Geri Dön

Uzaktan algılama ve makine öğrenimi kullanılarak potansiyel buğday alanlarının modellenmesi

Modeling potential wheat areas using remote sensing and machine learning

PDF İndir

  1. Tez No: 942784
  2. Yazar: NESLİŞAH CİVELEK
  3. Danışmanlar: PROF. DR. LEVENT GENÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Ziraat, Şehircilik ve Bölge Planlama, Agriculture, Urban and Regional Planning
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Çanakkale Onsekiz Mart Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 150

Özet

Çanakkale ili, Merkez ve Ezine ilçelerine bağlı 18 köyde belirlenen 220 buğday parseli çalışma alanı olarak belirlenmiştir. Uzaktan Algılama (UA), meteoroloji ve yersel veriler ile Makine Öğrenimi (MÖ) yöntemleri kullanılarak Karar Ağacı (KA) tabanlı buğday verim tahmin modeli oluşturulmuştur. Buğdayın fenolojik sürecinde, bitki indeksleri ile meteorolojik verilerin buğday verimi ile arasındaki ilişki Pearson Korelasyon analizi ile değerlendirilmiş ve anlamlı ilişkiler tespit edilmiştir. En yüksek korelasyon, Nisan ayında (başaklanma-çiçeklenme) gözlemlenmiştir. C4.5 KA sınıflandırma algoritması kullanılarak, fenoloji sürecinde verim seviyelerini düşük, orta, yüksek olarak belirlenmesinde en uygun zaman dilimi tespit edilmiştir. Nisan ayı (başaklanma-çiçeklenme evresi) buğday verim seviyelerinin belirlenmesinde kritik bir dönem olduğu ortaya konmuştur. Bu süreçte elde edilen yüksek indeks değerlerinin, yüksek verimle ilişkili olduğu saptanmıştır. Öte yandan, düşük ve orta verim seviyelerinin ise genellikle fenolojinin daha erken dönemlerinde belirlenen düşük indeks değerleri ile ilişkili olduğu gözlemlenmiştir. Buğday verim seviyelerini etkileyen çevresel faktörler Regresyon KA modeliyle belirlenmiştir. Sekiz etkili faktör tespit edilmiştir. Altı tanesi fenolojinin belirli zamanlarındaki indeks değerleri (NDVI-WDRVI-RDVI-RED1-Nisan Ayı, Tİ-3-Aralık Ayı, LAI-Mart Ayı Değerleri) ikisi aralık ayına ait Ortalama Sıcaklık (°C) ve Toplam Yağış (mm)'tır. Bu faktörler, verimin %85'ini açıklamıştır. Bu faktörlerin verim üzerindeki etki katsayıları dikkate alınmış ve tahmini verim değerleri hesaplanmıştır. Gerçek verim ve tahmini verim değerleri arasında R = 0,92, R2 = 0,86 yüksek bir uyum bulunmuştur. Bu yöntemler, Sürdürülebilir Kalkınma Hedefleri (SKH) doğrultusunda, dijital tarımı geliştirmek, tarım politikalarına rehberlik etmek ve gıda güvenliğini sağlanmak için bilimsel bir altlık oluşturmaktadır. Çalışma, güvenilir verim tahminleri için UA ve meteorolojik verilerin MÖ teknolojisi ile kullanılmasının önemini vurgulamıştır.

Özet (Çeviri)

In Çanakkale province, 220 wheat plots in 18 villages belonging to the Central and Ezine districts have been designated as the study area. Using Remote Sensing (RS), meteorological and terrestrial data, a Decision Tree (DT)-based wheat yield prediction model has been developed with Machine Learning (ML) methods. In the phenological process of wheat, the relationship between plant indices and meteorological data with wheat yield was evaluated using Pearson Correlation analysis, and significant relationships were identified. We observed the highest correlation in April (heading-blooming). The C4.5 classification algorithm identified the most suitable time period for determining yield levels as low, medium, and high in the phenology process. We have identified April (the heading-flowering stage) as a critical period in determining wheat yield levels. It has been determined that the high index values obtained during this process are associated with high yield. On the other hand, it has been observed that low and medium yield levels are generally associated with low index values determined in the earlier stages of phenology. Environmental factors affecting wheat yield levels have been identified using the Regression KA model. Eight influential factors have been identified. Six of them are index values at specific times of phenology (NDVI-WDRVI-RDVI-RED1-April, TI-3-December, LAI-March values), and two are Average Temperature (°C) and Total Precipitation (mm) for December. These factors explained 85% of the yield. The impact coefficients of these factors on yield have been taken into account, and estimated yield values have been calculated. A high correlation was found between the actual yield and the estimated yield values, with R = 0.92 and R² = 0.86. These methods provide a scientific basis for developing digital agriculture, guiding agricultural policies, and ensuring food security in line with the Sustainable Development Goals (SDGs). The study emphasized the importance of using RS and meteorological data with ML technology for reliable yield predictions.

Benzer Tezler

  1. Tez No

    898245

    The use of remote sensing for monitoring agricultural products in the Gezira Irrigation Scheme, Sudan

    Gezira Sulama Projesi'ndeki (Sudan) tarimsal ürünlerin izlenmesinde uzaktan algilama kullanimi

    OSMAN OSAMA AHMED IBRAHIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    ZiraatKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN YILMAZ

  2. Tez No

    937758

    UAV remote sensing for disease detection in potato leaf

    Patates yaprağında hastalık tespiti için İHA uzaktan algılama

    PELİNSU DEMİRCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Jeodezi ve FotogrametriThe University of Edinburgh

    Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. CAROLİNE NİCHOL

  3. Tez No

    827837

    District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities

    İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama

    ANALI AZABDAFTARI

    Doktora

    İngilizce

    İngilizce

    2022

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  4. Tez No

    901276

    Aiding agricultural practices with the exploration of earth observation data via machine learning

    Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi

    MEHMET FURKAN ÇELİK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ESRA ERTEN

  5. Tez No

    665824

    Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data

    Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması

    MERVE BOZO

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

Geri Dön