Uzaktan algılama ve makine öğrenmesi tabanlı hububat ekili alanların belirlenmesi, verimlilik haritasının oluşturulması
Determination of cereal plant areas based on remote sensing and machine learning, creation of productivity map
- Tez No: 894902
- Danışmanlar: DOÇ. DR. BÜLENT BOSTANCI
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Harita Mühendisliği Bilim Dalı
- Sayfa Sayısı: 92
Özet
Dünyada artan nüfusla birlikte gıda sorunu artmakta ve ülkelerin sürdürülebilir tarıma daha çok önem vermesine yol açmaktadır. Tarımda sürdürülebilirliğin sağlanabilmesi için tarımsal alanlarda izleme ve değerlendirme süreçlerinin etkin bir şekilde yürütülmesi gerekmektedir. Bu çalışmada, Kırşehir ili sınırları içerisinde arazi toplulaştırması yapılmış bir bölgede, kontrollü sınıflandırma ile hububat (arpa ve buğday) ekili alanların tespiti ve verimlilik haritasının oluşturulması amaçlanmıştır. Çalışmada, 2023 yılına ait Sentinel-2 uydu görüntüleri, ürün beyanları ile arazinin topografik ve toprak özelliklerini içeren haritalardan faydalanılmıştır. Ürün beyanları esas alınarak, hububat ekili parsellerin ortalama NFBİ değerleri ile zaman serileri oluşturulmuş ve eşik değerlerle filtreleme yapılmıştır. Çoklu tarihli Sentinel-2 görüntüleri RO yöntemiyle sınıflandırılmıştır. Sınıflandırmanın doğruluk analizleri, ürün beyanlarına göre hububat için filtrelenmiş verilerle parsel tabanlı yaklaşımla yapılmış ve genel doğruluk (%86) ve kappa istatistiği (%72) değerleri elde edilmiştir. CBS ortamında, altlıklardan elde edilen değerler bağımsız değişkenler olarak seçilmiş, NFBİ değerleri ve altlık haritaları ile belirlenen kriterlere göre 5 verim sınıfı belirlenerek model oluşturulmuştur. DVM Radyal Çekirdek fonksiyonu ile C ve γ değerlerinin optimizasyonu yapılarak en iyi sonucu (%97) veren model kullanılmıştır. Arazilerin alansal dağılımı %38 verimsiz, %4 düşük verimli, %39 orta verimli, %13 yüksek verimli ve %6 çok yüksek verimli olarak bulunmuştur. Geçmişe dönük verilerle elde edilebilen tahmin verilerinin tarımsal üretimin planlanmasına katkı sağlayacağı ortaya konulmuştur.
Özet (Çeviri)
Food problems are increasing with the increasing population in the world, causing countries to give more importance to sustainable agriculture. In order to ensure sustainability in agriculture, monitoring and evaluation processes in agricultural areas must be carried out effectively. This study aims to detect cereal (barley and wheat) cultivated areas and create a productivity map in a land consolidation area within the borders of Kırşehir province through supervised classification. The study utilized Sentinel-2 satellite images from 2023, crop declarations, and maps containing the topographic and soil characteristics of the land. Based on crop declarations, time series of the average NDVI values of cereal-cultivated parcels were created and filtered with threshold values. Multitemporal Sentinel-2 images were classified using the RF method. The accuracy of the classification was analyzed using a parcel-based approach with data filtered for cereals according to crop declarations, yielding overall accuracy of 86% and a kappa statistic of 72%. In the GIS environment, values obtained from the maps were selected as independent variables, and five productivity classes were determined based on NDVI values and base maps to create a model. The Support Vector Machines (SVM) with Radial Basis Function (RBF) kernel were used, optimizing C and γ values to achieve the best model performance (97%). The spatial distribution of the lands was found to be 38% unproductive, 4% low productivity, 39% medium productivity, 13% high productivity, and 6% very high productivity. It was demonstrated that prediction data obtained from historical data can contribute to the planning of agricultural production.
Benzer Tezler
- Unveiling the performance of pre-processing approaches in machine learning based flood susceptibility mapping
Makine öğrenmesi tabanlı sel duyarlılık haritalamasında ön işleme yöntemlerinin performansının açıklanması
NİHAL GÜLCAN
Yüksek Lisans
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER EKMEKCİOĞLU
- Konumsal analiz yöntemleri ve makine öğrenmesi entegrasyonu ile kitle kaynaklı verilere dayanarak rekreasyonel hareketliliğin haritalanması: Eskişehir örneği
Mapping recreational mobility based on crowdsourced data with the integratıon of spatial analysis methods and machine learning: The case of Eskişehir
AHMET USLU
Doktora
Türkçe
2022
Jeodezi ve FotogrametriEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN UYGUÇGİL
- Depremden yıkılan binaların tespitinde makine öğrenme yöntemlerinin değerlendirilmesi
Evaluation of machine learning methods in detecting buildings collapsed by earthquakes
FARUK ÖZARSLAN
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. DİLEK KÜÇÜK MATCI
- Landsat-8 uydu görüntülerinden derin öğrenme algoritmaları kullanarak kıyı çizgisi çıkarımı
Shoreline extraction from landsat-8 satellite imagery by using deep learning algorithms
FIRAT ERDEM
Yüksek Lisans
Türkçe
2018
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Fusion of remote sensing and machine learning for high-resolution bathymetric modeling in shallow coastal zone
Kıyı bölgeleri sığ sularının yüksek çözünürlüklü batimetrik modellemesi için uzaktan algılama ve makine öğrenmesinin füzyonu
EMRE GÜLHER
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI