Enerji sistemlerinde yeni teknolojiler ve federated learning ile tarımda görüntü işleme uygulamaları
New technologies in energy systems and image processing applications in agriculture with federated learning
- Tez No: 992640
- Danışmanlar: DR. ÖĞR. ÜYESİ SİNA APAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Federated Learning, Yenilenebilir Enerji Tahmini, Bitki Hastalıkları, Görüntü İşleme, Veri Gizliliği, Derin Öğrenme, Sürdürülebilir Tarım, Dağıtık Yapay Zeka, Federated Learning, Renewable Energy Forecasting, Plant Disease Detection, Image Processing, Data Privacy, Deep Learning, Sustainable Agriculture, Distributed Artificial Intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Fen Bilimleri Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Federated Learning (FL) yöntemlerinin yenilenebilir enerji tahmini ve bitki hastalıklarının erken teşhisi gibi kritik uygulamalardaki rolünü kapsamlı bir şekilde incelemektedir. FL, verilerin merkezi bir sunucuda toplanmadan yerel cihazlarda işlenmesini sağlayarak veri gizliliği ve güvenliğini ön planda tutar. Yenilenebilir enerji sistemlerinde, farklı üretici ve tüketicilerin verilerini paylaşmadan ortak modeller oluşturulması sayesinde tahminlerin doğruluğu ve güvenilirliği artırılmaktadır. Tarımda ise FL, çiftçilerin hassas verilerini koruyarak dijital tarım uygulamalarının etkinliğini artırmaktadır. Enerji sektöründe FL'nin yatay, dikey ve transfer federated learning gibi farklı mimarileri, sistem heterojenliği ve iletişim maliyetleri gibi zorlukların üstesinden gelmekte önemli avantajlar sunmaktadır. FL'nin blokzincir ve uç bilişim gibi yükselen teknolojilerle entegrasyonu, enerji altyapılarının dayanıklılığını ve esnekliğini artırmaktadır. Bununla birlikte, model yakınsama, standart eksikliği ve güvenlik protokolleri gibi mevcut engellerin aşılması için daha fazla araştırma ve geliştirme gerekmektedir. Tarım alanında, görüntü işleme ve yapay zeka teknolojileriyle birlikte kullanılan FL, bitki hastalıklarının erken teşhisinde yüksek doğruluk ve hızlı müdahale imkanı sağlamaktadır. Veri çeşitliliği, model optimizasyonu ve kullanıcı eğitimi gibi konular, teknolojinin yaygınlaşması için kritik öneme sahiptir. Ekonomik, politik ve eğitimsel stratejilerle desteklenen FL tabanlı çözümler, sürdürülebilir tarım ve gıda güvenliği hedeflerine katkıda bulunmaktadır. Sonuç olarak, Federated Learning, veri gizliliği, sistem esnekliği ve model doğruluğu açısından enerji ve tarım sektörlerinde devrim niteliğinde bir yaklaşım sunmaktadır. Bu teknolojinin daha geniş uygulama alanlarına yayılması için disiplinler arası iş birliği, standartlaştırma ve yenilikçi iş modellerinin geliştirilmesi büyük önem taşımaktadır. Gelecekte FL, sürdürülebilir ve güvenli yapay zeka uygulamalarının temelini oluşturarak dijital dönüşümün hızlanmasına öncülük edecektir.
Özet (Çeviri)
This study comprehensively examines the role of Federated Learning (FL) methods in critical applications such as renewable energy forecasting and early detection of plant diseases.FL enables decentralized data processing on local devices without aggregating raw data on a central server, ensuring data privacy and security. In renewable energy systems, FL enhances prediction accuracy and reliability by collaboratively training models across distributed producers and consumers without sharing sensitive data. In agriculture, FL supports precision farming by protecting farmers' data privacy while improving disease diagnosis through advanced AI models.In the energy sector, FL architectures such as horizontal, vertical, and federated transfer learning address challenges like system heterogeneity and communication costs, offering significant advantages.Integration of FL with emerging technologies such as blockchain and edge computing strengthens the resilience and flexibility of energy infrastructures.However, overcoming issues related to model convergence, lack of standards, and security protocols requires further research and development. In agriculture, FL combined with image processing and AI technologies provides accurate and timely detection of plant diseases, facilitating targeted interventions. Addressing challenges in data diversity, model optimization, and user training is crucial for widespread adoption. Supported by economic, policy, and educational strategies, FL-based solutions contribute significantly to sustainable agriculture and global food security. In conclusion, Federated Learning offers a transformative approach in both energy and agricultural sectors by enhancing data privacy, system flexibility, and model accuracy. Expanding its applications necessitates interdisciplinary collaboration, standardization, and innovative business models.FL is poised to accelerate digital transformation by underpinning secure and sustainable AI deployments in the future.
Benzer Tezler
- Pasif güneş enerjisi sistemi ile bina ısıtılmasının ekonomik analizi
Başlık çevirisi yok
AHMET AKDENİZ
- Plazma arkı eldesi ve yüzey bölgesi modifikasyonunda kullanılabilirliği
Başlık çevirisi yok
ÖZKAN ÖZİPEKLİLER
