PlanetScope ve Landsat-8 Uydu Görüntülerinde YOLOv9 Algoritması ile Dairesel Hareketli Sulama Sistemlerinin Tespit Edilmesi
Affiliation:
1. DÜZCE ÜNİVERSİTESİ, ZİRAAT FAKÜLTESİ, BİYOSİSTEM MÜHENDİSLİĞİ BÖLÜMÜ
Abstract
Dünya nüfusundaki hızlı artış, sürdürülebilir tarımsal üretimin önemini ve suyun etkin kullanımını kritik hale getirmektedir. Suyun verimli kullanılması ise basınçlı sulama sistemlerinin kullanımını gerektirmektedir. Bu sulama sistemleri arasından dairesel hareketli sulama sistemi (DHSS) etkinliği ile öne çıkmaktadır. Söz konusu sistemlerin sayısı ve kullanımı gibi bilgiler su kaynakları yönetimi konusunda oldukça önemlidir. Bu çalışmada DHSS’nin farklı konumsal çözünürlüğe sahip PlanetScope ve Landsat 8 uydu görüntülerinde Sadece Bir Kez Bakarsınız_v9 (YOLOv9) algoritması kullanılarak tespiti amaçlanmıştır. Bu amaçla yakın tarihli PlanetScope ve Landsat 8 uydu görüntüleri YOLOv9 algoritması ile eğitilmiş ve modellerin başarısı kesinlik, duyarlılık ve F1 skoru ile değerlendirilmiştir. Ayrıca modellerin tespit ettiği DHSS sayıları ile manuel sayılan DHSS sayıları ve modellerin eğitim süreleri de karşılaştırılmıştır. Elde edilen sonuçlara göre PlanetScope ve Landsat 8 uydu görüntülerinde kesinlik, duyarlılık ve F1 skoru değerleri sırasıyla 0,970, 0,928, 0,945 ve 0,966, 0,851, 0,897 olarak hesaplanmıştır. PlanetScope ve Landsat 8 görüntülerine dayalı olarak oluşturulan modeller, DHSS sayısı tahminlerinde benzerlik göstermiştir; bu oranlar sırasıyla %96,1 ve %93,2 olarak belirlenmiştir. Ancak, modelin eğitim süreleri arasında önemli bir farklılık gözlemlenmiştir. PlanetScope görüntülerinin model eğitim süresi 1,810 saat olarak kaydedilirken, Landsat 8 görüntülerinin model eğitim süresi 1,414 saat olarak tespit edilmiştir. Araştırmadan elde edilen sonuçlar, YOLOv9 algoritmasının PlanetScope ve Landsat 8 uydu görüntülerinde DHSS’yi benzer başarı oranları ile tespit edilebildiğini ve bu yöntemin su kaynaklarını yönetiminde potansiyel bir araç olarak kullanılabileceğini ortaya koymuştur.
Publisher
COMU Ziraat Fakultesi Dergisi
Reference22 articles.
1. Abioye, E.A., Hensel, O., Esau, T.J., Elijah, O., Abidin, M.S.Z., Ayobami, A.S., Yerima, O., Nasirahmadi, A., 2022.
Precision irrigation management using machine learning and digital farming solutions. AgriEngineering 4, 70-103. 2. Akyüz, A., Cemek, B., Development of Leaf Area Model in Chokeberry Plant Grown in Different Irrigation Water Quality. Anadolu Tarım Bilimleri Dergisi 39, 207-218. 3. An, Q., Wang, K., Li, Z., Song, C., Tang, X., Song, J., 2022. Real-time monitoring method of strawberry fruit growth state based on YOLO improved model. IEEE Access 10, 124363-124372. 4. Bayram, A.F., Nabiyev, V., 2023. Derin öğrenme tabanlı saklanan kamufle tankların tespiti: son teknoloji YOLO ağlarının karşılaştırmalı analizi. Gümüşhane Üniversitesi Fen Bilimleri Dergisi 13, 1082-1093. 5. Dang, F., Chen, D., Lu, Y., Li, Z., 2022. YOLOWeeds: A novel benchmark of YOLO object detectors for weed detection in cotton production systems. Computers and Electronics in Agriculture, July.
|
|