Google earth ortamında farklı makine öğrenme algoritmaları ve bitki örtüsü indeksleri kullanılarak çilek tarlası tespitinin doğruluk analizi
Accuracy analysis of strawberry field detection using different machine learning algorithms and vegetation indices on google earth engine
- Tez No: 921417
- Danışmanlar: PROF. DR. FUSUN BALIK ŞANLI, DOÇ. DR. OSMAN SALİH YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 143
Özet
Bu çalışmada, ticari çilek (Fragaria × ananassa) ekiminin yoğun olduğu Manisa ili Köprübaşı ilçesinde, ekili çilek tarlalarının uzaktan algılama (UA) teknikleri ile tespitinde optimum yöntemin belirlenmesi amaçlanmıştır. Bu amaçla, çeşitli makine öğrenme (MÖ) algoritmaları, spektral bantlar ve bitki indekslerinin kullanımıyla en iyi sonuçları sağlayacak senaryolar araştırılmıştır. Ayrıca, bölgenin arazi örtüsü ve kullanımı dikkate alınarak ormanlar, boş araziler, çilek tarlaları, su yüzeyleri, diğer tarım alanları ve şehir alanları olmak üzere altı sınıf belirlenmiştir. Bu sınıflar, Google Earth Engine (GEE) platformunda Sentinel-2 görüntüleri kullanılarak sınıflandırılmıştır. Sınıflandırma için, Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Sınıflandırma ve Regresyon Ağaçları (CART) ve Naïve Bayes (NAIV) algoritmaları kullanılmıştır. Sınıflandırma amaçlı kullanılan geleneksel bantlar ve kırmızı kenar bantlarına ek olarak Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI), Geliştirilmiş Bitki Örtüsü İndeksi (EVI), Kırmızı Kenar Normalize Edilmiş Fark Bitki Örtüsü İndeksi (ReNDVI) ve Toprak Ayarlı Bitki İndeksi (SAVI) spektral bitki indeksleri kullanılmıştır. Yapılan bu çalışmanın doğruluğu kullanılan uydu görüntüsüne yakın tarihli yüksek çözünürlüğe sahip Google Earth Pro görüntüleriyle doğrulanmış ve doğrulama metrikleri için genel doğruluk (GD), üretici doğruluğu (ÜD), kullanıcı doğruluğu (KD), kappa istatistiği (κ) ve harmonik ortalama değeri (F1-Skor) hesaplanmıştır. Çalışmada GD açısından değerlendirildiğinde DVM algoritması en başarılı iken, NAIV ise en başarısız olarak tespit edilmiştir. Kullanılan bant senaryolarına göre DVM algoritmasında RGB+NIR+NDVI bant senaryosu ile GD değeri %81,76, κ değeri 0,78 en iyi sonuç elde edilmiştir. Ayrıca sınıf bazında ise çilek tarlalarını tespit etmede %86,95 ÜD, %92,04 KD ve %89,42 F1-Skor ile en başarılı sonuç DVM algoritması RGB+NIR+NDVI bant senaryosu ile elde edilmiştir. Yapılan bu çalışma, çilek alanlarının tespit edilmesinde rehber niteliği taşımakta olup, UA teknolojilerinin ve çeşitli MÖ algoritmalarının tarımsal uygulamalarda etkin bir şekilde kullanılabileceğini göstermektedir.
Özet (Çeviri)
In this study, the aim was to determine the optimal method for detecting cultivated strawberry (Fragaria × ananassa) fields using remote sensing (RS) techniques in the Köprübaşı district of Manisa province, where commercial strawberry cultivation is intensive. To achieve this, various machine learning (ML) algorithms, spectral bands, and vegetation indices were investigated to find the best combinations that would yield the best results. For this purpose, considering the land cover and land use (LU/LC) of the region, six classes were defined: forests, barren lands, strawberry fields, water surfaces, other agricultural areas, and urban areas. These classes were classified using Sentinel-2 imagery on the Google Earth Engine (GEE) platform. For classification, Random Forest (RF), Support Vector Machines (SVM), Classification and Regression Trees (CART), and Naïve Bayes (NB) algorithms were used. In addition to traditional bands and red-edge bands, spectral vegetation indices such as Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), Red-Edge Normalized Difference Vegetation Index (ReNDVI), and Soil-Adjusted Vegetation Index (SAVI) were also used. The accuracy of this study was validated using high-resolution Google Earth Pro images from a nearby date, and the validation metrics, including overall accuracy (OA), user's accuracy (UA), producer's accuracy (PA) kappa statistic (κ), and harmonic mean (F1-Score), were calculated. In terms of OA, the SVM algorithm was the most successful, while NB was found to be the least successful. According to the band combinations used, the best result in the SVM algorithm was achieved with the RGB+NIR+NDVI band combination, with an OA of %81,76 and a κ value of 0,78. Additionally, for class-based detection, the most successful result for detecting strawberry fields was obtained with the RGB+NIR+NDVI band combination of the SVM algorithm, with a PA of %86,95, UA of %92,04, and an F1-Score of %89,42. This study serves as a guide in detecting strawberry fields and demonstrates that RS technologies and various ML algorithms can be effectively used in agricultural applications.
Benzer Tezler
- Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi
Soil salinity mapping using explainable artificial intelligence methods
SAMET AKSOY
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Identification of tea plantation areas using Google cloud based random forest and deep learning
Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi
BERKAY ÖZEN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- Explainable deep learning classification of tree species with very high resolution VHRTreeSpecies dataset
Açıklanabilir derin öğrenme yöntemleri ile çok yüksek çözünürlüklü VHRTreeSpecies veri seti kullanılarak ağaç türlerinin sınıflandırılması
ŞULE NUR TOPGÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Enhancing disaster management through deep learning: Building damage assessment using satellite imagery
Derin öğrenme ile afet yönetiminin geliştirilmesi: Uydu görüntüleri kullanılarak bina hasar tespiti
MOHAMMADREZA MOHAMMADIAHANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı
PROF. DR. DİDEM SALOĞLU DERTLİ
- Uzaktan algılama ve makine öğrenmesi etkileşimi ile bor maden sahalarının araştırılması
Exploration of boron mine sites with remote sensing and machine learning interaction
ENDER KELLECİ
Doktora
Türkçe
2024
Mühendislik BilimleriEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN UYGUÇGİL