Derin öğrenme yöntemleri ile MODIS tabanlı NDVI ve LST zaman serilerinin kestirimi ve kuraklık şiddetinin araştırılması
Prediction of MODIS-based NDVI and LST time series and investigation of drought severity using deep learning methods
- Tez No: 886430
- Danışmanlar: DOÇ. DR. MUZAFFER CAN İBAN
- Tez Türü: Yüksek Lisans
- 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: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
İklim koşulları ile ürün verimi arasındaki ilişki, tarımın başlangıcından bu yana süregelen bir endişe kaynağı olmuştur. Sulama, yeni tohum çeşitleri, gübreler, seralar ve arazi yönetimi gibi teknolojik gelişmeler, iklim koşullarının tarım üzerindeki doğrudan etkilerini hafifletmiştir. Bununla birlikte, iklim ile ilgili şoklar, tarım değer zincirindeki paydaşlar için önemli bir tehdit olmaya devam etmektedir. Anlık hava değişkenliğinin ötesinde, çalışmalar antropojenik iklim değişikliğinin bitki büyümesi ve genel sağlığı üzerinde önemli olumsuz etkileri olduğunu, bunun da küresel gıda arzı ve erişilebilirliği için zorluklar yarattığını vurgulamaktadır. Küresel ortalama sıcaklıktaki 0.5°C'lik bir artış, özellikle Akdeniz Havzası'nda, daha sık ve şiddetli bitki sağlığı sorunlarına yol açacaktır. Bu değişen ortam göz önüne alındığında, bitki sağlığının izlenmesi ve doğru bir şekilde tahmin edilmesi zorunludur. Bu çalışma, Bitki Sağlık İndeksi (VHI), Normalleştirilmiş Fark Bitki İndeksi (NDVI) ve Arazi Yüzeyi Sıcaklığı (LST) değerlerinin tahmin yeteneklerini dört model kullanarak geliştirmeyi amaçlamaktadır. Bu modeller, Evrişimli Sinir Ağları (CNN), Aşırı Gradyan Artırma (XGBoost), Uzun Kısa Süreli Bellek (LSTM) ve Evrişimli Uzun Kısa Süreli Bellektir (ConvLSTM). Modeller, MODIS uydu sensöründen alınan açık erişimli uzaktan algılama verilerini kullanmakta olup, Konya Kapalı Havzası bölgesine odaklanmaktadır. Veri seti, 10 yıllık MODIS temelli LST ve NDVI verilerini içermektedir. Araştırma, geleneksel zaman serisi tahmin modellerinin sınırlamalarını aşmak için ConvLSTM ve XGBoost modellerini uygulayarak önemli katkılar sunmaktadır. Nicel sonuçlar, CNN ve XGBoost modellerinin genel olarak en düşük hata değerlerini sağladığını göstermektedir. Buna karşılık, LSTM modeli daha yüksek hata değerleri göstererek, karmaşık ve uzun vadeli bağımlılıkları yakalamada zorluklar olduğunu işaret etmektedir. ConvLSTM modeli, dikkate değer bir performans sergilemekte ve özellikle NDVI verileri için de yeterince iyi bir genelleme sağlamaktadır. Bu tür bir tahmin kalitesi, kaynak yönetimi, tarım ve çevresel izleme konularında karar vericiler için değerli bilgiler sunarak dayanıklı ve sürdürülebilir tarımsal uygulamaları teşvik etmektedir. Konya Kapalı Havzası için VHI zaman serisi, on yıllık dönemde normal ve kuraklık koşullarının bir karışımını yansıtarak mantıklı mevsimsel ve yıllık dalgalanmalar göstermektedir. Zirveler genellikle ilkbahar ve yaz aylarında meydana gelirken, düşüşler sonbahar ve kış aylarında daha sık görülmektedir. İklim verileri, arazi kullanım değişiklikleri ve insan faaliyetleri üzerine yapılacak daha detaylı araştırmalar, gözlemlenen kuraklık koşullarının ve bunların altında yatan nedenlerin daha iyi anlaşılmasını sağlayacaktır. VHI tahmin doğruluğunu artırarak, bu çalışma çevresel zorluklara yönelik proaktif yaklaşımları desteklemekte, ekosistem sağlığı ve biyolojik çeşitliliğin korunması için önemli uygulamalar sunmaktadır. Bulgular, tarımsal verim tahmini ve yönetiminde ileri derin öğrenme tekniklerinin etkinliğini vurgulamakta, stratejik planlamayı geliştirerek potansiyel kuraklık koşullarının etkilerini azaltmayı hedeflemektedir.
Özet (Çeviri)
The relationship between weather conditions and crop yield has been a perennial concern since the advent of agriculture. Technological advancements such as irrigation, new seed varieties, fertilizers, greenhouses, and land management techniques have mitigated the direct impact of weather on agriculture. Nevertheless, weather-related shocks remain a significant threat to stakeholders in the agricultural value chain. Beyond immediate weather variability, studies highlight the substantial negative impact of anthropogenic climate change on plant growth and overall health, posing challenges to global food supply and accessibility. A 0.5°C increase in global average temperature will lead to more frequent and severe plant health issues, especially in the Mediterranean Basin. Given this changing landscape, monitoring and accurately forecasting plant health is imperative. This study aims to enhance the prediction capabilities for Vegetation Health Index (VHI), Normalized Difference Vegetation Index (NDVI) and Land Surface Temperature (LST) values using four models, namely Convolutional Neural Networks (CNN), eXtreme Gradient Boosting (XGBoost), Long Short Term Memory (LSTM), and Convolutional Long Short Term Memory (ConvLSTM). The models utilize open-access remote sensing data from the MODIS satellite sensor, focusing on the Konya Closed Basin region in Türkiye. The dataset includes 10 years of MODIS-derived LST and NDVI data. The research demonstrates significant contributions by applying ConvLSTM and XGBoost models to overcome the limitations of traditional time series forecasting models. Quantitative results show that the CNN and XGBoost models yield the lowest error values overall. Conversely, the LSTM model shows higher error values, indicating challenges in capturing complex and long-term dependencies. The ConvLSTM model exhibits notable performance, especially performs sufficiently well for NDVI data. Such a prediction quality provides valuable insights for decision-makers in resource management, agriculture, and environmental monitoring, promoting resilient and sustainable agricultural practices. The VHI time series for the Konya Closed Basin reflects a mix of normal and drought conditions over the ten-year period, with logical seasonal and annual fluctuations. Peaks generally occur during spring and summer, while drops are more frequent in fall and winter. Further investigation into climatic data, land use changes, and human activities would provide a deeper understanding of the observed drought conditions and their underlying causes. By improving VHI prediction accuracy, this study supports proactive approaches to environmental challenges and offers significant implications for ecosystem health and biodiversity conservation. The findings highlight the effectiveness of advanced deep learning techniques in agricultural yield prediction and management, enhancing strategic planning and aiming to mitigate the impacts of potential drought conditions.
Benzer Tezler
- Klavye vuruş zamanlama verileri üzerinde makine öğrenmesi uygulamaları
Machine learning applications on keyboard timing data.
MUJAHED MOHDFATHI MOHAMMAD ALİSSA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN TEMURTAŞ
DR. ÖĞR. ÜYESİ ÇİĞDEM BAKIR
- Hibrit elektrikli araçlarda batarya performans ve yakıt tüketimi değerlerinin modellenmesi ve optimizasyonu
Modeling and optimization of battery performance and fuel consumption in hybrid electric vehicles
YAVUZ ERAY ALTUN
Doktora
Türkçe
2024
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN AKIN KUTLAR
- Applications of multi-agent systems in transportation
Ulaşımda çoklu ajan sistemlerinin uygulamaları
İLHAN TUNÇ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TURAN SÖYLEMEZ
- Derin öğrenme ile trafik işaretlerini tanıyan bir sürücü destek sistemi
A driver assistance system that recognizes traffic signs with deep learning
MOHAMED TAGHİ
Yüksek Lisans
Türkçe
2022
UlaşımBandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLYAS ÖZER
- Derin öğrenme yöntemleriyle Parkinson hastalığı teşhisi
Parkinson's disease diagnosis with deep learning methods
CEM GÖKTUĞ
Yüksek Lisans
Türkçe
2024
Yönetim Bilişim SistemleriSivas Cumhuriyet ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. OĞUZ KAYNAR