Toprak özelliklerinin tahmini ve mesafeye bağlı değişkenliğinin haritalanmasında, farklı enterpolasyon yöntemleri ve makine öğreniminin kullanımı
The use of different interpolation methods and machine learning in the estimation of soil properties and mapping of spatial variability
- Tez No: 820195
- Danışmanlar: PROF. DR. HİKMET GÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı
- Bilim Dalı: Toprak Bilimi ve Bitki Besleme Bilim Dalı
- Sayfa Sayısı: 68
Özet
Geniş bir arazide toprak özelliklerinin doğru bir şekilde belirlenmesi, toprakların sürdürülebilir yönetimi ve korunması, yeteneklerine uygun kullanımlarının belirlenmesi ve uygun hassas tarımsal tekniklerin seçimi için son derece önemlidir. Bazı toprak özelliklerinin mekânsal dağılımının tahmin edilmesini amaçlayan bu çalışmanın birinci bölümünde lokal polinomal interpolasyon (LPI) ve Deneysel bayesyen kriging (EBK)'nın mekânsal tahmin performansları karşılaştırılmıştır. Çalışmanın ikinci bölümünde ise, toprak parçacık boyutu dağılımının tahmininde Sınıflandırma ve Regresyon Ağaçları (CART), Rastgele Orman (RF) ve Aşırı gradyan artışı (XGBoost) denetimli makine öğrenme algoritmalarının performansları araştırılmıştır. Tahmin modelleri, uzaktan algılama verilerinden türetilen bitki ve toprak indeksleri ile topografik öznitelikler gibi ortak-değişkenler kullanılarak oluşturulmuştur. Çalışmada, değişken seçiminde Boruta yaklaşımı kullanılmıştır. Makine öğrenimi modellerinin eğitimi ve değerlendirilmesi için referans veriler, 622 yüzey toprağı örneğinin parçacık boyutu dağılımı sonuçlarından oluşmuştur. Türkiye'nin güneydoğusunda Diyarbakır'ın Ergani ilçesi sınırları içerisinde 18.143 ha'lık çalışma alanında 622 toprak örneği alınmış ve parçacık büyüklük dağılımı (kum, kil ve silt), toprak pH'sı, kireç içeriği, elektriksel iletkenlik (EC) ve katyon değişim kapasitesi (KDK) analizleri yapılmıştır. Çalışmanın birinci bölümünde, her iki modelde tahmini ve ölçülen pH değerleri arasındaki varyasyon katsayısı oldukça benzerdir. Lokal polinomal interpolasyon yönteminde, toprakların kireç içeriğinde tahmini ve ölçülen veri kümesi varyasyon katsayısı birbirlerine oldukça benzerdir. Ortalama Karekök Sapması (RMSE) değerleri, EBK yönteminde LPI'a göre pH, EC ve KDK için sırasıyla %9.5, %78.8 ve %25.6'lık bir azalış göstermiştir. LPI-Kireç yönteminde ise EBK'ya göre %28.4'lük RMSE iyileşmesi görülmüştür. Sonuçlar, EBK yöntemiyle elde edilen tahminlerin hata değerlerinin, LPI yöntemine kıyasla daha düşük olduğunu göstermektedir. Öte yandan, LPI yöntemi ile elde edilen tahmini pH ve kireç haritaları örneklem veri kümesine ait varyasyon katsayısına daha uyumludur. Çalışmanın ikinci bölümünde, makine öğrenme modellerinin eğitimi ve değerlendirilmesi için kullanılan referans verileri, en doğru tahmin makine öğrenme modeli, R2 değeri 0.74 olan XGBoostKil modeli ile elde edilmiştir. Bu üstünlük, XGBoostKil modelinin RMSE değerinin RFKil modeline kıyasla %21.36 ve CARTKil modeline kıyasla %44.5 oranında göreceli bir iyileşmesi ile kanıtlanmıştır. Benzer şekilde, kum ve silt içeriğinin tahmininde modellerin R2 değerleri XGBoostSilt ve XGBoostKum modelleri için sırasıyla 0.71 ve 0.75 idi. Dikkate alınan ortak değişkenler arasında, Normalize Edilmiş Oran Bitki Örtüsü İndeksi ve Eğim açısı, kil içeriği üzerinde en yüksek etkiye sahip idi (%21), onu Topografik Pozisyon İndeksi ve Basit Oran Kil İndeksi (%20) takip etmiştir. Arazi Engebelilik İndeksi ise en düşük (%18) etkiye sahip ortak değişken olarak tanımlanmıştır. Sonuçlar, Boruta gibi hesaplama tekniklerinin, dijital toprak haritalama için uygun bir değişken sayısını seçmede uygun seçenek olarak değerlendirilebileceğini göstermektedir. Bu araştırma, çevresel değişkene ihtiyaç duymadan hızlı ve etkin sayısal toprak haritalarının gerekli olduğu arazi yönetim uygulamalarına etkili bir biçimde mekânsal toprak bilgisi sağlaması açısından önem arz etmektedir.
Özet (Çeviri)
Accurate determination of soil properties over a large area is crucial for the sustainable management and conservation of soils in line with their capabilities and for the selection and adaptation of precision agricultural techniques. In the first part of this study, the spatial prediction performances of Local Polynomial Interpolation (LPI) and Experimental Bayesian Kriging (EBK) were compared. In this study, the performances of Classification and Regression Trees (CART), Random Forest (RF) and Extreme gradient boosting (XGBoost) supervised machine learning algorithms in prediction of soil particle size distribution have been investigated. The prediction models were constructed by utilizing covariates such as remotely sensed data-derived plant and soil indexes, as well as topographic attributes. The Boruta approach was employed in variable selection. The reference data for training and evaluating the machine learning models consisted of particle size distribution results of 622 surface soil samples. Particle size distribution (sand, clay and silt), soil pH, lime content, electrical conductivity (EC) and cation exchange capacity (CEC) analyses were performed on 622 soil samples. Soil samples were collected from a 18,143 ha study area of in Ergani district of Diyarbakır in southeastern Turkey. In the first part of the study, the coefficient of variation between estimated and measured pH values in both models was quite similar. In the local polynomial interpolation method, the coefficient of variation of the estimated and measured data set in the lime content of soils was quite similar. The root mean square deviation (RMSE) values showed a decrease of 9.5%, 78.8% and 25.6% for pH, EC and CEC, respectively, in the EBK method compared to the LPI. The LPI-Lime method showed an RMSE improvement of 28.4% compared to EBK. The results showed that the error values of the estimations obtained with the EBK method were lower compared to the LPI method. On the other hand, the estimated pH and lime maps obtained with the LPI method were more compatible with the coefficient of variation of the sample dataset. In the second part of the study, the XGBoostClay model was the most accurate prediction machine learning model, with a R2 value of 0.74. The superiority was evidenced by a relative improvement of 21.36% in XGBoostClay RMSE compared to RFClay, and 44.5% compared to CARTClay. Likewise, the R2 values of models in the prediction of sand and silt content were 0.71 and 0.75 for the XGBoostSilt and XGBoostSand model. Among the covariates considered, Normalized Ratio Vegetation Index and Slope angle had the greatest impact on clay content (21%), followed by Topographic Position Index and Simple Ratio Clay Index (20%), while Terrain Ruggedness Index had the least impact (18%). The results suggested that computational techniques, such as Borutav, can be considered as a feasible option for choosing an adequate number of variables in digital soil mapping. This research is important to provide efficient spatial soil information for land management applications where rapid and accurate digital soil maps are required without the need for environmental variables.
Benzer Tezler
- Niğde bölgesindeki tarım arazilerinde bazı parametrelerin jeoistatistiksel modellemesi
Agricultural lands in Niğde regiongeostatistical modeling of some parameters
GÜLTEN YÜKSEL
Yüksek Lisans
Türkçe
2022
Çevre MühendisliğiNiğde Ömer Halisdemir ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. KENAN KILIÇ
- Amik Ovası'nda tuzlulukla ilgili toprak özelliklerinin yersel ve zamansal değişiminin jeoistatistik yöntemlerle araştırılması
The research of temporal and spatial changes of the soil properties about the salinity with goestatistical methods on Amik Plain
MEHMET YALÇIN
Doktora
Türkçe
2012
ZiraatMustafa Kemal ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
DOÇ. DR. VELİ UYGUR
- Yukarı Dicle Havzası topraklarının bazı fiziksel ve kimyasal özelliklerinin tahmininde görünebilir-yakın kızılötesi spektroskopi (VNIRS) ve makine öğrenme tekniklerinin kullanımı
The use of visible-near infrared spectroscopy (VNIRS) and machine learning techniques for the prediction of some physical and chemical properties of Upper Tigris Basin soils
VEYSEL GÖKMEN
Doktora
Türkçe
2023
ZiraatHarran ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. ABDULKADİR SÜRÜCÜ
- Fide dikim makinası baskı tekerleklerine ait bazı yapısal özelliklerin toprak basıncına etkileri
The Effects of some structural properties of transplanter press wheels on the soil presure
ALİ TEKGÜLER
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT