Context-aware remote sensing data processing for improvement of agricultural predictions
Bağlam farkındalıklı uzaktan algılama veri entegrasyonu ile tarımsal tahminlerin iyileştirilmesi
- Tez No: 866059
- Danışmanlar: PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Jeodezi ve Fotogrametri, Computer Engineering and Computer Science and Control, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: İletişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Bilim Dalı
- Sayfa Sayısı: 122
Özet
Hassas tarım, tarımsal üretim süreçlerini en iyi şekilde yönetmek için gelişmiş teknolojilerin ve veri analiz yöntemlerinin kullanıldığı bir yöntemdir. Uzaktan algılama teknolojileri, bu bağlamda, farklı ölçeklerdeki tarım faaliyetlerini izlemek ve değerlendirmek için son derece değerli araçlar sunar. Özellikle uydu verileri, tarım arazilerinin durumunu sürekli olarak gözlemleyerek, veriye dayalı karar verme süreçlerini destekler. Bu teknolojiler, toprak neminden bitki sağlığına kadar birçok farklı parametrenin belirlenmesine olanak tanıyarak, tarım yöneticilerine ve çiftçilere arazilerini daha etkin bir şekilde yönetme imkânı sağlar. Bu çalışmada, bitkinin bir algılayıcı olarak kullanılması ile elde edilen bağlam bilgisi kullanılarak, uydu ve yersel verilerin entegre edilmesiyle, parsel bazında kök derinliğindeki toprak neminin daha doğru bir şekilde tahmin edilmesine olanak tanıyan bir yaklaşım geliştirilmesine odaklanılmıştır. Bu sayede, çiftçiler su kullanımını optimize edebilir ve verimliliği artırabilir. Uzaktan algılama teknikleri, erişilmesi zor mekansal alanları algılama kabiliyetine sahip olmakla birlikte, doğrudan gözlemlenemeyen bazı fiziksel parametrelerle sınırlıdır. Uzaktan algılama uydularının kullanımı, yüzeydeki bitki örtüsüne ve kullanılan frekansa bağlı olarak farklı toprak derinliklerine nüfuz edebilse de, bu algılama genellikle toprağın yüzey katmanlarıyla sınırlı kalmaktadır. Bu durum, kök seviyesindeki toprak neminin doğrudan gözlemlenememesine yol açar. Geliştirilen model, bağlam farkındalığı sayesinde, doğrudan gözlemlenemeyen bu parametrelerin izlenebilir hale gelmesini sağlamaktadır. Bitkiler, gelişimleri için gerekli olan suyu kök seviyesindeki toprak neminden elde ederler. Su, bitkilerde su potansiyelindeki farklılıklar sebebiyle (osmosis), yüksek su potansiyelinden düşük olan bölgelere doğru taşınır. Topraktan kökler aracılığıyla emilen su, kökten gövdeye, oradan yapraklara taşınır ve son olarak yapraklardan buharlaşma ve terleme yoluyla atmosfere verilir. Bitkinin sağlıklı büyümesi ve maksimum verim elde edilebilmesi için suyun optimum miktarıdaki mevcudiyeti hayati önem taşır. Kök seviyesinde yeterli nemin bulunmaması halinde bitkiler stres altına girer ve çeşitli fiziksel tepkiler gösterir. Geliştirilen yaklaşımda, bu tepkilere etki eden parametreler gözlemlenerek modelle entegre edilmesiyle bitkiler birer algılayıcı olarak kullanmaktadır. Bu yaklaşım, bitkinin su ihtiyacını daha doğru bir şekilde belirleyip yönetmek için stratejik bir araç olarak öne çıkmaktadır. Toprağın su tutma kapasitesi, temelde toprak yapısı ve içeriğinde bulunan organik maddeler ile doğru orantılıdır. İyi bir toprak yapısı, gelen suyun emilimini ve derinlere iletilmesini kolaylaştırarak su tutma kapasitesini artırır. Bu durum, yağmur yağışları veya sulama olayları arasında bitkilerin susuz kalmalarını önler. Ancak, tarımsal araziler genelde homojen bir toprak yapısına sahip olmaması ve arazilerin farklı topografyaları, kök seviyesindeki toprak neminin mekansal olarak doğru bir şekilde interpole edilemez. Geleneksel olarak, geniş alanlarda ve hassas tarıma yönelik kök seviyesindeki toprak nemi tahminleri yapabilmek için ya çok sayıda algılayıcı yerleştirilmekte ya da uzaktan algılama verileriyle entegre edilen fiziksel modeller kullanılmaktadır. Ancak, yüksek sayıda algılayıcı yerleştirmek, operasyonel zorluklar ve yüksek maliyetler nedeniyle sıklıkla uygulanabilir bir yöntem değildir. Öte yandan, sadece uzaktan algılama yöntemleriyle elde edilen ürünler, yüzey toprağı hakkında bilgi sunmakta ve genellikle düşük çözünürlüğe sahiptir. Ayrıca, yer referans verisi olmadan oluşturulan fiziksel modeller, karmaşık ve uzun hesaplamalar gerektirir. Bu çalışmada, uzaktan algılama ile yapılan tahminlerin performansını iyileştirmek için yer referans verilerinin kullanılması önerilmiştir. Toprak nemi, birikimsel bir parametre olduğundan ve yüzey nemi ile kök seviyesi nemi arasındaki etkileşim süreci göz önünde bulundurularak, önerilen tahmin modeli yaklaşımında anlık değil, yaklaşık bir aylık bir zaman penceresi kullanılmıştır. Bu nedenle, parametreler doğrudan modele girdi olarak sokulmak yerine, ilgili parametrelerin wavelet katsayıları kullanılmıştır. Fenolojik evreler, bitkilerin yaşam döngüsü içerisinde gözlemlenen farklı gelişim aşamalarını ifade eder ve bitki sağlığı ve verimi için kritik öneme sahiptir. Bu aşamalar, bitkinin ekimden hasata kadar olan sürecindeki fizyolojik ve morfolojik değişimlerini kapsar. Her bir evrede bitkinin farklı kimyasal ihtiyaçları vardır. Bitkinin her bir fenolojik evresindeki davranışı, matematiksel olarak sonlu durum makineleri aracılığıyla modellenerek, Mealy makinası prensiplerine uygun olarak incelenmiştir. Sonlu durum makineleri, belirli sayıda evre ve bu evreler arasındaki geçişleri tanımlar; bir evrenin çıktısı, hem girdiye hem de önceki evrenin çıktısına bağlı olarak belirlenir. Bu çalışmada, FAO tarafından kış buğdayı için belirlenen yedi fenolojik evre kullanılmıştır. Her bir fenolojik evre, bir bağlam olarak ve bağlam da durum olarak değerlendirilmiştir. Bu yaklaşım ile bitkinin fenolojik evrelerindeki lineersizlik başarıyla modellenebilmiştir. Bu yaklaşım, fenolojik evrelerin detaylı analizi ve anlaşılmasını sağlayarak, tarımsal tahminlerin ve yönetiminin daha doğru ve etkili bir şekilde yapılmasına olanak tanır. Uygulama aşamasında öncelikli olarak, fenolojik evrelerin bağlam olarak kullanılmasının gerekliliği, verim tahmini üzerine yapılan bir örnek uygulama ile gösterilmiştir. Bu süreçte, kronolojik zaman yerine biyolojik zamanı temel alan örneklemin kullanılması, tahmin başarısını artırmıştır. Şanlıurfa bölgesinde 2014 - 2016 yılları arasında seçilen 20 kuru tarım parseli üzerinde yapılan çalışmalarda, Landsat 7 ve Landsat 8 uydularından 8 günlük periyotlarla alınan NDVI değerleri, gün derecesi, yağış, sıcaklık, buhar basıncı açığı (VPD) ve evapotranspirasyon gibi yersel veriler ile bütünleştirilerek analiz edilmiştir. NDVI verilerinin işlenmesi için TIMESAT programı kullanılmış ve mevsimsel bitki örtüsü gelişimi incelenmiştir. Yapılan analizlerde, verim ile en yüksek korelasyonun 4. fenolojik evreyle (sapa kalkma) olduğu tespit edilmiştir. Sapa kalkma evresine ait NDVI değerlerinin, tüm sezon boyunca elde edilen en yüksek NDVI değerleri ve sabit olarak belirlenen 15 Nisan'daki NDVI değeri ile farklı evrelerdeki yersel verilerin verim tahminindeki etkinliği karşılaştırıldığında, tüm sezon için $\mathrm{R}^2$ değerinin 0,44'ten 0,85'e yükseldiği gözlemlenmiştir. Bu bulgular, fenolojik evrelerin verim tahminlerindeki kritik rolünü ve biyolojik zamanın önemini vurgulamaktadır. İkinci aşamada, bitki türü ve fenolojik evre bilgisine dayanarak bağlam farkındalığı kullanılarak veri kümelemesi gerçekleştirilmiştir ve bu yaklaşım ile geliştirilen modelin kök seviyesindeki toprak nemi tahminindeki başarımı arttığı gösterilmiştir. Türkiye'nin farklı bölgelerinden seçilen 16 kuru tarım parseli üzerinde bir ekim sezonu boyunca gerçekleştirilen analizlerde, Landsat 7 ve Landsat 8 uydularından elde edilen NDVI ve LST değerleri ile TARBIL meteorolojik istasyonlarından alınan yersel ölçümler, model eğitimi için kullanılacak parametrelerin hesaplanmasında kullanılmıştır. Bu parametreler, toprak-bitki-atmosfer sürekliliğindeki su hareketini ve bitkiye etki eden faktörleri dikkate alarak belirlenmiş olup, bitki bir algılayıcı gibi kullanılmıştır. Süreçte, her bir parametrenin farklı fenolojik evrelerde kök seviyesindeki toprak nemi ile farklı korelasyon karakteristiği gösterdiği ve hiçbir parametrenin tek başına baskın olarak kullanılamayacağı gözlenmiştir. Gerçekleştirilen veri analizleri kapsamında, farklı enlemlerde bulunan bitkilerin mevsimsel geçiş farklılıklarından kaynaklanan trendler dikkate alınarak yüzey ve atmosferik sıcaklık farkının da ikinci bir bağlam olarak kullanılmasına karar verilmiştir. Bu çerçevede, lineer regresyon tahmin modeli kullanıldığında, herhangi bir bağlam bilgisi kullanılmadığı durumda elde edilen 0,21 R^2 değerinin, farklı fenolojik evreler göz önüne alındığında ortalama 0,84'e kadar yükseldiği gözlenmiştir. Toprak nemi, birikimli bir değer olduğundan ve bu etkinin tahmin sistemine uygun şekilde modele entegre edilebilmesi gerektiğinden, parametrelerin kendileri yerine wavelet katsayıları kullanılmıştır. Ayrıca tahmin modeli olarak da yapay sinir ağı tercih edilmiştir. Bu uygulama, özellikle buğday bitkisi için suyun kritik öneme sahip olduğu başaklanma ve çiçeklenme evrelerinde test edilmiştir. Bu evreler için yapılan model başarım karşılaştırmalarında, başaklanma evresi için R^2 değeri 0,80 iken çiçeklenme evresi için 0,83 olarak ölçülmüştür. Wavelet katsayıları kullanılarak yapılan iyileştirmeler sonucunda, modelin genel başarımının 0,88 R^2 değerine yükseldiği gözlemlenmiştir. Bu sonuç, wavelet katsayılarının modelin tahmin kabiliyetini artırıcı etkisini doğrulamaktadır. Makine öğrenmesi kullanılarak yapılan çalışmalarda sıkça rastlanan aşırı öğrenme sorununa çözüm olarak, hata kompenzasyonuna sahip wavelet önişlemeli bir yapay sinir ağı olan PECNET önerilmiştir. Bu yaklaşım, tahmin modeline giren parametrelerin daha az ve daha etkili özniteliklerle sınırlandırılmasını sağlayarak, yüksek performanslı özniteliklerin seçimini gerçekleştirmiştir. Kırşehir bölgesinde seçilen dört adet buğday ekili kuru tarım parseli üzerinde üç yıllık veri kullanılarak gerçekleştirilen çalışmalarda, yersel algılayıcı bulunan ve bulunmayan noktalar için farklı makine öğrenmesi metodları test edilmiştir. Çalışmada, Landsat 7 ve Landsat 8 uydularından elde edilen NDVI değerleri ve TARBIL meteorolojik istasyonlarından alınan yağış, terleme-buharlaşma ve kök seviyesi toprak nemi gibi yersel veriler kullanılmıştır. Krigging, lineer regresyon, çok katmanlı algılayıcılar (MLP) ve PECNET tahmin metodları karşılaştırılmıştır. Bulgular, krigging ve lineer regresyon metodlarının kök seviyesindeki toprak nemi interpolasyonunda başarısız olduğunu; çok katmanlı algılayıcıların aşırı öğrenme sorununu çözemediğini; ancak önerilen hata kompenzasyonuna sahip wavelet önişlemeli yapay sinir ağının, algılayıcı olmayan noktalar için 0,83 ve mevsimsellik bilgisi eklenerek 0,87 R^2 değeri ile haritalama için başarılı sonuçlar verdiğini göstermiştir. Bu tez çalışması, bağlam farkındalığının tarımsal tahminlerin doğruluk oranını nasıl artırabileceğini ve aynı zamanda lineersizlik ve aşırı öğrenme gibi sorunlara çözüm getirebileceğini detaylı bir şekilde incelemiştir. Uydu ve yersel verilerin entegrasyonu, parsel bazında kök seviyesindeki toprak nemi tahminlerinin doğruluğunu önemli ölçüde artırmış, özellikle fenolojik evrelerin dikkate alınmasıyla elde edilen sonuçlar bu yaklaşımın etkinliğini pekiştirmiştir. Fenolojik evrelerin ve diğer çevresel parametrelerin analizine dayalı olarak geliştirilen PECNET gibi yeni modellemeler, makine öğrenmesindeki aşırı öğrenme sorununu minimize ederken, tahminlerin doğruluğunu maksimize etmiştir. İklim değişikliği ve sürdürülebilir tarım uygulamaları bağlamında, bu çalışmanın bulguları, tarımsal üretim yönetiminde karar verme süreçlerini destekleyecek bilimsel bir temel sunmakta ve yüksek doğrulukta tahminler yapabilme kapasitesi ile stratejik planlama olanaklarını artırmaktadır. Sonuç olarak, bu tez, hassas tarım uygulamalarını ve veriye dayalı tarım yönetimini ileriye taşıyacak metodolojik yenilikler ortaya koymuştur.
Özet (Çeviri)
This thesis presents an extensive exploration into the enhancement of agricultural analysis via the application of sophisticated remote sensing and machine learning techniques. Spanning three interconnected steps, the research aims to significantly improve the accuracy and reliability of agricultural analysis using yield estimation and root-zone soil moisture monitoring for case studies within large-scale agricultural settings. Each step contributes a different facet to the overarching goal, utilizing innovative methodologies and advanced analytical tools to address specific challenges within agricultural assessments. The first segment of the thesis focuses on the Normalized Difference Vegetation Index (NDVI) and its correlation with various vegetation parameters for yield estimation. Traditional approaches often rely on maximum seasonal NDVI values or fixed calendar dates (chronological sampling), which may not accurately capture the dynamic and non-linear nature of plant development. Recognizing this limitation, the study proposes a phenology-based approach to determine the optimum NDVI sampling time, aiming to replace the conventional chronological sampling method with a more accurate alternative. Conducted in the Southeastern Anatolia region of Turkey, an area within the Fertile Crescent known for its extensive history of wheat cultivation and significant contribution to the country's durum wheat production, the study analyzes 8-day interval NDVI time-series data from Landsat-7 and Landsat-8 satellites over three years. The data is processed using TIMESAT software and the Adaptive Savitzky-Golay filter, a moving average technique that adapts to the upper envelope of the data points. This analysis includes both chronological and phenological sampling methods alongside the traditional max NDVI value to determine the optimum NDVI day. The findings reveal that phenological sampling, particularly around the first node stage as per Food and Agriculture Organization (FAO) guidelines, demonstrates a higher correlation with yield. In scenarios where satellite imagery isn't available on the desired NDVI date, the study proposes a compensation process using the Adaptive Savitzky-Golay filter, ensuring that accurate and reliable NDVI values can still be obtained. Ultimately, the study concludes that using phenology-based compensated NDVI not only enhances yield estimation accuracy but also reduces the reliance on time-consuming and costly ground-based observations. Transitioning from yield estimation to the critical aspect of soil moisture monitoring, the second step addresses the limitations of traditional in-situ measurements and remote sensing methods, which are often hampered by the high spatial variability of soil structure and the vegetative content. The proposed solution is a novel root-zone soil moisture estimation method that utilizes a context-aware data clustering process. This process is applied before any statistical analysis for empirical evaluation of data, significantly enhancing the accuracy of the results. In this innovative approach, the phenological stages of crops and soil–air temperature differences are defined as the two contexts for data clustering. The study employs various parameters, including canopy–air temperature difference, land surface temperature, and solar radiation, which are related to plant energy and water processes. Utilizing piecewise linear regression, the model analyzes data from 16 rain-fed wheat parcels distributed across different climatic and topographic conditions in Turkey. The results are compelling, indicating that the context-aware data clustering process allows for the linear analysis of otherwise non-linear plant behavior. The correlation value of the entire season markedly increased from a mere 21\% to a range between 78\% and 95\% for different clusters after applying the proposed clustering. This significant improvement underscores the potential of context-aware data clustering in overcoming the challenges associated with large-scale soil moisture estimation. The third and final step introduces a groundbreaking nowcasting model, the Predictive Error Compensated wavelet Neural NETwork (PECNET), designed to address the drawbacks of existing soil moisture estimation methods. Current techniques often suffer from limited accuracy, lack of comprehensive contextual information, and the inability to provide real-time monitoring. Furthermore, while remote sensing technologies offer extensive spatial coverage and frequent data acquisition, they are not without their limitations, particularly when it comes to vegetation coverage and density. To overcome these challenges, the study proposes the integration of remote sensing data with in-situ measurements. Specifically, NDVI calculations from Landsat 7 and Landsat 8 satellites are fused with evapotranspiration and rainfall data obtained from agrometeorological stations. This combination creates an 8-day time series for the target parcels, leveraging the contextual information provided by NDVI and seasonality to improve root-zone soil moisture estimation accuracy. PECNET is a sophisticated model that ensures the orthogonality of input features and facilitates the learning of non-linear relationships between variables. One of its notable strengths is addressing the challenge of limited labeled training data, thus minimizing the risk of overfitting and enabling accurate estimation with fewer labeled samples. The model employs discrete wavelet transformation coefficients as inputs for the neural networks, demonstrating superior performance compared to direct measurements. This thesis collectively presents a comprehensive and detailed exploration of advanced remote sensing and machine learning techniques to enhance agricultural analysis. The studies within demonstrate a clear trajectory from identifying the limitations of traditional methods to proposing innovative, context-aware solutions that significantly improve accuracy and reliability. The introduction of PECNET, in particular, represents a substantial advancement in the field, offering a robust tool for various agricultural and environmental applications. By integrating in-situ and remote sensing data, harnessing contextual information, and utilizing state-of-the-art machine learning techniques, this research overcomes the limitations of existing methods and paves the way for future advancements in precision agriculture and effective water management. While challenges remain, particularly concerning the limitations of remote sensing technologies, the methodologies and models developed provide a solid foundation for future research and practical implementation in agricultural assessments and beyond.
Benzer Tezler
- Elmalı ve Alibey su havzalarının uydu görüntü verileriyle izlenmesi ve bilgi sistemi oluşturma olanakları
Başlık çevirisi yok
ÇİĞDEM GÖKSEL
- Sulak alanların su çerçeve direktifi kapsamında değerlendirilmesi ve veri tabanı tasarımı
Evaluation of wetlands in the scope of water framework directive and database design
MUSTAFA YAMAN
Yüksek Lisans
Türkçe
2019
Jeodezi ve FotogrametriEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA YİĞİT AVDAN
- Kapıdağ yarımadasında (Balıkesir) doğal ortam insan ilişkileri
Relationship between natural environment and human activities at Kapıdağ peninsula (Balıkesir)
TOLGA MERAL
Yüksek Lisans
Türkçe
2018
CoğrafyaBalıkesir ÜniversitesiCoğrafya Ana Bilim Dalı
PROF. DR. ABDULLAH SOYKAN
- Simülasyon modellerinin doğruluğu üzerine bir araştırma
A research about the accuracy of simulation models
CANAN YEMENİCİOĞLU
Yüksek Lisans
Türkçe
2016
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞİNASİ KAYA
- İstanbul-Paşaköy-B.Bakkalköy arası enerji nakil hattı kamulaştırma bilgi sistemi pilot çalışması
Başlık çevirisi yok
NURAY BAŞ
Yüksek Lisans
Türkçe
1998
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GONCA COŞKUN