Prediction and forecasting of drought areas based on remote sensing data using machine learning methods
Kuraklik alanlarinin makine öğrenimi yöntemleri ile uydu görüntülerine dayali tahminlemesi tahminlenmesi
- Tez No: 935204
- Danışmanlar: PROF. DR. BURCU HÜDAVERDİ AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Jeodezi ve Fotogrametri, İstatistik, Computer Engineering and Computer Science and Control, Geodesy and Photogrammetry, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 87
Özet
Kuraklık öngörümlemede, geçmiş meteorolojik verilere olan bağımlılık iklim değişikliğinin etkisi nedeniyle artan zorluklara sebep olmaktadır. İklim sistemlerinin karmaşık ve birbirine bağlı doğası, kuraklığı doğru bir şekilde tahmin etme zorluğunu daha da artırmaktadır. Uzaktan algılama verileri ve makine öğrenimi yöntemleri, yüksek doğruluk ve verimlilikleri sayesinde kuraklık bölgelerinin tahmini ve öngörümlenmesinde sıklıkla kullanılmaktadır. Bu çalışmanın ilk bölümünde, kısa vadeli kuraklıkları tahmin etmek için Rastgele Ormanlar (Random Forests), Gradyan Artırma Makineleri (Gradient Boosting Machines), Aşırı Gradyan Artırma (eXtreme Gradient Boosting) ve Hafif Gradyan Artırma Makineleri (Light Gradient Boosting Machines) yöntemleri kullanılarak karşılaştırmalı bir analiz yapılmıştır. Şiddetli kuraklık alanları için Toprak Nem İndeksi (Soil Moisture Index - SMI) değerlerini tahmin etmek amacıyla Landsat 8 görüntüleri ve SRTM DEM (30 m) verileri kullanılmıştır. Son olarak, kuraklık olaylarını tahmin etmede özelliklerin önemi belirlenmiş ve kuraklık oluşumunu en kritik şekilde etkileyen unsurlar vurgulanmıştır. İkinci bölümde, SMI öngörümlenmesi için Landsat 8 görüntüleri ardışık olarak toplanmıştır. Öngörümleme işlemi, bulut örtüsünün tahmin üzerindeki etkisini incelemek amacıyla, tarımsal alan veri setinin iki farklı versiyonu üzerinde, Evrişimsel Uzun Kısa Süreli Bellek (Convolutional Long Short-Term Memory - ConvLSTM) kullanılarak gerçekleştirilmiştir. Gelecekteki kuraklığın şiddetini tahmin etmek amaçlandığından, ConvLSTM süreçleri aracılığıyla çok adımlı bir tahmin yaklaşımı kullanılmıştır. Bu iki aşamalı yaklaşım sayesinde, çalışma şiddetli kuraklık bölgelerinde SMI tahmini için makine öğrenimi yöntemlerini detaylı bir şekilde incelemekte ve tarımsal bağlamlarda kuraklık etkilerinin öngörümlenmesinde ConvLSTM'nin potansiyelini araştırmaktadır.
Özet (Çeviri)
The reliance on historical meteorological data for drought forecasting faces increasing challenges due to the impact of climate change. The complex and interconnected nature of climate systems further amplifies the difficulty in accurately forecasting droughts. Remote sensing data and machine learning methods have frequently been used in the prediction and forecasting of drought areas, due to their high accuracy and efficiency. In the first part of this study, a comparative analysis has been conducted using Random Forests, Gradient Boosting Machines, eXtreme Gradient Boosting, and Light Gradient Boosting Machines methods to predict short-term droughts. Landsat 8 images and SRTM DEM 30 m data have been utilized to predict Soil Moisture Index (SMI) values for the severe drought areas. Finally, the importance of features in predicting drought events has been determined, highlighting the aspects that most critically affect drought occurrence. In the second part, Landsat 8 images have been collected sequentially for SMI forecasting. It has been performed on two versions of the agricultural area dataset to examine the effect of cloud cover on forecasting, using Convolutional Long Short-Term Memory (ConvLSTM). Since the aim is to forecast future drought severity, a multi-step prediction approach has been employed through the ConvLSTM processes. Through this two-part approach, the study offers a detailed examination of machine learning methods for SMI prediction in severe drought areas and explores the potential of ConvLSTM in forecasting drought impacts in agricultural contexts.
Benzer Tezler
- A new agro-meteorological drought index based on remote sensing
Uzaktan algılama temelli yeni bir agro-meteorolojik kuraklık indeksi
EYYUP ENSAR BAŞAKIN
Doktora
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET CÜNEYD DEMİREL
- Monitoring and prediction of drought parameters under climate change in Mediterranean basin
Akdeniz havzasında iklim değişikliği altında kuraklık parametrelerinin izlenmesi ve tahmini
GÖKÇE AKAN
Doktora
İngilizce
2025
İnşaat MühendisliğiHacettepe Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDURRAHMAN UFUK ŞAHİN
- Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques
Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri
KÜBRA KÜLLAHCI
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Terkos gölüne gelen aylık debinin çeşitli metotlarla tahmini
Montly inflow prediction for Terkos lake by various methods
HALİL İBRAHİM TÜRKOĞLU
Yüksek Lisans
Türkçe
2013
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ÖZGER
- Makine öğrenmesi metotları kullanılarak orman yangınlarının tahmini: Türkiye'de vaka çalışması
Prediction of forest fires using machine learning methodology: A case study in Türkiye
BETÜL ARSLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILTAŞ KAPLAN