Sentinel-2 uydu görüntüleri kullanılarak patates verim tahmini çalışması
Yield estimation of potato plant using sentinel-2 satellite images
- Tez No: 995332
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER GÖKBERK NARİN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Patates, Sentinel-2, Bitki İndeksleri, Regresyon, CNN, Verim Tahmini, Potato, Sentinel-2, Vegetation İndexes, Regression, CNN, Yield Estimation
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünya üzerinde artan nüfus, iklim değişikliği, gıda güvenliği ve tarımsal üretimin önemi günümüzün en önemli konularından biri haline gelmesinden dolayı tarımsal üretimin izlenmesi, bitkilerin ihtiyacına göre planlamaların yapılması ve verimin önceden tahmin edilmesine yönelik uzaktan algılama temelli yaklaşımlar, sürdürülebilir tarım uygulamalarının yapılması açısından kritik bir rol oynamaktadır. Bu çalışmada dünyada insani tüketim açısından ve endüstriyel kullanımıyla önem arz eden tarımsal ürünlerden bir tanesi olan patates (Solanum tuberosum L.) bitkisi çalışma ürünü olarak belirlenmiştir. Bu yüzden Afyonkarahisar ili Sinanpaşa ilçesi Taşoluk beldesinde bulunan patates ekili tarım arazilerinde, Sentinel-2 uydu görüntüleri kullanılarak üretilen bitki indeksleri ile bitki gelişiminin zamansal olarak incelenmesi, zaman serileri ile gerçek verim değerlerinin arasındaki ilişkilerin belirlenmesi ve kullanılabilir verim modellerinin oluşturulması amaçlanmıştır. Çalışma kapsamında, 2024 ve 2025 patates üretim sezonlarında yersel gözlem verileri ile Google Earth Engine platformu kullanılarak 2024 yılına ait 37 adet ve 2025 yılına ait 56 adet Sentinel-2 uydu görüntüsü elde edilmiştir. Normalize Edilmiş Bitki Örtüsü Fark İndeksi (Normalized Difference Vegetation Index-NDVI), Yeşil Bant Normalize edilmiş Bitki Örtüsü Fark İndeksi (Green Normalized Difference Vegetation Index-GNDVI), Normalize Edilmiş Kırmızı Kenar Bitki İndeksi (Normalized Difference Red Edge Index-NDRE), Toprak Etkisi Düzeltilmiş Bitki Örtüsü İndeksi (Soil Adjusted Vegetation Index-SAVI), Geliştirilmiş Bitki Örtüsü İndeksi (Enhanced Vegetation Index-EVI) ve Patates Verimlilik İndeksi (Potato Productivity Index-PPI) indeksleri üretilmiştir. Üretilen indeksler ile yersel verim değerleri arasında korelasyon analizleri yapılmıştır. Elde edilen bulgularda korelasyon değerlerinin fenolojik evrelere bağlı olarak değiştiği ve vejetatif gelişimin yoğun olduğu dönemlerde korelasyon değerlerinin arttığı gözlemlenmiştir. 2024 yılında en iyi korelasyon sürgün gelişim fenolojik evresinde r = 0.59 PPI indeksinde iken 2025 yılında r = 0.81 EVI indeksinde korelasyon ilişkisi görülmüştür. 2024 ve 2025 yılına ait veriler birlikte incelendiğinde r = 0.71 NDVI 3. Evrede görülmüştür. Bitki indeksleri ile gerçek verim arasındaki ilişkilerin korelasyon analizleriyle ilişkileri bulgularda elde edilmesiyle hasat öncesi verim tahmini yapılabilmesi amacıyla lineer regresyon ve Evrişimsel Sinir Ağı (Convolutional Neural Network-CNN) modelleri oluşturulmuştur. Oluşturulan modeller NDVI, GNDVI, NDRE indekslerinin fenolojik evrelere göre oluşturulan zaman serileri kullanılarak model eğitilmiş olup lineer regresyon sonucunda R² = 0.78 ile NDRE sürgün gelişimi evresinde, CNN modellemesi sonucunda R² = 0.80 ile NDRE sürgün gelişim evresinde göstermiş olup modellerin verimi temsil edebileceği gözlemlenmiştir. 2026, x + 49 sayfa
Özet (Çeviri)
In this thesis, due to the increasing population, climate change, food security, and the importance of agricultural production becoming one of the most critical issues of today, remote sensing-based approaches for monitoring agricultural production, planning according to plant needs, and predicting yields play a critical role in implementing sustainable agricultural practices. In this study, the potato (Solanum tuberosum L.) plant, one of the agricultural products that is important for human consumption and industrial use worldwide, was selected as the study product. Therefore, in potato-cultivated agricultural fields located in the village of Taşoluk, Sinanpaşa district, Afyonkarahisar province, the aim is to examine plant development over time using plant indices generated from Sentinel-2 satellite images, determine the relationships between time series and actual yield values, and create usable yield models. Within the scope of the study, 37 Sentinel-2 satellite images for 2024 and 56 for 2025 were obtained using local observation data and the Google Earth Engine platform for the 2024 and 2025 potato production seasons. The Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), Normalized Difference Red Edge Index (NDRE), Soil Adjusted Vegetation Index (SAVI), Enhanced Vegetation Index (EVI), and Potato Productivity Index (PPI) indices were produced. Correlation analyses were performed between the estimated indices and ground truth (actual yield value). The findings revealed that correlation values changed depending on phenological stages and increased during ABSTRACT (continued) periods of intense vegetative growth. In 2024, the best correlation was observed in the shoot development phenological stage with r = 0.59 in the PPI index, while in 2025, a correlation relationship was observed with r = 0.81 in the EVI index. When the data for 2024 and 2025 were examined together, r = 0.71 was observed in NDVI Stage 3. Linear regression and Convolutional Neural Network (CNN) models were created to predict pre-harvest yield by finding the relationships between plant indices and actual yield through correlation analysis. The models were trained using time series created according to phenological stages of NDVI, GNDVI, and NDRE indices. The linear regression resulted in R² = 0.78 for the NDRE shoot development stage, and the CNN modeling resulted in R² = 0.80 for the NDRE shoot development stage, indicating that the models can represent yield. 2026, x + 49 pages
Benzer Tezler
- Classification of agricultural lands by remote sensing methods: Konya plain (Çumra regıon)
Uzaktan algılama yöntemleriyle tarım arazilerinin sınıflandırılması: Konya ovası (Çumra bölgesi)
EMRE TOKLUOĞLU
- A.Ü. Sosyal Bilimler Enstitüsü`nde kayıtlı lisans üstü öğrencilerinin sorunları
Başlık çevirisi yok
GÜL MEYDAN
