Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi
Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi
dc.contributor.advisor | Sertel, Elif | |
dc.contributor.author | Aksoy, Samet | |
dc.contributor.authorID | 501191640 | |
dc.contributor.department | Geomatik Mühendisliği | |
dc.date.accessioned | 2024-03-12T05:32:56Z | |
dc.date.available | 2024-03-12T05:32:56Z | |
dc.date.issued | 2023-01-16 | |
dc.description | Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, 2023 | |
dc.description.abstract | Toprak çok önemli bir doğal kaynak olmanın yanı sıra yaşadığımız ekosistemin değişmez bir parçasıdır. Her doğal kaynak gibi toprakta tüketimi ve kullanımı konusunda dikkat edilmesi gereken bir kaynaktır. Toprak özellikle tarımsal faaliyetler için vazgeçilmez bir konumdadır. Ancak tarımsal faaliyetlerde aşırı sulama, yer altı sularının fazla kullanımı, iklim değişikliği, tozla taşınma gibi sebepler yüzünden tuzlanmalar meydana gelmektedir. Bu tuzlanma durumu toprak tuzluluğu olarak incelenmektedir. Toprak tuzluluğu birçok nedenden dolayı meydana gelse de insani faaliyetler toprağın bu tuzlanma sürecini hızlandırmaktadır. Özellikle de iklim değişikliğinin son yıllarda etkisinin artması ile birlikte toprak tuzluluğu problemi küresel bir boyuta ulaşmıştır. Bu problemin küresel ölçekte anlamak için Birleşmiş Milletler Gıda ve Tarım Örgütünün yaptığı araştırmalar incelenebilir. Örgüte göre dünya üzerinde 397 milyon hektar alan tuzlu topraklar ile kaplıdır. Bu alanların artması ise dünyayı gıda krizi, ekonomik kriz gibi sıkıntılara sokacağı öngörülmektedir. Toprak tuzluluğu ile mücadelede izleme ve tespit etme müdahale kadar önemlidir. Doğru alanlara erken teşhis ile gerekli düzenlemeler ile toprak tuzluluğunun artması önlenebilir. Toprak tuzluluğunun tespitinde uzaktan algılama sistemleri sıklıkla kullanılmaktadır. Özellikle optik sistemler toprağın spektral yansıtım değerlerini inceleyerek tuzluluk seviyesi hakkında bilgi verebilirler. Makine öğrenme algoritmaları çevre problemlerinin modellenmesi için literatürde sıklıkla kullanılmaktadır. Özellikle rastgele orman, destek vektör makineleri gibi popüler yöntemler toprak tuzluluğu tespiti içinde kullanılmaktadır. Bu çalışma kapsamında rastgele orman yöntemine ek olarak XGBoost algoritması da kullanılmıştır. Toprak tuzluluğunu seçilen iki çalışma alanında incelemek için yersel toprak örnekleri ile mekânsal ve zamansal olarak eşleşen Landsat 8 uydu görüntüleri kullanılmıştır. Batı Urmiye Playası için 2018 yılında son bahar mevsiminde 71 adet toprak örneği toplanmışken, Bonab bölgesi için ise 74 adet toprak örneği 2014 yılında son bahar mevsiminde toplanmıştır. Batı Urmiye Playasında toprak örnekleri 1:2.5 süspansiyonda hazırlanan solüsyonlar ile elektriksel iletkenlikleri laboratuvar ortamında ölçülmüştür. Bonab bölgesi için ise iletkenlikler doğrudan Jenway 4510 iletkenlik ölçer ile ölçülmüştür. Toprak tuzluluk örnekleri tuzluluk seviyelerine göre eşit olarak dağılıma sahip olmadıkları için veri çeşitlendirme yöntemleri kullanılmıştır. Bu yöntemler ise rastgele aşırı örnekleme ve sentetik azınlık aşırı örnekleme tekniği kullanılmıştır. Makine öğrenme problemlerinde olan veri dengesizliği bu şekilde giderilmesi amaçlanmıştır. Google Earth Engine (GEE) sunduğu petabaytlarca analize hazır mekânsal veri ve hesaplama gücü ile kullanıcılarına büyük verileri hızlıca analiz edip görselleştirmesini sağlar. Bu çalışma kapsamında GEE uydu görüntülerinin işlenmesi, makine öğrenme modeli için özelliklerin üretimi ve analizi için kullanılmıştır. Toprak tuzluluğunu modellemek için SCORPAN formülü baz alınarak özellikler tanımlanmıştır. Bu değişkenler toprağın parametrelerini, iklimini, bitki örtüsünü, litolojisi vb. modellemek için kullanılır. Toplamda 26 adet özellik oluşturulmuştur. Geliştirilen modelleri açıklayabilmek için açıklanabilir yapay zekâ yöntemlerinden olan SHAP yöntemi tercih edilmiştir. Modelden bağımsız olarak sonuçları açıklayabilmesi yöntemi öne çıkarmaktadır. Yöntem ile modelleri açıklarken 3 temel başlık üzerinde durulmuştur. Bunlar sırasıyla özelliklerin modele olan mutlak katkıları, özelliklerin değerlerine göre modele katkısının hangi yönde olduğu ve test örnekleri bazında değişkenlerin modele katkıları incelenmiştir. Çalışmanın bulguları yani toprak tuzluluk haritaları 6 farklı kombinasyona göre üretildi, doğruluk analizi yapıldı ve açıklandı. Bu kombinasyon 2 farklı makine öğrenme algoritmasının ve 3 farklı veri çeşitlendirme yönteminden ileri gelmektedir. Doğruluk analizi sonuçlarına göre Batı Urmiye Playasında XGBoost yöntemi rastgele aşırı örnekleme metodu ile birlikte en iyi sonuca ulaşmıştır. R² değeri olarak 0.76 değerine ve RMSE olarak 16.60 değerine ulaşmıştır. Bonab bölgesi için ise yine XGBoost yöntemi bu kez SMOTE aşırı örnekleme yöntemi ile en yüksek doğruluğa ulaşmıştır. R² değeri olarak 0.83'e ulaşırken RMSE değeri olarak ise 12.29 olmuştur. Görsel açıdan haritalar yorumlandığında ise, XGBoost algoritmasının Batı Urmiye Playasında öne çıktığı görülürken, Bonab bölgesinde rastgele orman algoritması daha iyi sonuçlar vermektedir. Özellikle Bonab bölgesinde bulunan tuz yapılarını rastgele orman kolaylıkla ayırt edebilmesi ile öne çıkmıştır. Açıklanabilir yapay zekâ için yapılan SHAP analizleri incelendiğinde ise, Batı Urmiye Playası için ENDVI, NDVI, EVI gibi bitki indislerinin daha çok katkı verdiği görülmüştür. Bu alanda yapılan önceki çalışmaya benzer olarak CRSI indisinde yine yüksek katkı verdiği görülmüştür. Bonab bölgesi için ise Landsat 8 uydu görüntüsünün kendi bantlarından olan mavi ve yeşil bantların modele en çok katkı veren değişkenler olduğu göze çarpmaktadır. Bitki indisleri Batı Urmiye Playası'ndaki kadar katkı vermemiştir. Batı Urmiye Playası için SHAP değerleri göz önüne alındığında bitki örtüsünü gösteren indislerin artması tuzluluğu azaltırken, NDWI indisi arttıkça tuzluluğun arttığını göstermektedir. Bonab bölgesindeki SHAP değerleri incelendiğinde ise parlak tuz yapılarının görünür bölge bantlarının yansıtımını arttırdığı ve parlaklık ile doğru bir orantıya sahip olduğu görülmüştür. Test örneklerinde de yukarıdaki sonuçları doğrulamak mümkündür. Sonuç olarak toprak tuzluluğu makine öğrenme algoritmaları ile tespit edilebildiği, bu algoritmaların ise veri çeşitleme yöntemleri kullanılarak doğruluklarının arttırılabildiği açıktır. Aynı şekilde SHAP değerleri bu makine öğrenme algoritmalarını açıklayarak hangi parametrenin toprak tuzluluğunu belirlemede nasıl bir katkı sunduğu genel ve örnek bazında açıklayabilmiştir. Birleşmiş Milletlerin 2030 Yılı Sürdürülebilir Kalkınma Hedefleri kapsamında gıda güvenliği, su kullanımı ve sürdürülebilir ekosistemler çerçevesinde toprak tuzluluğu önemli bir yer işgal etmektedir. Özellikle de gıda ile olan ilişkisi nedeniyle toprak tuzluluğu yakın gözlem altında tutulmalı ve karar vericilere destek olunarak üstesinden gelinmelidir. Gelecekteki toprak tuzluluğu çalışmaları için farklı uydu sistemleri, daha yüksek mekânsal çözünürlüklü uydular, klasik makine öğrenme yöntemleri yerine derin öğrenme yöntemleri kullanılabilir. Türkiye üzerinde de hali hazırda bu problemin baş gösterdiği bir alan yeni bir çalışma için seçilebilir. Optik uydular yeni radar uyduları da yine kullanılmak için önerilebilir. | |
dc.description.degree | Yüksek Lisans | |
dc.identifier.uri | http://hdl.handle.net/11527/24647 | |
dc.language.iso | tr | |
dc.publisher | Lisansüstü Eğitim Enstitüsü | |
dc.sdg.type | Goal 9: Industry, Innovation and Infrastructure | |
dc.subject | yapay zeka | |
dc.subject | artificial intelligence | |
dc.subject | toprak tuzluluğu | |
dc.subject | soil salinity | |
dc.title | Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi | |
dc.title.alternative | Soil salinity mapping using explainable artificial intelligence methods | |
dc.type | Master Thesis |