Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: İngilizce
Öğrenci: AYŞENUR ÖZCAN
Asıl Danışman (Eş Danışmanlı Tezler İçin): Mehmet Lütfi Süzen
Eş Danışman: Ugur Murat Leloğlu
Özet:Mahsul verimlerinin zamanında tahmin edilmesi, uluslararası kuruluşların yanı sıra hükümetler, çiftçiler ve mahsullerle beraber ilgili ürünlerin depolanması, ithalat ve ihracat ile ilgilenen özel sektör tarafından küresel gıda üretiminin izlenmesi için kritik öneme sahiptir. Uzaktan algılama, küresel ölçekte gerçek zamana yakın bilgi sağlama yeteneğine sahiptir. Mahsul verimlerini tahmin etmek için uydu verilerini ve bilgisayar programlarıyla hesaplama tekniklerini birleştirmek, mahsul verimlerini sürekli olarak tahmin etmek için oldukça etkili bir stratejidir. Bu tez, fotosentetik pigmentlerle ilişkili olabilecek tahmini son üye bolluklarına dayalı olarak mahsul verimlerinin doğru ve sürdürülebilir bir şekilde tahmin edilmesi için yeni bir yaklaşım sunmaktadır. Fenolojik döngüde bitkilerin maksimum yeşillikte oldukları sırasında çekilen Landsat 8 görüntüleri, sağlam işbirlikçi negatif olmayan matris çarpanlarına ayırma (R-CoNMF) karıştırma algoritması kullanarak saf buğday mahsul pikselleri içindeki son üyeleri ve bollukları bulmak için girdi olarak kullanılmışlardır. Son üyeler, verim için bolluğun tahmin gücünü en üst düzeye çıkarmak için optimize edilmiştir. Daha sonra buğday verimleri, dört bolluk değeri, bunların ilgili etkileşimleri, bu tezde ilk kez önerilen parametreler dahil on önemli agrometeorolojik parametre ve üç farklı makine öğrenme algoritması, yani viii Genelleştirilmiş Doğrusal Model (GLM), Yapay Sinir Ağı (YSA) ve Rastgele Ormanlar (RF) kullanılarak tahmin edilmiştir. Türkiye'nin 31 iline dağılmış 142 buğday tarlasından hasat kayıtları, algoritmanın testinde yer kontrolü olarak kullanılmıştır. Literatürde determinasyon katsayısı (R2 ), tahmin edilen ve gerçek rakamlar arasındaki ilişkinin ne kadar iyi olduğunu göstermek için bir temsilci olarak kullanılmaktadır. Buna göre, GLM algoritmasında sadece bolluklar kullanıldığında verimler %64 doğrulukla tahmin edilmiş, YSA ile tahmin yapıldığında %78 tahmin oranına ulaşılmış, ve ilgili tüm parametrelere RF uygulanırken ise %82 doğruluk seviyesine ulaşılmıştır. Son üyelerin kestirim güçleri ile birlikte fotosentetik pigment spektral imzalara benzerliği, pigmentlerle ilişkilerini göstermiştir. Her ne kadar R-CoNMF algoritması, fotosentetik pigmentlerin derin karışımının lineer çözülmesini gerçekleştirse de, son üye optimizasyonu ve sınıflandırmalarda kullanılan bollukların etkileşimleri bilineer model kullanılarak doğrusal olmama durumunu kısmen ele almaktadır. Bu sonuçlar sadece çok-bantlı uydu verileri kullanıldığında büyük bir başarı olarak değerlendirilebilir ve HyspIRI gibi gelecekteki hiperspektral uzay görevleri görüntüleri kullanılırken çok daha iyi sonuçların elde edilebileceğinin bir göstergesi olarak kabul edilebilir.