Gelişmiş makine öğrenimi teknikleri ile çok zamanlı hava ve uydu görüntüleri kullanılarak mısır (Zea mays) türlerinin fenoloji tabanlı sınıflandırılması
Phenology- based classification of maize (Zea mays) species using multi̇- temporal aerial and satellite imagery with advanced machine learning techniques
- Tez No: 849758
- Danışmanlar: DOÇ. DR. İSMAİL ÇÖLKESEN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: 112
Özet
Mısır, dünya genelinde önemli bir tarım ürünü olup, temel besin öğelerinden biri olarak canlıların besin ihtiyacının giderilmesinde kritik bir rol oynamaktadır. Mısır bitkisinin genetik çeşitliliğinin incelenmesi, farklı genotiplerin özelliklerini ve fenolojik gelişim evrelerini belirlemenin yanı sıra tarımsal verimliliği artırmak adına kritik öneme sahiptir. Bununla birlikte, geleneksel yöntemler yerine akıllı tarım uygulamaları çerçevesinde gerçekleştirilen mısır yetiştiriciliği, sadece gıda güvenliği açısından değil, aynı zamanda tarım sektörünün geleceği için kritik bir alan olup tarım ekonomisine önemli katkılarda bulunarak tarımın sürdürülebilirliğine de hizmet etmektedir. Özellikle uzaktan algılama teknolojileri ve yapay zeka teknikleri kullanılarak gerçekleştirilen bu uygulamalar, verimliliği artırarak sürdürülebilir tarımı desteklemekte ve geleneksel yöntemlere kıyasla çeşitli avantajlar sunmaktadır. Bu tez kapsamında, modern uzaktan algılama teknolojileri ile yapay zeka tekniklerinin füzyonu kullanılarak mısır bitkisinin farklı genotiplerine ait ürün haritaları oluşturmaktır. Böylelikle, tarımsal uygulamalardaki doğruluk ve verimliliğin artırılması ile elde edilen bilgilerle rekolte tahminleri gibi önemli tarımsal verilerin oluşturularak güçlü bir dijital tarım sistemini hayata geçirmek hedeflenmektedir. Bu kapsamda, 12 farklı mısır genotipini ekili bulunduğu Sakarya Mısır Araştırma Enstitüsü tarafından ekimi yapılan deneme tarlalarını içerisine alan bölge çalışma alanı olarak belirlenmiştir. Bu amaçlar doğrultusunda, arazi çalışmalarına dayalı olarak elde edilen spektroradyometre ölçümleri ve insansız hava aracı görüntülerinden oluşan veri setleri kullanılarak fenolojik gelişimde spektral ayrımın en fazla olduğu dönemlerin tespiti için makine öğrenmesi (MÖ) ve derin öğrenme (DÖ) tekniklerinden yararlanılmıştır. Çalışma sonucunda elde edilen bulgular, püsküllenme aşamasının hem yersel ölçümlere dayalı spektroradyometre ölçümlerine uygulanan mesafe metrikleri ve hipotez testi sonuçlarına hem de gelişmiş MÖ ve DÖ modelleri kullanılarak gerçekleştirilen sınıflandırma işlemleri sonucunda en anlamlı farkların elde edildiği aşama olarak tespit edilmiştir. Öte yandan, MÖ algoritmaları baz alınarak piksel ve obje tabanlı sınıflandırma yöntemleri, mısır genotiplerinin bu evre bazlı sınıflandırılmasında karşılaştırmaya tabi tutulmuştur. Elde edilen sonuçlar, obje tabanlı sınıflandırma yöntemi kullanılarak yaklaşık %15 daha etkin sonuçlara ulaşılmıştır. Diğer taraftan U-Net model mimarisi temel alınarak yama tabanlı DÖ tekniğinin ise, obje tabanlı sınıflandırma yöntemine karşın yaklaşık %24 daha başarılı olduğu görülmüştür. Bu nedenle, yama tabanlı DÖ tekniklerinin mısır genotiplerinin sınıflandırılmasında tercih edilmesi önerilmiştir. Ayrıca, test alanına ait Sentinel-2 uydu görüntülerinden üretilen spektral profiller, mesafe metriklerine dayalı bir değerlendirmeye tabi tutulmuştur. Bu değerlendirme sonucunda, ayrımın en belirgin olduğu uydu görüntüsü tarihinin 23 Temmuz 2022 olduğu belirlenmiştir. Çalışma alanına ait yersel ölçümlere dayalı olarak oluşturulan spektral kütüphane kullanılarak ise 23 Temmuz tarihli uydu görüntüsünün sınıflandırılması sonucu yüksek doğruluğa sahip ürün haritası, Destek Vektör Makinesi algoritmasıyla üretilmiştir. Çalışma sonuçları, yüksek çözünürlüklü veri setleri kullanıldığında DÖ tekniklerinin mısır genotiplerinin ayırt edilmesindeki sınıflandırma doğruluğunu önemli derecede artırdığını göstermektedir. Bununla birlikte, yersel ölçümler doğrultusunda elde edilen spektral kütüphane verilerinin, uydu görüntüleri kullanılarak mısır genotiplerinin ayırt edilmesine katkı sağladığı kanıtlanmıştır.
Özet (Çeviri)
Maize, being a significant agricultural product worldwide and a crucial component in meeting the nutritional needs of living beings, plays a critical role. Examining the genetic diversity of maize is essential not only for determining the characteristics and phenological development stages of different genotypes but also for enhancing agricultural productivity. In this context, cultivating maize through smart farming applications, utilizing the fusion of modern remote sensing technologies and artificial intelligence, becomes a critical area not only for food security but also for contributing significantly to the future of the agricultural sector and serve to agricultural sustainability. Specifically, applications employing remote sensing technologies and artificial intelligence techniques within this thesis aim to create crop maps for different maize genotypes. The research seeks to establish a robust digital farming system by improving accuracy and efficiency in agricultural applications and generating essential agricultural data such as yield predictions. The study area encompasses experimental fields where 12 different maize genotypes are cultivated at the Sakarya Maize Research Institute. In pursuit of these objectives, machine learning (ML) and deep learning (DL) techniques were employed to detect periods of maximum spectral discrimination during the phenological development, utilizing data sets comprising spectroradiometer measurements from ground-based studies and unmanned aerial vehicle images. Findings indicate that the tasseling stage was identified as the most significant phase based on distance metrics applied to spectroradiometer measurements and hypothesis testing, as well as classification processes using advanced ML and DL models. Furthermore, pixel and object-based classification methods were compared for genotype-based classification using ML algorithms. Results showed that object-based classification achieved approximately 15% more effective outcomes. Additionally, a patch-based DL technique using the U-Net model architecture demonstrated about 24% higher success compared to object-based classification. Hence, the use of patch-based DL techniques is recommended for classifying maize genotypes. Moreover, spectral profiles generated from Sentinel-2 satellite images for the test area were subjected to an assessment based on distance metrics. This evaluation determined that the most distinctive satellite image date was July 23, 2022. A high-accuracy crop map for this date was produced using the Support Vector Machine algorithm, utilizing a spectral library created based on ground-based measurements. The study results indicate that DL techniques significantly enhance classification accuracy in distinguishing maize genotypes when high-resolution datasets are employed. Additionally, the spectral library data obtained from ground-based measurements were proven to contribute to distinguishing maize genotypes using satellite images.
Benzer Tezler
- Condition monitoring and fault detection for electrical power systems using signal processing and machine learning techniques
Sı̇nyal ı̇şleme ve makı̇ne öğrenme teknı̇klerı̇ kullanılarak elektrı̇k güç sı̇stemleri ı̇çı̇n durum ı̇zleme ve arıza belirleme
YASMIN NASSER MOHAMED
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Development of a modular pulmonary resuscitation device for chronic and acute respiratory support
Kronik ve akut solunum desteği için modüler pulmoner resüsitasyon cihazının geliştirilmesi
MUNAM ARSHAD
Doktora
İngilizce
2023
BiyofizikKoç ÜniversitesiBiyomedikal Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. İSMAİL LAZOĞLU
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- High impedance fault detection in medium voltage distribution systems using wavelet transform
Dalgacık dönüşümü kullanılarak orta gerilim dağıtım sistemlerinde yüksek empedanslı arıza tespiti
BARAA MAKKAWI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER USTA
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR