Image-based machine learning for soil type classification and implications for crop strategy
Toprak türü sınıflandırması için görüntü tabanlı makine öğrenimi ve ürün stratejisine yönelik uygulamalar
- Tez No: 849563
- Danışmanlar: Assist. Prof. OĞUZ KARAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Toprak sınıflandırması tarım, inşaat ve çevre çalışmaları gibi çeşitli alanlarda hayati bir görevdir. Mevcut tez, sağlam ve verimli bir toprak sınıflandırma sistemi geliştirmek için Yapay Zekanın (AI) gücünden yararlanmaktadır. Beş farklı toprak türünü temsil eden 592 görüntüden oluşan seçilmiş bir veri kümesi kullanan çalışma, bu toprak görüntülerini işlemek ve sınıflandırmak için Evrişimli Sinir Ağları (CNN'ler), InceptionV3 ve MobileNetV2 dahil olmak üzere farklı derin öğrenme (DL) çerçevelerini araştırıyor. Metodoloji, veri seti genelinde tekdüzeliğin sağlandığı bir ön işleme aşamasını ve ardından seçilen modellerin uygulanmasını içerir. Test edilen modeller arasında MobileNetV2 %95 gibi benzersiz bir doğruluk oranına ulaşarak öne çıkarken, CNN ve InceptionV3'ün her biri sırasıyla %85 ve %93 doğruluk oranına ulaştı. Kapsamlı değerlendirme, MobileNetV2 modelinin olağanüstü yeterliliğini doğrulayan karışıklık matrislerinin ve diğer performans ölçümlerinin kullanımını içeriyordu. Bu çalışma yalnızca toprak sınıflandırma alanını geliştirmekle kalmıyor, aynı zamanda AI ve DL tekniklerinin çevresel analizlerde ve ötesinde daha geniş uygulanabilirliğini de gösteriyor.
Özet (Çeviri)
Soil classification is a vital task in various fields such as agriculture, construction, and environmental studies. The present thesis harnesses the power of Artificial Intelligence (AI) to develop a robust and efficient soil classification system. Utilizing a curated dataset of 592 images representing five different soil types, the study explores different deep learning (DL) frameworks, including Convolutional Neural Networks (CNNs), InceptionV3, and MobileNetV2, to process and classify these soil images. The methodology involves a pre-processing phase, ensuring uniformity across the dataset, followed by the application of the selected models. Among the models tested, MobileNetV2 stood out, achieving an unparalleled accuracy rate of 95%, while CNN and InceptionV3 each reached 85% and 93% accuracy, respectively. The comprehensive evaluation included the use of confusion matrices and other performance metrics, validating the exceptional proficiency of the MobileNetV2 model. This work not only advances the field of soil classification but also illustrates the broader applicability of AI and DL techniques in environmental analysis and beyond.
Benzer Tezler
- Random forest classification of tomato fields with planet satellite image data and accuracy assessment
Planet uydu görüntü verileriyle yüksek doğruluklu domates ürün tipi sınıflandırmasında rastgele orman sınıflandırma yönteminin kullanımı ve doğruluk analizi
BETÜL ŞALLI
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Destek vektör makineleri yöntemi ile arazi kullanımı sınıflandırılmasında kernel fonksiyonlarına ait karşılaştırmalı parametre duyarlık analizi: Rapideye ve spot örneği
Comparative sensitivity analysis of kernel parameters for support vector machines on land use classification: A case study of rapideye and spot
MUSTAFA ÜSTÜNER
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. FÜSUN BALIK ŞANLI
- InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği
Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport
NUR YAĞMUR
Doktora
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
PROF. DR. ERDAL ŞAFAK
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- Multi-output regressions for estimating crop's biophysical parameters from polsar data
Ekın biyofiziksel parametrelerinin çok hedefli regresyon analizleri ile kestirimi
ZEHRA MELTEM ŞAHİN
Yüksek Lisans
İngilizce
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
DR. ÖĞR. ÜYESİ GÜLŞEN TAŞKIN KAYA