Prediction and forecasting of drought areas based on remote sensing data using machine learning methods

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Veri Bilimi, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: GÖKÇE GÖK

Danışman: Burcu Hüdaverdi

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Kuraklık öngörümlemede, geçmiş meteorolojik verilere olan bağımlılık iklim değişikliğinin etkisi nedeniyle artan zorluklara sebep olmaktadır. İklim sistemlerinin karmaşık ve birbirine bağlı doğası, kuraklığı doğru bir şekilde tahmin etme zorluğunu daha da artırmaktadır. Uzaktan algılama verileri ve makine öğrenimi yöntemleri, yüksek doğruluk ve verimlilikleri sayesinde kuraklık bölgelerinin tahmini ve öngörümlenmesinde sıklıkla kullanılmaktadır. Bu çalışmanın ilk bölümünde, kısa vadeli kuraklıkları tahmin etmek için Rastgele Ormanlar (Random Forests), Gradyan Artırma Makineleri (Gradient Boosting Machines), Aşırı Gradyan Artırma (eXtreme Gradient Boosting) ve Hafif Gradyan Artırma Makineleri (Light Gradient Boosting Machines) yöntemleri kullanılarak karşılaştırmalı bir analiz yapılmıştır. Şiddetli kuraklık alanları için Toprak Nem İndeksi (Soil Moisture Index - SMI) değerlerini tahmin etmek amacıyla Landsat 8 görüntüleri ve SRTM DEM (30 m) verileri kullanılmıştır. Son olarak, kuraklık olaylarını tahmin etmede özelliklerin önemi belirlenmiş ve kuraklık oluşumunu en kritik şekilde etkileyen unsurlar vurgulanmıştır. İkinci bölümde, SMI öngörümlenmesi için Landsat 8 görüntüleri ardışık olarak toplanmıştır. Öngörümleme işlemi, bulut örtüsünün tahmin üzerindeki etkisini incelemek amacıyla, tarımsal alan veri setinin iki farklı versiyonu üzerinde, Evrişimsel Uzun Kısa Süreli Bellek (Convolutional Long Short-Term Memory - ConvLSTM) kullanılarak gerçekleştirilmiştir. Gelecekteki kuraklığın şiddetini tahmin etmek amaçlandığından, ConvLSTM süreçleri aracılığıyla çok adımlı bir tahmin yaklaşımı kullanılmıştır. Bu iki aşamalı yaklaşım sayesinde, çalışma şiddetli kuraklık bölgelerinde SMI tahmini için makine öğrenimi yöntemlerini detaylı bir şekilde incelemekte ve tarımsal bağlamlarda kuraklık etkilerinin öngörümlenmesinde ConvLSTM'nin potansiyelini araştırmaktadır.