Geri Dön

Exploring the potential of deep learning using earth observation data for cotton yield estimation

Pamuk verimi tahmini için dünya gözlem verileri kullanılarak derin öğrenme potansiyelinin keşfedilmesi

PDF İndir

  1. Tez No: 934285
  2. Yazar: ALPER BALMUMCU
  3. Danışmanlar: PROF. DR. KORAY KAYABOL, PROF. DR. ESRA ERTEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İklim değişikliğinin tarım ve gıda üretimi üzerindeki önemli etkisi, verim tahmini sorununu giderek daha kritik hale getirmiştir. Verimin doğru bir şekilde tahmin edilmesi, çevresel parametrelere ve bunların karmaşık etkileşimlerine bağlı olması nedeniyle zordur. Bu bağlamda, makine öğrenimi (ML), Dünya Gözlem verileri ile birlikte umut verici bir yaklaşım sunmakta ve bu çevresel faktörlerin verim üzerindeki etkisini anlamaya yardımcı olmaktadır. Bu çalışma, üç farklı makine öğrenimi yöntemi kullanarak pamuk verimini tahmin etmeye odaklanmaktadır: Çok Katmanlı Algılayıcı (MLP), Uzun Kısa Dönem Bellek (LSTM) ve XGBoost. Amaç, pamuk verimi tahminlerinin doğruluğunu artırmaktır. Çalışma, Amerika Birleşik Devletleri (CONUS) kıtasındaki beş yıllık pamuk verimi verilerini kullanarak bu yöntemlerin performansını iki ölçüt kullanarak değerlendirmektedir: R² ve kök ortalama kare hatası (RMSE). Ayrıca, modellerin yorumlanabilirliği Shapley Katkılı Açıklamalar (SHAP) değerleri kullanılarak değerlendirilmiştir.

Özet (Çeviri)

The significant impact of climate change on agriculture and food production has made the yield estimation problem increasingly critical. Accurately predicting yield is challenging due to its dependence on environmental parameters and their complex interactions. In this context, machine learning (ML), combined with Earth Observation data, offers a promising approach and aids in understanding the impact of these environmental factors on yield. This study focuses on predicting cotton yield using three different ML methods: Multi-layer Perceptron (MLP), Long Short-Term Memory (LSTM), and XGBoost. The goal is to enhance the accuracy of cotton yield predictions. The study evaluates the performance of these methods using five years of cotton yield data across the continental United States (CONUS), employing two metrics: R² and root mean square error (RMSE). Additionally, the interpretability of the models is assessed using Shapley Additive Explanations (SHAP) values.

Benzer Tezler

  1. Tez No

    807831

    Developing algorithm for automatic detection of caves using unmanned aerial vehicle data

    İnsansız hava araçlarından elde edilen verilerle otomatik mağara tespiti yapabilen algoritmanın geliştirilmesi

    MUSTAFA BÜNYAMİN SAĞMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. DR. ORKAN ÖZCAN

  2. Tez No

    908941

    Kronik inflamatuvar demiyelinizan polinöropati (CIDP) hastalığının teşhisinde makine öğrenme algoritmaları kullanılarak karar destek sistemi oluşturma

    Developing a decision support system for the diagnosis of chronic inflammatory demyelinating polyneuropathy (CIDP) using machine learning algorithms

    HÜSEYİN AKBUDAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriSelçuk Üniversitesi

    Biyomedikal Ana Bilim Dalı

    DOÇ. DR. MUHAMMET SERDAR BAŞÇIL

  3. Tez No

    897496

    Exploring the capabilities of large language models in visual question answering: A new approach using question-driven image captions as prompts

    Büyük dil modellerinin görsel soru yanıtlama yeteneklerinin keşfedilmesi: Soru odaklı görüntü altyazılarını istem olarak kullanan yeni bir yaklaşım

    ÖVGÜ ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    DOÇ. DR. ERDEM AKAGÜNDÜZ

  4. Tez No

    948881

    Examining the portability of deep learning runtime optimization methods

    Derin öğrenme çalışma zamanı eniyileme yöntemlerinin taşınabilirliğinin irdelenmesi

    MUHAMMET ALPASLAN TAVUKÇU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYŞE YILMAZER METİN

  5. Tez No

    850759

    Kuantum hesaplama modellerinin derin öğrenme kullanılarak otomatik üretimi

    Automated generation of quantum computing models using deep learning

    NİYAZİ FURKAN BAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KARAKÖSE

Geri Dön