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
- Tez No: 843904
- Danışmanlar: PROF. DR. ABDULKADİR SÜRÜCÜ
- Tez Türü: Doktora
- 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: 308
Özet
Bitkisel üretimde birim alandan alınacak ürünün kalitesi ve verimi üzerine önemli etkileri olan kil, kum, silt, EC, kireç, Organik madde, Zn, Cu, Mn ve Fe elementlerinin en düşük ve en yüksek olduğu yerlerin rahatlıkla tespit edilebildiği yersel değişim haritaları, arazilerin doğru yönetilmesi ve girdilerin en uygun kullanımı açısından son derece yararlı araçlardır. Fakat bu analizlerin elde edilmesi zaman, maliyet, iş gücü vb. sorunlara yol açmaktadır bu sorunları ortadan kaldırmak için haritalamanın yanında NIRS (350nm-2500nm) analizinden de daha hızlı sonuçlar alınabilir. Bu çalışmada Yukarı Dicle Havzasında yer alan bazı toprakların yapılan geleneksel analizlerle ile VNIRS analizinin (350nm-2500nm) uygunluğu makine öğrenmesi kullanılarak araştırılması amaçlanmıştır. Bunun için Yukarı Dicle havzasında yer alan ve yaklaşık 1.000.000 ha'dan oluşan çalışma alanından 386 farklı noktadan ve 0-20 cm derinliğinden alınmış olan toprak örnekleri VNIRS ile taranmıştır. Bu işlem yapılırken NIRS okumaları 10-25-50 aritmetik ortalamalı gruplara ayrılarak toprak özeliğine göre en iyi ortalama ve Support Vektör Regresyon, Random Forest Regresyon, Decision Tree Regresyonu, XGBoost Regresyonu modelleri uygulanarak bu modeller arasında en iyi model belirlendi. Kil, Silt, Fe, Cu, Mn içerikleri için en iyi tahmin üreten aritmetik ortalamanın 50'li aritmetik ortalama olduğu ve en iyi modelin ise XGBoost regresyon olduğu görülmüştür. Ayrıca model doğruluğunu gösteren R2 ,RMSE ve RPD değerlerine bakıldığında sırasıyla kil içeriği için R2 değeri 0.93, RMSE değeri 0.02 ve RPD değeri de 3.92 , Silt içeriği için R2 değeri 0.95, RMSE değeri 0.02 ve RPD değeri de 4.32 , Fe içeriği için R2 değeri 0.95, RMSE değeri 0.02 ve RPD değeri de 4.49, Cu içeriği için R2 değeri 0.95, RMSE değeri 0.02 ve RPD değeri de 4.52 , Mn içeriği için R2 değeri 0.95, RMSE değeri 0.02 ve RPD değeri de 4.64 olduğu bulunup mükemmel tahmin üretimine sahip olduğu belirlenmiştir. Kum, Ec, Organik Madde, Kireç ve Zn bakıldığında ise en iyi tahmin üreten aritmetik ortalamanın 10'lu aritmetik ortalamaya sahip olduğu ve en iyi modelin ise XGBoost regresyon olduğu görülmüştür. Model doğruluk parametrelerine (R2 ,RMSE ve RPD) bakıldığında sırasıyla kum içeriği için R2 değeri 0.94, RMSE değeri 0.02 ve RPD değeri de 4.06, R2 değeri 0.94, Ec içeriği için RMSE değeri 0.02 ve RPD değeri de 4.13, Kireç içeriği için R2 değeri 0.94, RMSE değeri 0.02 ve RPD değeri de 3.95, Organik madde içeriği için R2 değeri 0.92, RMSE değeri 0.03 ve RPD değeri de 3.56, Zn içeriği için ise R2 değeri 0.95, RMSE değeri 0.02 ve RPD değeri de 4.51 olduğu bulunup mükemmel tahmin üretimine sahip olduğu belirlenmiştir. Ayrıca kil, kum, silt, EC, Kireç ve Organik madde analizleri daha önceden tubitak proje kapsamında belirlendiğinden, bu tez çalışması kapsamında eksik olan mikro besin elementi içerikleri belirlenmiş ve mesafeye bağlı değişim haritaları hazırlanmıştır.
Özet (Çeviri)
Spatial change maps are valuable tools for the accurate management of agricultural lands and optimal use of inputs, as they readily identify locations with the lowest and highest levels of parameters such as clay, sand, silt, EC, lime, organic matter, Zn, Cu, Mn, and Fe elements, which have significant effects on the quality and yield of crops in agricultural production. However, obtaining these analyses poses challenges such as time, cost, labor, etc. To address these issues, in addition to mapping, faster results can be obtained through Near-Infrared Spectroscopy (NIRS) techniques (ranging from 350nm to 2500nm). The aim of this study is to compare the traditional soil analyses with Visible and Near-Infrared Spectroscopy (VNIRS) analysis (350nm-2500nm) for some analyses of soils located in the Upper Tigris Basin using machine learning. For this purpose, soil samples were collected from 386 different points within the study area, covering approximately 1,000,000 hectares in the Upper Tigris Basin, at depths of 0-20 cm, and scanned using VNIRS. After VNIRS scanning, spectral readings were averaged over 10-25-50 nm. The best average rate for each soil property was determined by applying Support Vector Regression, Random Forest Regression, Decision Tree Regression, and XGBoost Regression models. The best model among these combinations was identified. It was observed that the averaged spectra , specifically spectra averaged over 50-nm, produced the best predictions for clay, silt, Fe, Cu, and Mn contents. Additionally, the XGBoost Regression model emerged as the best-performing model. Furthermore, examining the model accuracy indicators R2, RMSE, and RPD, it is determined that, for clay content, the R2 value is 0.93, RMSE value is 0.02, and RPD value is 3.92. For silt content, the R2 value is 0.95, RMSE value is 0.02, and RPD value is 4.32. Similarly, for Fe content, the R2 value is 0.95, RMSE value is 0.02, and RPD value is 4.49. For Cu content, the R2 value is 0.95, RMSE value is 0.02, and RPD value is 4.52. Lastly, for Mn content, the R2 value is 0.95, RMSE value is 0.02, and RPD value is 4.64. When examining sand, EC, organic matter, lime, and Zn parameters, it was observed that the spectra averaged over 10 nm produced the best predictions. Additionally, the XGBoost Regression model was the best-performing model for these parameters. When examining the model accuracy for other variables, it is determined that, for sand content, the R2 value is 0.94, RMSE value is 0.02, and RPD value is 4.06. For EC content, the R2 value is 0.94, RMSE value is 0.02, and RPD value is 4.13. Similarly, for CaCO3 content, the R2 value is 0.94, RMSE value is 0.02, and RPD value is 3.95. Regarding organic matter content, the R2 value is 0.92, RMSE value is 0.03, and RPD value is 3.56. For Zn content, the R2 value is 0.95, RMSE value is 0.02, and RPD value is 4.51. Furthermore, as the analyses for clay, sand, silt, EC, CaCO3, and organic matter had already been established under the TUBITAK project, this thesis concentrated on determining the missing micro-nutrient element contents and creating maps depicting distance-dependent variations.
Benzer Tezler
- Yukarı Dicle havzası çanak çömleksiz neolitik dönem ok uçlarının deneysel çalışması
An experimental study on pre-pottery arrowheads in Upper Tigris basin
OKAN DOĞUHAN ASLANER
Yüksek Lisans
Türkçe
2018
Arkeolojiİstanbul ÜniversitesiArkeoloji Ana Bilim Dalı
DOÇ. DR. GÜLSÜN ÇİLER ALGÜL
- Yukarı Dicle havzasında su kalitesinin zenginleşme faktörü kullanılarak zamana ve mekana bağlı değişiminin incelenmesi
Investigation of change water quality depending on period and space using enrichment factor in the Upper Tigris basin
HALİME BEDİRHANOĞLU YILDIZ
Yüksek Lisans
Türkçe
2013
Çevre MühendisliğiHacettepe ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM L. SANİN
- Yukarı Dicle Havzası Erken Tunç Çağı ölü gömme gelenekleri
Early Bronze Age, burial traditions in Upper Tigris Basin
BAHAR ELBİR
Yüksek Lisans
Türkçe
2021
ArkeolojiBitlis Eren ÜniversitesiArkeoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATİYE BAHAR MERGEN
- Salat Tepe buluntuları ışığı altında Doğu ve Güneydoğu Anadolu Erken Demir Çağ kültürel yapısı
The Early Iron Age cultural structure of the Eastern and Southeastern Anatolia in the light of Salat Tepe finds
IŞIK TUBA ÖNEN
Yüksek Lisans
Türkçe
2006
ArkeolojiHacettepe ÜniversitesiArkeoloji Ana Bilim Dalı
PROF.DR. AYŞE TUBA ÖKSE
PROF.DR. ENGİN ÖZGEN