesi teknikleri kullanimi
- Tez No: 780882
- Danışmanlar: YRD. DOÇ. DR. MUSTAFA YENİAD
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Hassas Tarım teknolojileri çiftçilere arazileri, ürünlerinin durumu ve çevreleri hakkında uzaktan algılama sistemlerinin yardımıyla bilgi ve kontrol imkanı sağlayarak karar verme sürecinde onlara destek olmayı planlamaktadır. Uzaktan algılama sistemi multispektral bantlarından elde edilmiş bitki örtüsü indeksleri bitkilerin nitrojen, klorofil ve su miktarı hakkında önemli bilgi taşır, bu da çiftçilerin manüel bir incelemeye gerek kalmadan sulama ve ilaçlama planlamalarına destek sağlar. Bu çalışmada hassas tarım uygulamalarında makine öğrenmesi tekniklerinin kullanımının keşfi hedeflenmiş olup, Türkiye'nin Manisa ilçesindeki zeytin ağaçlarına yoğunlaşılmıştır. Bir insansız hava aracı (İHA) sistemine entegre edilmiş OCN kamerasının spektral verilerini kullanarak, NDVI verisi hesaplanmış ve ağaç pikselleri bu veriyi kullanarak MiniBatchKMeans algoritmasıyla diğer piksellerden ayrıştırılmıştır. Rekolte ve hastalık tahmini için azami öznitelikler modellerin doğruluk oranlarının karşılaştırılması sonucu belirlenmiş ve NDVI, NNI, NDWI ve ağaç piksel büyüklükleri seçilmiştir. Rekolte verisi için Karar Ağacı Regresyon (KAR) modeli eğitilmiş, hastalık tahmini için Rastgele Orman Sınıflandırma (ROS) modeli eğitilmiştir. Ağaç piksel ayrıştırma sonucunun doğruluk oranı 0.85 ve 0.95 arasında belirlenmiş, KAR algoritmasının R2 puanı 0.95 ve ROS algoritmasının doğruluk oranı 0.98 olarak hesaplanmıştır, bu da bitki örtüsü indekslerinin önemi ve kullanışlılığını vurgulamaktadır.
Özet (Çeviri)
Precision Agriculture technologies aim to help the farmers with the decision making process by providing them information and control over their land, crop status and environment using remote sensing systems. Vegetation indices derived from multispectral bands of the remote sensing systems carry useful information about the crops such as nitrogen content, chlorophyll content and water stress which supports the farmers to plan irrigation and pesticide spraying processes without the need of manual examination. For this study, the aim was to explore the usage of machine learning on Precision Agriculture applications and the focus was on olive trees in Manisa, Turkey. Using the spectral band information gathered from an Orange-Cyan-NIR (OCN) camera embedded unmanned aerial vehicle (UAV) system, Normalized Difference Vegetation Index (NDVI) was calculated and the data was preprocessed by segmentating the tree pixels from background based on those values using MiniBatchKMeans algorithm. NDVI, Normalized Nitrogen Index (NNI), Normalized Difference Water Index (NDWI) and tree pixel sizes were selected as optimal features based on accuracy comparison for yield and disease predictions. A Decision Tree Regressor (DTR) model was trained for yield prediction while a Random Forest Classifier (RFC) model was trained for disease prediction. The results showed that crop segmentation had an accuracy rate of 0.85-0.95, while DTR and RFC models had an R2 score of 0.95 and accuracy rate of 0.98 respectively, which displayed the importance and usefulness of vegetation indices.
Benzer Tezler
- Süne ve kımıl zararlılarının ses işleme yöntemleri ile sınıflandırılması ve bir gömülü sistem gerçeklemesi
Classification of sunn pests using sound processing methods and an embedded system realization
BİLGİ GÖRKEM YAZGAÇ
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Multitemporal co-polar x-band sar data classification as a tool for paddy-rice phenology estimation
Çeltik tarlası fenoloji kestirimi için çok zamanlı co-polar x-bant sar verisi üzerinde sınıflandırma yöntemi
ÇAĞLAR KÜÇÜK
Yüksek Lisans
İngilizce
2016
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
YRD. DOÇ. DR. GÜLŞEN TAŞKIN KAYA
YRD. DOÇ. DR. ESRA ERTEN
- Development of an autonomous drone-based irrigation decision support system utilizing image processing and machine learning techniques
Görüntü işleme ve makine öğrenimi tekniklerini kullanan otonom drone tabanlı sulama karar destek sistemi geliştirilmesi
MOHAMAD BASHIR AJAM
Yüksek Lisans
İngilizce
2024
Makine MühendisliğiÇukurova ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN YAVUZ
- Medical dataset classification based on different deep learning techniques and meta-heuristic algorithms
Farklı derin öğrenme teknikleri ve meta-sezgisel algoritmalara dayalı tıbbi veri kümesi sınıflandırması
YEZI ALI KADHIM
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiMühendislik Sistemlerinin Modellenmesi ve Tasarımı Ana Bilim Dalı
PROF. DR. ALOK MISHRA
PROF. DR. REŞAT ÖZGÜR DORUK
- Kullanıcıların mobil uygulama güvenlik farkındalıklarının makine öğrenmesi teknikleriyle incelenmesi
Investigation of users' mobile application security awareness using machine learning techniques
ESMA ERDOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHitit ÜniversitesiAdli Bilimler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA COŞAR