Derin öğrenme yöntemleri kullanılarak Urfa, İzmir ve Hatay illerinde pamuk ekim alanlarının belirlenmesi
Determination of cotton planting areas in Urfa, İzmir and Hatay provinces using deep learning methods
- Tez No: 930481
- Danışmanlar: PROF. DR. İLHAMİ BAYRAMİN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ziraat, Computer Engineering and Computer Science and Control, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 124
Özet
Bu çalışma Hatay'ın Kırıkhan, Kumlu, Reyhanlı; Şanlıurfa'nın Viranşehir ve İzmir'in Tire ilçelerinde farklı derin öğrenme yöntemleriyle uydu görüntülerini kullanarak pamuk alanlarının belirlenmesi ve bu derin öğrenme yöntemlerinin karşılaştırılmasını amaçlamıştır. Araştırmada 2021 yılının pamuk alanları kullanılmıştır. 2021 yılına ait uydu görüntüleri indirilmiş ve veriler temizlenip ön işlemden geçirilmiştir. Araştırmada uydu görüntülerinin kırmızı, yeşil, mavi ve yakın kızılötesi bantları ile NDVI ve GNDVI indeksleri kullanılmıştır. Ayrıca Hatay ve Şanlıurfa illerinin ilçelerinde bantlara kümülatif NDVI eklenerek yeni bir veri seti oluşturulmuştur. Veriler %70 eğitim seti ve %30 test seti olarak ayrılmıştır. T.C. Tarım ve Orman Bakanlığı, Bitkisel Üretim Genel Müdürlüğü'nden doğrulanmış pamuk alanları çizgisel formatta alınmış ve hücresel formata dönüştürülmüştür. Donanımsal kısıtlamalardan kaynaklı olarak bir boyutlu evrişim kullanılmıştır. Derin öğrenme yöntemleri ile pamuk alanları tespit edilmiştir. Derin öğrenme yöntemi olarak AlexNet, EfficentNet ve ResNet50 algoritmaları kullanılmıştır. Araştırma sonucunda Hatay'da %95,48, Şanlıurfa'da %97,80 ve İzmir'de %99,93 belirlenen oranlar ile ResNet50 en yüksek doğruluğa sahip algoritma olmuştur. F1 skorları ise ResNet50'de Hatay, Şanlıurfa ve İzmir için sırasıyla 0,87, 0,88, 0,91 olmuştur. Genel duruma bakıldığında ResNet50 hem genel doğrulukta ve hem F1 skorunda en yüksek oranları vermiştir. Kümülatif NDVI'ın eklendiği veri setinde ise ResNet50 yine en yüksek doğruluk oranını vermiştir. Ancak kümülatif NDVI eklendiğinde ResNet50'nin doğruluk oranı Hatay için %85,45'e düşerken AlexNet'in doğruluk oranı %86,04'e yükselmiştir. Şanlıurfa için ResNet50'nin doğruluk oranı %95,45'e gerilerken AlexNet'in doğruluk oranı %92,72'e çıkmıştır.
Özet (Çeviri)
This study aims to identify cotton fields using satellite images and compare different deep learning methods in the districts of Kırıkhan, Kumlu, and Reyhanlı in Hatay; Viranşehir in Şanlıurfa; and Tire in İzmir. The cotton fields from the year 2021 were used in the research. Satellite images from 2021 were downloaded, and the data was cleaned and preprocessed. The red, green, blue, and near-infrared bands of the satellite images, along with NDVI and GNDVI indices, were utilized in the study. Additionally, a new dataset was created by adding cumulative NDVI to the bands for the districts of Hatay and Şanlıurfa. The data was split into 70% training and 30% testing sets. Verified cotton field data in vector format were obtained from the Turkish Ministry of Agriculture and Forestry's General Directorate of Crop Production and converted to raster format. Due to hardware limitations, one-dimensional convolution was used. Cotton fields were detected using deep learning methods. The algorithms AlexNet, EfficientNet, and ResNet50 were employed as deep learning methods. The results showed that ResNet50 had the highest accuracy with 95.48% in Hatay, 97.80% in Şanlıurfa, and 99.93% in İzmir. The F1 scores for ResNet50 were 0.87, 0.88, and 0.91 for Hatay, Şanlıurfa, and İzmir, respectively. Overall, ResNet50 provided the highest rates in both general accuracy and F1 scores. In the dataset where cumulative NDVI was added, ResNet50 again achieved the highest accuracy. However, with the inclusion of cumulative NDVI, ResNet50's accuracy for Hatay dropped to 85.45%, while AlexNet's accuracy increased to 86.04%. For Şanlıurfa, ResNet50's accuracy decreased to 95.45%, while AlexNet's accuracy rose to 92.72%.
Benzer Tezler
- Derin öğrenme yöntemleri kullanılarak anne sağlığı risk analizi yapılması
Maternal health risk analysis using deep learning methods
BURÇİN YÖNEL ÖNEM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HACER KARACAN
- Derin öğrenme yöntemleri kullanılarak demans türü hastalıkların sınıfandırılması
Classification of dementia-type diseases using deep learning methods
RUMEYSA NEGİŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR KARADUMAN
- Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini
Prediction of tool wear from tool noises in turning using deep learning methods
RAMAZAN İLENÇ
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAVAŞ KOÇ
- Derin öğrenme yöntemleri kullanılarak deepfake medya dosyalarının tespiti
Detection of deepfake media files using deep learning methods
RIFAT KÖSE
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT MERİÇELLİ
- Derin öğrenme yöntemleri kullanılarak Türkçe doküman sınıflandırma
Classification Turkish documents using deep learning techniques
MUSTAFA SARI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET MURAT ÖZBAYOĞLU