Yarı-nemli iklim koşullarında sürdürülebilir su yönetimi için derin öğrenme kullanılarak referans bitki su tüketiminin tahmin edilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Bursa Uludağ Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, BİYOSİSTEM MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: ABDELRAHMAN AMR ALI RABIE ELSAYED SALEH
Danışman: Burak Nazmi Candoğan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Su kaynaklarının sürdürülebilirliği, iyi bir sulama planlaması ve programlamasında Referans Evapotranspirasyonun (ETo) son derece doğru bir şekilde tahminine bağlıdır. Sürdürülebilirliğe ulaşmak için, Derin Öğrenme (DÖ) gibi modern teknolojiler kullanılmaktadır. Bu çalışmanın, günlük ETo tahmininde DÖ yöntemleri kullanılarak modeller geliştirilmesi ile tarımda yapay zekâ kullanımı alanına bilimsel olarak katkı sağlayacağı düşünülmektedir. Çalışmanın amacı, günlük ETo tahmin etmede DÖ ÇKA, 1D-CNN, LSTM, Bi-LSTM ve Hibrit mimarilerini test ederek en iyi mimari tipinin belirlenmesi, sınırlı parametreler olduğu durumlarda ETo değerini iyi düzeyde tahmin etmek için meteoroloji parametrelerinin seçilebilmesi olmuştur. Son olarak ETo tahmininde yüksek doğruluk elde etmek için kullanılması gereken en az veri miktarının ve az veri miktarı kullanılması durumunda en iyi mimarinin belirlenmesi amaçlanmaktadır. Günlük ETo tahmin etmek için meteoroloji parametrelerinden 22 veri kombinasyonu oluşturularak 93 farklı DÖ mimarisi K-kat yöntemi kullanılarak test edilmiştir. FAO Penman-Monteith yöntemiyle tahmin edilen ETo değerleri, DÖ modellerinden çıkan sonuçların karşılaştırılmasında kullanılmıştır. ETo tahmin etmede DÖ mimarileri türlerinin performansları değerlendirildiğinde, en yüksek ve dengeli performansları hibrit mimarileri sonrasında 1D-CNN mimarileri göstermişlerdir. En düşük ve dengesiz performans ise ÇKA mimarilerinde belirlenmiştir. Tekrarlayan sinir ağı yapısına ait LSTM ve Bi-LSTM mimarilerinin ikisi de iyi performanslıdır, ayrıca ikisinin performansı arasında büyük bir fark yoktur, ancak Bi-LSTM, LSTM'den çok hafif farkla iyidir. Herhangi bir DÖ mimarisi ile yüksek verimli ETo tahmin etmek için mevcut olan meteoroloji parametreleri seçilirken; öncelikle ortalama sıcaklık veya minimum-maksimum sıcaklık ve güneş süresinin diğer parametrelere göre tercih edilmesi gerektiği bulunmuştur. Buna bağlı olarak, ETo tahmin etmede en iyi tek, iki ve üç parametreden oluşan veri kombinasyonları; sıcaklık, sıcaklık-güneş süresi, sıcaklık-güneş süresi-rüzgâr hızıdır. Son olarak, beş tür DÖ mimarisinde, modellerin eğitiminde kullanılan veri miktarının 1 ile 26 yıl arasında değiştirilmesi, 5 yıllık günlük ETo tahminini önemli ölçüde etkilememiş, ayrıca az veri miktarı kullanıldığında Hibrit mimari diğer mimarilerden daha yüksek performans göstermiştir.