Google Earth Engine platformu kullanılarak mevcut güneş tarlalarının belirlenmesi ve güneş tarlaları için yer seçimi
Determination of existing solar farms and site selection for solar farms using Google Earth Engine platform
- Tez No: 970123
- Danışmanlar: PROF. DR. DİLEK KOÇ SAN
- Tez Türü: Doktora
- Konular: Şehircilik ve Bölge Planlama, Jeodezi ve Fotogrametri, Enerji, Urban and Regional Planning, Geodesy and Photogrammetry, Energy
- Anahtar Kelimeler: Arazi görüntüleme, Güneş enerjisi santrali, Sayısal görüntü analizi, Sayısal görüntü işleme, Tesis yer seçimi, Uydu görüntüleri, Landscape rendering, Solar energy plant, Digital image analysis, Digital image processing, Site selection, Satellite images
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Şehir ve Bölge Planlama Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yenilenebilir enerji kaynakları iklim değişikliğinin olumsuz etkilerinin azaltılması, sürdürülebilirlik ve çevresel değerlerin korunması açısından önemlidir. Bu çalışmada, yenilenebilir enerji kaynaklarından güneş enerjisine yönelerek önce güneş tarlalarının mevcut konumlarının uzaktan algılama verileri ve makine öğrenme algoritmaları ile tespit edilmesi, sonrasında da yeni yapılabilecek kurulum alanları için uygun yer seçimi önerilmesi amaçlanmıştır. Çalışmada başlıca üç aşama bulunmaktadır: (i) Mevcut güneş tarlalarının Makine Öğrenme Algoritmaları kullanılarak belirlenmesi, (ii) Güneş tarlaları için uygun alanların Coğrafi Bilgi Sistemleri (CBS) tabanlı Çok Kriterli Karar Analizi (Multi-Criteria Decision Analysis - MCDA) yöntemleri kullanılarak tespit edilmesi ve (iii) Mevcut güneş tarlaları ile potansiyel alanların karşılaştırılması ve değerlendirilmesi. İlk aşamada çalışma alanı olarak belirlenen Antalya ili için sahip olduğu mevcut güneş tarlası kurulu gücünün bulut tabanlı Google Earth Engine (GEE) Platformu kullanılarak Rastgele Orman (Random Forest - RF), Destek Vektör Makineleri (Support Vector Machines - SVM) ve Sınıflandırma ve Regresyon Ağaçları (Classification and Regression Trees - CART) Makine Öğrenme Algoritmaları aracılığıyla sınıflandırma yapılması ile güneş tarlalarının tespit edilmesi üzerine çalışılmıştır. Kullanılan uydu görüntülerine; Arazi Yüzey Sıcaklığı, Dijital Yükseklik Modeli (Digital Elevation Model - DEM) ve bitki örtüsü, su, toprak, nem ve kentsel alanlara ilişkin indeks görüntüleri, ek bant olarak eklenmiş ve hiper parametre ayarlaması yapılmıştır. Ek bantların doğruluk sonuçları üzerindeki etkileri değerlendirilmiştir. Sınıflandırma algoritmalarının doğrulukları Hata Matrisi ve McNemar's Test yöntemleri ile karşılaştırılmıştır. Elde edilen sonuçlara göre Antalya ili için güncel güneş tarlası haritası oluşturulmuştur. İkinci aşamada MCDA yöntemleri ile güneş tarlaları için uygun alanların tespit edilmesi amacıyla yer seçimi yapılmıştır. Bu aşamada Analitik Hiyerarşi Süreci (Analytic Hierarchy Process, AHP) ve İdeal Çözüme Benzerliğe Göre Sıralama Tekniği (Technique for Order Preference by Similarity to Ideal Solution, TOPSIS) yöntemleri kullanılmıştır. Literatür taraması ve uzman görüşleri doğrultusunda iklim, lojistik ve coğrafyaya yönelik kriterler belirlenmiştir. Belirlenen kriter haritaları oluşturulduktan ve kriter ağırlıkları elde edildikten sonra AHP için Ağırlıklı Çakıştırma (Weighted Overlay) analizi, TOPSIS için Ters Mesafe Ağırlıklandırması (Inverse Distance Weighted, IDW) enterpolasyon yöntemi kullanılarak potansiyel açıdan uygun alan haritaları oluşturulmuştur. Son aşamada ise tespit edilen mevcut güneş tarlası alanları ile belirlenen uygun alanlar karşılaştırılmış ve sonuçları planlama açısından değerlendirilmiştir. Elde edilen sonuçlara göre, mevcut güneş tarlalarının belirlenmesinde en doğru sonucu %89 genel doğruluk değeri ile SVM algoritması vermiştir. Genel doğruluk değeri RF algoritması sonucu için %86, CART algoritması sonucu için ise %72 olarak hesaplanmıştır. Hata Matrisi ile elde edilen bu değerler, McNemar's Test ile yapılan ikili karşılaştırma matrisi sonucunda tutarlı ve anlamlı çıkmıştır. Yer seçimi sonuçlarına göre AHP ile çalışma alanının %27,46'sı güneş tarlası yer seçimi için çok uygun çıkmıştır, TOPSIS sonuçlarında da bu oran %34,93'tür. AHP ile elde edilen sonuçlar daha detaylı iken; TOPSIS ile elde edilen sonuçlar enterpolasyonun etkisiyle daha genelleyici bir dağılım göstermiştir. AHP ve TOPSIS ile elde edilen çok uygun alanların kesişimi alındığında ise bu oranın %15,28 olduğu sonucuna ulaşılmıştır.
Özet (Çeviri)
Renewable energy sources are important in terms of reducing the negative effects of climate change, sustainability and protection of environmental values. In this study, by focusing on solar energy among renewable energy sources, it is aimed to determine the current locations of solar fields by using remote sensing data and machine learning algorithms, and then to recommend suitable locations for new installation areas. There are mainly three stages in the study: (i) Identification of existing solar farms using Machine Learning Algorithms, (ii) Identification of suitable areas for solar farms using GIS based Multi-Criteria Decision Analysis (MCDA) Methods and (iii) Comparison and evaluation of existing solar farms and potential areas. In the first stage, the existing solar farm installed capacity of Antalya province, which was determined as study area, was classified using Machine Learning Algorithms of Random Forest (RF), Support Vector Machines (SVM) and Classification and Regression Trees (CART) via the cloud-based Google Earth Engine (GEE) Platform. The Land Surface Temperature, Digital Elevation Model (DEM) and indices related to vegetation, water, soil, humidity, urban, were added to the satellite images as additional bands and hyper parameter tuning were applied. The effects of the additional bands on the accuracy results were evaluated. The accuracies of the classification algorithms were compared by Error Matrix and McNemar's Test methods. According to the results obtained, an up-to-date solar farm map has been created for Antalya province. In the second stage, site selection was carried out using MCDA methods to identify suitable areas for solar farms. At this stage, Analytic Hierarchy Process (AHP) and Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) methods were used. Criteria related to climate, logistics and geography were determined based on the literature review and expert opinions. After the criteria maps were created and criteria weights were obtained, potentially suitable area maps were created using Weighted Overlay analysis for AHP and Inverse Distance Weighted (IDW) interpolation method for TOPSIS. In the last stage, the detected solar farm areas were compared with the determined suitable areas, and the results were evaluated in terms of planning. According to the results obtained, the SVM algorithm provided the most accurate result in determining existing solar farms with overall accuracy value of 89%. The overall accuracy value was computed as 86% for RF algorithm result and 72% for CART algorithm result. These values were obtained with the Error Matrix, and they were found to be consistent and meaningful when compared with the results of the pairwise comparison matrix using McNemar's test. According to the site selection results, 27.46% of the study area was found to be very suitable for solar farm site selection with AHP, while this rate was 34.93% in TOPSIS results. While the results obtained with AHP were more detailed, the results obtained with TOPSIS showed a more generalised distribution due to the effect of interpolation.
Benzer Tezler
- Coğrafi bilgi sistemleri (CBS) tabanlı iklim ve toprak özelliklerinin sürdürülebilir bitkisel üretime etkisi: Karacadağ güney kesimi (Viranşehir-Ceylanpınar ilçeleri) örneği
The effect of geographic information systems (GIS) based climate and soil characteristics on sustainable crop production: The example of Karacadağ southern section (Viranşehir-Ceylanpinar districts)
SELMAN ORHAN
- Assessment of spatio-temporal variations in lake surface using landsat imageries and Google Earth Engine
Göl yüzeyindeki mekansal ve zamansal değişimlerin landsat görüntüleri ve Google Earth Engine kullanılarak değerlendirilmesi
MOHAMMED M. Y. ALBARQOUNI
Yüksek Lisans
İngilizce
2022
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİLİZ BEKTAŞ BALÇIK
- Sentinel-2 uydu verileri ile arazi kullanım sınıflandırması: Makine öğrenmesi algoritmalarının karşılaştırılması
Land use classification with sentinel-2 satellite data: Comparison of machine learning algorithms
MEHMET OKTAY KUTRAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH YILDIZ
- Arazi örtüsü/arazi kullanımı ve arazi yüzey sıcaklıkları ilişkisinin zamansal-mekansal analizi ve gelecek için modellenmesi
Spatio-temporal analysis of the relationship of land use/land cover and land surface temperatures and its modeling for the future
NAGİHAN ASLAN
Doktora
Türkçe
2023
Bilim ve TeknolojiAkdeniz ÜniversitesiUzay Bilimleri ve Teknolojisi Ana Bilim Dalı
PROF. DR. DİLEK KOÇ SAN
- Orta Anadolu'daki sulak alanların zamansal-mekansal değişim analizi ve gelecek projeksiyonları
Spatotemporal change analysis and future projections of wetlands in Central Anatolia, Türkiye
HİLAL DAŞDEMİR
Yüksek Lisans
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU