V-şekilli mikrohavzalardaki pistacia lentiscus var. chia duham. fidanlarının büyüme performansının makine öğrenimi tabanlı analizi ve tahmini
Machine learning-based analysis and prediction of growth performance of pistacia lentiscus var. Chia duham. seedlings in V-shaped micro-catchments
- Tez No: 961235
- Danışmanlar: PROF. DR. MERİH PALANDÖKEN, DOÇ. DR. BÜLENT TOPRAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
İklim değişikliğiyle birlikte büyüme dönemlerinde daha da artan sıcaklık ve azalan toprak nemi gibi sebepler sınırlı coğrafi yayılış alanına sahip, ekolojik ve ekonomik olarak büyük önem taşıyan sakız ağaçları üzerinde ciddi tehdit oluşturmaktadır. Bu çalışmanın amacı yenilikçi bir yaklaşım olan makine öğrenmesi algoritmalarından yararlanarak, su hasadı yöntemi olarak kullanılan modifiye edilmiş V-şekilli mikrohavzalarda yetişen sakız ağacı (Pistacia lentiscus var. chia Duham.) fidanlarının çok boyutlu morfolojik büyüme performansına dair tahmin modellerini geliştirmektir. Bu çalışma kapsamında kullanılan veriler, Türkiye'de yer alan Çeşme'de bir blok, Urla'da ise iki blok olmak üzere toplamda üç bloktan elde edilmiştir. Her bir blokta su hasadı tekniği olarak oluşturulan V-şekilli mikrohavzalarda 4 farklı işlemin (1-Mikoriza, 2-Polimer, 3-Osmoprotektan, 4-Polimer+Osmoprotektan) uygulaması yapılmıştır. Bu işlemlere ek olarak su hasadı için kontrol ünitesi de oluşturulmuştur. Ayrıca ağaçlandırmalarda geleneksel yöntem olarak kullanılan teraslar oluşturularak bir kontrol ünitesi daha yapılmıştır. Böylece çalışmada, oluşturulan toplam 150 adet V-şekilli mikrohavzalara 240 adet, teraslara ise 60 adet fidan 2022 şubat ayında dikilmiştir. 2024 yılı hariç olmak üzere 2022-2025 arasındaki büyüme dönemlerine ilişkin fidanların arazideki kök boğazı çap ve boyları ölçülmüştür. 2024 yılı için ise çap ve boy veri üretimi gerçekleştirilmiştir. Elde edilen tüm verilerle gürbüzlük indeksi hesaplanarak kapsamlı bir veri seti oluşturulmuştur. Stres faktörlerini (kuraklık, aşırı rüzgâr, sıcaklık vb.) yoğun olarak içeren yetişme ortamı koşullarının göz önüne alınmasıyla modifiye edilen V-şekilli mikrohavzaların kullanımı ile ilk defa gerçekleştirilen sakız ağacı ağaçlandırmasından elde edilen bu çok boyutlu morfolojik veri seti çeşitli makine öğrenmesi teknikleriyle analiz edilmiştir. Geleneksel tek değişkenli yaklaşımların ötesine geçilerek, çok boyutlu morfolojik analiz yaklaşımı benimsenmiştir. Yapay Sinir Ağları, Rastgele Orman ve XGBoost algoritmalarının her birinin üç farklı varyasyonu geliştirilerek toplam 9 model oluşturulmuş ve bu modellerin tamamı fidan boyu, kök boğazı çapı ve gürbüzlük indeksi olmak üzere her üç morfolojik özellik için test edilmiş ve performansları detaylı şekilde karşılaştırılmıştır. Performans farkı %15'in altında olan modeller için ensemble (topluluk) yaklaşımı uygulanmış ve sadece fidan boyu parametresi için ensemble model geliştirilmiştir. Analizler, V-şekilli mikrohavzaların geleneksel teraslama yöntemine kıyasla tüm morfolojik parametrelerde fidan performansına ilişkin belirgin üstünlüğünü ortaya çıkarmıştır. Fidan boyu tahmininde Yapay Sinir Ağı Model 1 (MAE: 2.2042, R²: 0.9879) en yüksek performansı sergilemiş, ensemble model yaklaşımı ile bu performans daha da artırılmıştır (MAE: 2.1138, R²: 0.9869). Kök boğazı çapı tahmininde Yapay Sinir Ağı Model 1 (MAE: 0.4041, R²: 0.9972) ve gürbüzlük indeksi tahmininde Yapay Sinir Ağı Model 3 (MAE: 0.2053, R²: 0.9123) en yüksek performansı göstermiştir. Geliştirilen modeller kullanılarak 2030 yılına kadar uzun vadeli tahminler yapılmış ve osmoprotektan işleminin tüm morfolojik parametrelerde en yüksek büyüme performansı göstereceği öngörülmüştür. Çalışmada uygulanan çok boyutlu morfolojik modelleme yaklaşımı ile makine öğrenmesi tekniklerinin bitki büyümesini tahmin etme konusunda sadece ormancılık alanında değil tarım ve peyzaj alanında da kullanım potansiyeli bulunmaktadır. Bu çalışma, sakız ağacı özelinde su hasadı yöntemlerinin çok boyutlu morfolojik parametre tahmini ile makine öğrenmesi teknikleriyle birlikte analiz edildiği literatürdeki ilk çalışmadır.
Özet (Çeviri)
Climate change-induced factors such as increasing temperatures during growing seasons and declining soil moisture pose serious threats to mastic trees, which have limited geographical distribution but are of great ecological and economic importance. The objective of this study is to develop predictive models for the multi-dimensional morphological growth performance of mastic tree (Pistacia lentiscus var. chia Duham.) seedlings grown in modified V-shaped micro-catchments used as a water harvesting method, utilizing machine learning algorithms as an innovative approach. The data used in this study were obtained from three blocks in total: one block in Çeşme and two blocks in Urla, Turkey. Four different treatments (1-Mycorrhiza, 2-Polymer, 3-Osmoprotectant, 4-Polymer+Osmoprotectant) were applied in V-shaped micro-catchments created as water harvesting techniques in each block. In addition to these treatments, a control unit for water harvesting was also established. Furthermore, another control unit was created by constructing terraces used as a traditional method in afforestation. Thus, in the study, 240 seedlings were planted in a total of 150 V-shaped micro-catchments and 60 seedlings were planted on terraces in February 2022. Except for 2024, root collar diameters and heights of seedlings were measured in the field for the growth periods between 2022 and 2025. For the year 2024, diameter and height data were generated. A comprehensive data set was created by calculating the sturdiness index with all the data obtained. This multi-dimensional morphological dataset, obtained from mastic tree afforestation conducted for the first time using modified V-shaped micro-catchments considering growing environment conditions that intensively include stress factors (drought, excessive wind, temperature, etc.), was analyzed using various machine learning techniques. Moving beyond traditional univariate approaches, a multi-dimensional morphological analysis approach was adopted. Three different variations of Artificial Neural Networks, Random Forest, and XGBoost algorithms were developed, creating a total of 9 models, and all of these models were tested for each of the three morphological parameters (seedling height, root collar diameter, and sturdiness index) with their performances compared in detail. For models with performance differences below 15%, an ensemble approach was applied, and an ensemble model was developed only for the seedling height parameter. The analyses revealed the distinct superiority of V-shaped micro-catchments over the traditional terracing method across all morphological parameters in terms of seedling performance. For seedling height prediction, Artificial Neural Network Model 1 achieved the highest performance (MAE: 2.2042, R²: 0.9879), and this performance was further enhanced through the ensemble model approach (MAE: 2.1138, R²: 0.9869). For root collar diameter prediction, Artificial Neural Network Model 1 (MAE: 0.4041, R²: 0.9972) and for sturdiness index prediction, Artificial Neural Network Model 3 (MAE: 0.2053, R²: 0.9123) showed the highest performance. Using the developed models, long-term predictions were made until 2030, and it was predicted that osmoprotectant treatment would show the highest growth performance in all morphological parameters. The multi-dimensional morphological modeling approach applied in this study demonstrates that machine learning techniques have potential for use not only in forestry but also in agriculture and landscape applications for predicting plant growth. This study represents the first work in the literature where water harvesting methods specific to mastic trees are analyzed in conjunction with multi-dimensional morphological parameter prediction using machine learning techniques.
Benzer Tezler
- V-şekilli mikrohavzalarda suyun etkin kullanımıyla iklim değişikliğine karşı ekosistem rehabilitasyonu
Ecosystem rehabilitation against climate change through effective water use in V-shaped microcatchments
YASİN KARAŞİN
Doktora
Türkçe
2025
Ormancılık ve Orman Mühendisliğiİzmir Katip Çelebi ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT TOPRAK
- V-şekilli kompozit panel plakaların kara mayını patlamaları esnasında koruyuculuklarının sonlu elemanlar analizleri ile araştırılması
Investigation of protection of V-shaped composite panel plates during landmine explosions by finite element analysis
HARUN SELİM ADIBELLİ
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiGebze Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. FEVZİ BEDİR
- Otoyol bileşenlerinin seçiminde seldağınaklık sisteminin önemi: Pozantı-E5-Ereğli Kavşağı Otoyolu
The Importance of the artificial dyke method in motorway alignment selection: The Motorway of Pozantı-E5-Ereğli Interchange
LEVENT AKDUMAN
Doktora
Türkçe
2003
Jeoloji MühendisliğiÇukurova ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. AZİZ ERTUNÇ
- Yarım V - şekilli kuantum kuyusunun optiksel özellikleri
The optical properties of semi-V-shaped quantum well
SİBEL ALİM
Yüksek Lisans
Türkçe
2019
Fizik ve Fizik MühendisliğiSivas Cumhuriyet ÜniversitesiOptik Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH UNGAN
- Ters V-şekilli bir kuantum kuyusunun doğrusal ve doğrusal olmayan optik özellikleri
Linear and non-linear optical properties of inverse V-shaped single quantum well
ARİFE BİLGİN
Yüksek Lisans
Türkçe
2019
Fizik ve Fizik MühendisliğiSivas Cumhuriyet ÜniversitesiOptik Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH UNGAN