Uzaktan algılama sistemleri ile yangına hassas bölgelerin tahmin edilmesi
Forecasting fire prone regions utilizing remote sensing systems
- Tez No: 818953
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH AHMET ŞENEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Bu tez çalışmasında, Türkiye'de 28 Temmuz 2021 ile 12 Ağustos 2021 tarihleri arasında meydana gelen orman yangınları üzerine odaklanmış ve makine öğrenimi ile derin öğrenme yöntemlerini kullanarak orman yangını tahmini gerçekleştirmiştir. İlk aşamada, 2021 yılında etkilenen iller ve ilçeler tespit edilerek bir veri seti oluşturulmuştur. Bu bölgelerin geçmiş hava koşulları, yani hava sıcaklığı, bağıl nem ve rüzgar hızı verileri toplanmış ve analiz edilerek veri setine dahil edilmiştir. Aynı zamanda, Landsat 8 uydu görüntüleri indirilmiştir. Landsat 8 uydu görüntüleri elde edildikten sonra Python programlama dili kullanılarak Normalleştirilmiş Fark Bitki Örtü İndeksi (NDVI) ve Yüzey Sıcaklığı (LST) analizleri gerçekleştirilmiş ve elde edilen sonuçlar da veri setine eklenmiştir. Veri seti oluşturulduktan sonra, çeşitli makine öğrenimi ve derin öğrenme algoritmaları kullanılarak orman yangını tahminleri yapılmıştır. Bu makine öğrenimi ve derin öğrenme yöntemleri olarak yapılan deney ve çalışmalar sonucunda Evrişimli Sinir Ağları (CNN), Uzun Kısa Dönemli Hafıza (LSTM) ve Rastgele Orman (RF) algoritması seçilmiştir. Daha sonra makine öğrenimi ve derin öğrenme algoritmaları oluşturulan veri setinde üzerinde tahmin performansları değerlendirilmiştir. Bu tahmin değerlendirilmesi yapılırken her bir algoritmanın kendi içerisinde en iyi tahmin sonuçlarını elde edebilmesi için Grid arama modeli kullanılarak; CNN algoritmasında epoch ve kernel size'ına, LSTM algoritmasında epoch ve units'e ve RF algoritmasında ise derinlik ve karar ağaç sayılarına farkı değerler denilerek en yüksek doğruluk oranlarının tespiti sağlanmıştır. Elde edilen tahmin sonuçları detaylı bir şekilde analiz edilerek tablolar halinde sunulmuştur. Yapılan karşılaştırmalar sonucunda, tüm algoritmalar arasında en iyi tahmin performansını Rastgele Orman (RF) algoritmasının gösterdiği görülmüştür. Derin öğrenme algoritmaları içerisinde ise Uzun Kısa Dönemli Hafıza (LSTM) yöntemi en başarılı sonuçları elde etmiştir. Bu çalışmanın sonucunda, Türkiye'deki orman yangınlarının tahmininde makine öğrenimi ve derin öğrenme tekniklerinin etkin bir şekilde kullanılabileceği ortaya konmuştur. Rastgele Orman (RF) ve Uzun Kısa Dönemli Hafıza (LSTM) gibi yöntemlerin öne çıkması, gelecekteki yangınların tahmin edilmesinde bu algoritmaların tercih edilmesi gerektiğini göstermektedir. Bu sayede, erken uyarı sistemlerinin ve yangın önleme stratejilerinin geliştirilmesi yoluyla, orman yangınlarının olumsuz etkileri en aza indirgenebilir.
Özet (Çeviri)
In this thesis, the focus was directed towards forest fire prediction in Turkey during the period spanning from July 28, 2021, to August 12, 2021, employing both machine learning and deep learning methodologies. The initial phase encompassed the construction of a comprehensive dataset, achieved by identifying the provinces and districts affected throughout the year 2021. Pertinent historical weather metrics, including temperature, relative humidity, and wind speed, were meticulously collected and subsequently subjected to rigorous analysis, facilitating their seamless integration into the dataset. Furthermore, the acquisition of Landsat 8 satellite images ensued, and through the utilization of the Python programming language, the Normalized Difference Vegetation Index (NDVI) and Land Surface Temperature (LST) were effectively derived. These derived indices were then thoughtfully incorporated into the burgeoning dataset. Upon the establishment of this dataset, the forecasting of forest fires ensued, employing a diverse array of machine learning and deep learning algorithms. Following a series of methodical experiments and analyses, the Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Random Forest (RF) algorithms emerged as the focal points for predictive modeling. Subsequently, an exhaustive evaluation of prediction performance ensued, with each algorithm undergoing a thorough optimization process through the utilization of the Grid Search approach. This involved the fine-tuning of hyperparameters such as epoch and kernel size for CNN, epoch and units for LSTM, and depth and quantity of decision trees for RF, all geared towards attaining the utmost accuracy. The culmination of these efforts materialized in a robust presentation and analysis of the prediction results, elegantly synthesized in the form of comprehensive tables. Comparative analyses notably underscored the superior predictive capacity of the Random Forest (RF) algorithm, transcending all others. Among the ambit of deep learning methodologies, the Long Short-Term Memory (LSTM) algorithm demonstrated exceptional predictive prowess, warranting its recognition. Collectively, the outcomes of this study underscore the potent applicability of machine learning and deep learning techniques in the context of forest fire prediction within the Turkish landscape. The resounding prominence of methodologies such as Random Forest (RF) and Long Short-Term Memory (LSTM) resonates with their potential as formidable tools for imminent fire forecasting endeavors. In effect, these findings further advocate for the augmentation of preemptive warning systems and fire abatement strategies, constituting a pivotal step towards the minimization of the deleterious consequences precipitated by forest fires.
Benzer Tezler
- Zonguldak ve Ereğli orman işletme müdürlükleri orman yangını risk alanlarının belirlenmesi
Zonguldak and Ereğli forest management directorates of forestry fire risk areas determination
SEMRA DİLEKÇİ
Yüksek Lisans
Türkçe
2019
Jeodezi ve FotogrametriZonguldak Bülent Ecevit ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYCAN MURAT MARANGOZ
DOÇ. DR. AYHAN ATEŞOĞLU
- Hatay ilinde doğal afet duyarlılık analizi
Natural disaster sensitivity analysis in Hatay province
KÜBRA BALCI
Yüksek Lisans
Türkçe
2024
CoğrafyaHatay Mustafa Kemal ÜniversitesiCoğrafya Ana Bilim Dalı
DOÇ. DR. REŞAT GEÇEN
- Hatalı yerleştirilen araç sigortalarının şablon eşleştirme yöntemiyle tespiti
Detection of misplaced vehicle fuses using template matching method
MUSTAFA KARAKURT
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET KÜÇÜKER
- Turkey forest fire decision support system (TFFDSS)
Türkiye orman yangını karar destek sistemi (TFFDSS)
ABDULLAH SUKKAR
Yüksek Lisans
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÖZGÜR DOĞRU
- İstanbul ili yangın riski analizi ve yangın riski haritalarının oluşturulması
Fire risk analysis and production of fire risk maps for Istanbul city
SALİM ÖZMEN
Yüksek Lisans
Türkçe
2010
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SELÇUK