Hiperspektral veriler kullanılarak satsuma mandarininde mevsimsel klorofil değişiminin kısmi en küçük kareler regresyonu (PLSR) makine öğrenme algoritması ile modellenmesi
Modeling seasonal chlorophyll change in satsuma mandarin using hyperspectral data with partial least squares regression (PLSR) machine learning algorithm
- Tez No: 933292
- Danışmanlar: PROF. DR. SAHRİYE SÖNMEZ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Ziraat, Engineering Sciences, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda sürdürülebilir tarım, hassas tarım gibi birçok kavram hayatımızın her alanında karşımıza çıkmaktadır. Ekolojik, ekonomik ve her açıdan tasarruf sağlayan tarım uygulamaları tercih edilmektedir. Uzaktan algılama ve bilgisayar bilimi ile oluşturulan çalışma modelleri de tarım alanında hızlı ve tahribatsız üretim sürecine olanak sağlamaktadır. Üretim sezonu boyunca bitki sağlığını korumak tüm tarım girdileri için önemli bir kriterdir. Bitki sağlığının önemli göstergelerinden biri olan klorofil içeriği de bu sebeple araştırmalarda temel parametre olarak görülmektedir. Uzaktan algılama çalışmalarında; spektral yansıma değerlerinde, 700 nm'ye yakın ve 530-630 nm aralığında duyarlı olması klorofil içeriğinin dolayısıyla bitki sağlığının yorumlanmasına ve tarımsal faaliyetlerin yürütülmesine rehberlik etmektedir. Son yıllarda popülerliğini artıran makine öğrenmesi algoritmaları, yoğun veri setlerinin hızlı ve güvenilir bir şekilde analiz edilmesinde ve tahmin modellerinin oluşturulmasında önemli avantajlar sağlamaktadır. Nitekim çeşitli makine öğrenmesi algoritmaları kullanılarak farklı modellerin eğitilmesi, klorofil gibi bitki için önemli bir parametrenin mevcut ve gelecek tahminlerinin yapılması mümkün olabilmektedir. Bu makine öğrenme algoritmalarından birisi de en küçük kareler regresyonu (PLSR) yöntemidir. Yürütülen bu çalışmada, Antalya ilinde üretimi yapılan Satsuma mandarin bahçesi ağaçlarından 12 ay boyunca her ay alınan yaprak örneklerinde ASD FieldSpec El Tipi Spektroradyometre cihazı ile hiperspektral yansıma ölçümleri ve SPAD-502Plus klorofil ölçüm cihazı ile de klorofil ölçümleri gerçekleştirilmiştir. Çalışmada, bitkinin uzaktan algılamaya dayalı spektral özelliklerinin dönemsel olarak sorgulanarak yansıma ve klorofil ilişkisinin istatistiksel olarak belirlenmesi ve PLSR yöntemi ile klorofil tahmininde bitki spektral özelliklerinin başarısının ortaya konulması amaçlanmıştır. Elde edilen bulgular sonucunda, spektral ölçümlerden hesaplanan TGI (Üçgen Yeşillik İndeksi), VARI (Görünür Atmosferik Dayanıklılık İndeksi), GRVI (Yeşil Kırmızı Bitki Örtüsü İndeksi), HNDVI (Hiperspektral Normalize Edilmiş Fark Bitki İndeksi), CIG (Klorofil indeksi – Yeşil) ve LCI (Yaprak Klorofil İndeksi) bağımsız değişkenleri ile klorofil (SPAD) bağımlı değişkeninin tahmin edilmesinde önemli başarılara ulaşılmıştır. Satsuma mandarininde her bir ay için gerçekleştirilen tahmin modelleri içerisinde ise hem en yüksek R2 değerini (RMSE: 1.88; MAPE: 4.06) veren, hem de SPAD bağımlı değişkenini en iyi tahmin eden dönemin aynı zamanda çiçeklenme ve meyve tutum dönemine denk gelen Mayıs ayı olduğu sonucuna varılmıştır. Mayıs ayı modelinin, SPAD bağımlı değişkenini %83.57 oranında 2 faktörle en yüksek başarıyı sağladığı ve R² değerinin 0.84 ile en yüksek doğruluğa ulaştığı belirlenmiştir.
Özet (Çeviri)
In recent years, many concepts such as sustainable agriculture and precision agriculture have emerged in every aspect of our lives. Agricultural practices that are ecological, economical and provide savings in every aspect are preferred. Working models created with remote sensing and computer science also enable fast and non-destructive production processes in the field of agriculture. Protecting plant health throughout the production season is an important criterion for all agricultural inputs. For this reason, chlorophyll content, which is one of the important indicators of plant health, is also seen as a basic parameter in research. In remote sensing studies; In spectral reflectance values, being sensitive close to 700 nm and in the range of 530-630 nm guides the interpretation of chlorophyll content and therefore plant health and the execution of agricultural activities. Machine learning algorithms, which have increased their popularity in recent years, provide significant advantages in analyzing intensive data sets quickly and reliably and creating prediction models. As a matter of fact, it is possible to train different models using various machine learning algorithms and to make current and future predictions of an important parameter for plants such as chlorophyll. One of these machine learning algorithms is partial least squares regression (PLSR) method. In this study, hyperspectral reflectance measurements were performed with ASD FieldSpec Handheld Spectroradiometer and chlorophyll measurements were performed with SPAD-502Plus chlorophyll measurement device on leaf samples taken every month for 12 months from Satsuma mandarin orchard trees produced in Antalya province. The aim of the study was to determine the reflectance and chlorophyll relationship statistically by periodically questioning the spectral properties of the plant based on remote sensing and to reveal the success of plant spectral properties in chlorophyll estimation with PLSR method. As a result of the findings, significant success was achieved in estimating the dependent variable of chlorophyll (SPAD) with the independent variables of TGI (Triangular Greenness Index), VARI (Visible Atmospheric Resistant Index), GRVI (Green Red Vegetation Index), HNDVI (Hyperspectral Normalized Difference Vegetation Index), CIG (Chlorophyll Index – Green) and LCI (Leaf Chlorophyll Index) calculated from spectral measurements. Among the estimation models performed for each month in Satsuma mandarin, it was concluded that the period that gave the highest R2 value (RMSE: 1.88; MAPE: 4.06) and best predicted the dependent variable of SPAD was May, which also coincides with the flowering and fruit set period. It was determined that the May model provided the highest success in the dependent variable of SPAD by a factor of 2 at a rate of 83.57% and the highest accuracy was reached with an R² value of 0.84.
Benzer Tezler
- Lazer spektroskopisi ve interferens spektroskopisi ile rhenium ve platin elementlerinin izotopik kaymalarının ve hiper ince yapı ayrılmalarının incelenmesi
Invetigations of isotope shift and hiperfine structure in rhenium and platinium by means of laserspectroscopie and interference spectroscopy
GÖNÜL BAŞAR
- Şüpheli belge incelemelerinde kullanılan spektroskopik yöntemlerin karşılaştırılmalı incelemesi
Comparative investigation of the spectroscopic methods that are used in questioned document examination
SEDAT BÜLBÜL
- Synthesis and characterization of various macromolecular architectures by using combined controlled and photoiniated polymerization methods
Kontrollü ve fotokimyasal polimerizasyon yöntemleri birlikte kullanılarak çeşitli makromoleküler yapıların sentezi ve karakterizasyonu
ALİ EKREM MÜFTÜOĞLU
Doktora
İngilizce
2005
İstanbul Teknik ÜniversitesiPolimer Bilim ve Teknolojisi Ana Bilim Dalı
Yükleniyor...
- Uydu görüntüleri kullanılarak hidrokarbon sızıntılarının belirlenmesi: Batman örneği
Determined hydrocarbon leakage using satellite imagery: Batman application
MEHMET BAHA DİNİBÜTÜN
Yüksek Lisans
Türkçe
2005
Gebze Yüksek Teknoloji EnstitüsüJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Hyperspectral image processing of EO-1 hyperion data for lithological and mineralogical mapping
Litolojik ve mineralojik haritalama için EO-1 hyperion verisinin hiperspektral görüntü işlemesi
BEKİR TANER SAN