Geri Dön

Ormanlardaki böcek zararlarının uzaktan algılama verileriyle yapay zeka tabanlı tespiti

Artificial intelligence based detection of insect damage in forests using remote sensing data

  1. Tez No: 886943
  2. Yazar: ECE ALKAN
  3. Danışmanlar: PROF. DR. ABDURRAHİM AYDIN
  4. Tez Türü: Doktora
  5. Konular: Ormancılık ve Orman Mühendisliği, Forestry and Forest Engineering
  6. Anahtar Kelimeler: ARIMA, Doku parametresi, Evrişimsel sinir ağları, İHA, ARIMA, Texture parameter, Convolutional neural networks, UAV
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Düzce Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Orman Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 168

Özet

Bu tez çalışması orman ağaçları üzerinde zarar yapan iki farklı böcek türünün zarar alanlarını Uzaktan Algılama (UA) verileri kullanılarak Yapay Zeka (YZ) algoritmaları ile tahmin etmeyi amaçlamaktadır. Zarar yapan böcek türlerinden Meşe dantel böceği Corythucha arcuata Say ve Çam kese böceği, Thaumetopoea wilkinsoni Tams hedef tür olarak seçilmiştir. Bu iki böcek türünün Düzce ili içerisinde zarar yaptığı ormanlık alanlar çalışma alanı olarak seçilmiş ve zarar tespiti için bu alanlara ait UA verileri temin edilmiştir. UA verisi olarak Sentinel-2 uydu görüntüsü, İnsansız Hava Aracı (İHA) verileri kullanılmıştır. Tez kapsamında böcek zarar alanlarının tespiti ve gelecekteki yayılım tahmini hedeflenmiştir. Auto-Regressive Integrated Moving Average (ARIMA) model kullanılarak Meşe dantel böceğinin tespiti ve gelecek yayılım tahmini için Sentinel-2 uydu görüntüsünün 48 aylık verisi zaman serisi analizinde kullanılmıştır. Oluşturulan tahmin modellerinin doğrulukları gerçek veriler ile teyit edilerek sonraki aşamada gelecek yayılım tahmini gerçekleştirilmiştir. Çam kese böceği zarar alanlarının tespiti için öncelikle İHA görüntüleri kullanılarak e-Cognition yazılımı ile özellik çıkarımı gerçekleştirilmiştir. Bu aşamada çoklu çözünürlüklü segmentasyon işlemi ile görüntüler zarar ve sağlıklı olmak üzere bölütlere ayrılmıştır. Elde edilen bölütlerin yansıma değerleri kullanılarak yazılımın Gri Eş Seviye Oluşum Matrisi (GLCM) algoritmaları ile entropi, homojenlik ve kontrast doku parametreleri hesaplanmıştır. Böcek zararı olan alanlar entropi ve homojenlik doku parametreleri ile başarılı bir şekilde ayrılmıştır. Sonraki aşamada Çam kese böceği zarar alanlarının tespitinde Python programlama dilinde YZ tabanlı Evrişimsel Sinir Ağları (ESA) kullanılmıştır. Bu aşamada segmentasyon modeli olarak DeepLabV3+ ve Unet++ mimarileri, kodlayıcı ağ olarak SE-NET, Efficientnet-B6 ve Efficientnet-B7 mimarileri kullanılmıştır. Mimarilerin eğitimi için veri setleri e-Cognition yazılımı ile yarı otomatik segmentasyon yöntemi kullanılarak oluşturulmuştur. Veri setinde oluşturulan sınıflar zarar, sağlıklı ve diğer olarak etiketlenmiştir. Veri setleri görüntüler ve orto görüntüler olmak üzere iki farklı veri girdisi olarak tasarlanmıştır. Her veri seti kendi içerisinde eğitim ve test veri seti olarak ayrılmıştır. Segmentasyon modellerinin doğruluk değerlendirmesi için karmaşıklık matrisi, Jaccard indeks metrikleri kullanılmıştır. İHA görüntüleri üzerinde Çam kese böceği zarar alanını tespit etmek için kullanılan ESA modelleri arasında en iyi genel doğruluk (0,90) performansına sahip model Unet++ / SE-NET iken İHA orto görüntüler üzerinde en iyi genel doğruluk (0,81) performansına sahip model DeepLabV3+ / SE-NET olmuştur.

Özet (Çeviri)

This thesis aims to predict the damage areas caused by two different insect species on forest trees using Remote Sensing (RS) data and Artificial Intelligence (AI) algorithms. Oak lace bug, Corythucha arcuata (Say 1832) and pine processionary moth, Thaumetopoea wilkinsoni) were identified as the target species. Forest areas damaged by these two insect species in Düzce province were selected as study areas and RS data of these areas were collected. Sentinel-2 satellite images and Unmanned Aerial Vehicle (UAV) data were used as RS data. The thesis aims to detect insect damage areas and forecasting future spread. For the detection and forecast of future spread of the oak lace bug, an ARIMA model was used using 48 months of Sentinel-2 satellite imagery for time series analysis. The validity of the forecasting models was verified with true data and future distribution predictions were made in the next step. For the detection of pine processionary moth damage areas, feature extraction was first performed using UAV photos and e-Cognition software. At this stage, the photos were divided into damaged and healthy regions using multi-resolution segmentation. Texture parameters such as entropy, homogeneity and contrast were calculated using the software's Gray Level Co-occurrence Matrix (GLCM) algorithms based on the reflectance values of the obtained segments. Using the texture parameters entropy and homogeneity, the damaged areas were successfully separated. In the next stage, Convolutional Neural Networks (CNN) based on artificial intelligence in Python programming language were used to detect pine processionary caterpillar damage areas. At this stage, DeepLabV3++ and Unet++ architectures were used as segmentation models and SE-NET, Efficientnet-B6 and Efficientnet-B7 architectures were used as coding networks. For the training of the architectures, datasets were created using semi-automatic segmentation method with e-Cognition software. The classes in the dataset are labelled as damaged, healthy and other. The datasets were designed as two different data inputs, photographs and orthophotos. Each dataset is divided into training and test datasets. To evaluate the accuracy of the segmentation models, confusion matrix, Jaccard index and Intersection over Union (IoU) metrics were used. Among the CNN models used to detect pine processionary moth damage areas on UAV photos, the model with the best overall accuracy (0,90) was Unet++ / SE-NET, while the model with the best overall accuracy (0,81) on UAV orthophotos was DeepLabV3+ / SE-NET.

Benzer Tezler

  1. Çankırı ili meşe (Quercus spp.) ormanlarındaki zararlı Lepidoptera türleri ve doğal düşmanları ile zarar durumlarının uydu görüntüleri yardımıyla izlenmesi

    Harmful Lepidoptera species and their natural enemies on oak (Quercus spp.) forests in çankiri province and monitoring the damage via satellite images

    YALÇIN KONDUR

    Doktora

    Türkçe

    Türkçe

    2014

    Ormancılık ve Orman MühendisliğiÇankırı Karatekin Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    PROF. DR. ZİYA ŞİMŞEK

  2. Bartın ve Karabük ormanlarındaki göknarlarda zarar yapan pityokteines curvidens (Germ.) (coleoptera; scolytidae) damaged on fır in Bartın and Karabük forests

    The Biology of pityokteines curvidens (Germ.) (coleoptera, scolytidae) damaged on fır in Bartın and Karabük forests

    AZİZE TOPER

    Doktora

    Türkçe

    Türkçe

    1999

    Ormancılık ve Orman MühendisliğiZonguldak Karaelmas Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    DOÇ.DR. OKTAY ÖZKAZANÇ

  3. Neodiprion sertifer'in Göller bölgesi ormanlarında biyolojisi, doğal düşmanları ve epidemilerin artım üzerine etkisi

    Biology, natural enemies of Neodiprion sertifer in Lake's district forests and effect on increment of outbreaks

    ZEYNEP EDA AKINCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Ormancılık ve Orman MühendisliğiSüleyman Demirel Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA AVCI

  4. Ormanlardaki böcek zararının sürdürülebilir ormancılık açısından ekonomik analizi (Bartın örneği)

    Economic analysis of insect damage in forests in terms of sustainable forestry (Bartın example)

    YAĞMUR YEŞİLBAŞ

    Doktora

    Türkçe

    Türkçe

    2024

    Ormancılık ve Orman MühendisliğiBartın Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMET DAŞDEMİR