Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.11851/2349
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Yetik, İmam Şamil | - |
dc.contributor.author | Hamurcu, Eren | - |
dc.date.accessioned | 2019-12-25T10:48:12Z | - |
dc.date.available | 2019-12-25T10:48:12Z | - |
dc.date.issued | 2018 | |
dc.identifier.citation | Hamurcu, E. (2018). Meteoroloji radar verilerinden optimal hava durumu tespiti için öznitelik seçimi ve yeni yöntemlerin geliştirilmesi. Ankara: TOBB ETÜ Fen Bilimleri Enstitüsü. [Yayınlanmamış yüksek lisans tezi] | en_US |
dc.identifier.uri | https://hdl.handle.net/20.500.11851/2349 | - |
dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsp | - |
dc.description.abstract | Özellikle son yıllarda, meteorolojik radar verilerinin işlenmesi ve bu veriler doğrultusunda optimal hava durumu tahminleri önemli bir araştırma alanı olmuştur. Ayrıca yine bu radar verileri kullanılarak kuş,böcek ve kargaşa gibi meteorolojik olmayan hedeflerin tespiti üzerine de yoğunlaşılmıştır. Uzaktan algılama sistemleri ile meteorolojik tespitlerde uyduların yanı sıra radarlar da kullanılmaya başlanmıştır. Özellikle polarimetrik mikro doppler radarlar ile ölçümlerle bölgedeki hidrometeorların tespiti mümkündür. Uyduların yerine bu radarların tercih edilmesinin en önemli sebebi hem radarlarla daha küçük alanlar hakkında daha detaylı bilgiler toplanabilmesi, hem de kısa vadeli ve anlık tespitler ile bölgedeki meteorolojik duruma göre hızlı önlemler alınabilmesidir. Bu tez kapsamında Hatay Meteoroloji Radar verileri kullanılarak bu bölgedeki hidrometeorların tespiti üzerine bir sınıflandırıcı oluşturulmuş ve bu sınıflandırıcının performansını ve başarısını artırmaya yönelik araştırmalar yapılmıştır. İlk aşamada Hatay Radar'ından alınan verilerin formatı çalışmalara uygun hale getirilmiş ve çıkarılan polarimetrik radar öznitelikleri kullanılarak bir destek vektör makinesi sınıflandırıcısı oluşturulmuştur. Sınıflandırıcı iki aşamada çalışmaktadır; öncelikle radar görüntülerinde yağış tespiti yapılmıştır, daha sonra ise yağış tespit edilemeyen bölgelerde kuş-böcek ve kargaşa tespit edilmiştir. Radar verilerinde sınıflandırıcı eğitimi için yersel gerçeklik bilgisi olmadığı için radar öznitelikleri incelenip hidrometeor sınıfları gözle tespit edilebilen bölgeler taranıp, eğitim için bir yersel gerçeklik seti oluşturulmuştur. Yersel gerçeklik seti kullanılarak sınıflandırıcı eğitimi yapılmıştır. Daha sonra radardan gelen sekiz öznitelik için bir öznitelik seçimi yapılmış ve her iki sınıflandırma aşaması için etkili olan öznitelikler belirlenmiştir. Radar verilerinde hatalı ve gürültülü ölçüm alınan bölgeler, bir maskeleme metotu kullanılarak temizlenmiş ve seçilen öznitelikler ile sınıflandırma sonuçları kıyaslanmıştır. Son olarak da hatalı yağış tespitlerini minimuma indirgemek için radardan ölçülen spektral özniteliklerin yanı sıra sınıflandırma sonuçları kullanılarak yeni doku öznitelikleri çıkarılmış ve bu öznitelikler kullanılarak tekrar sınıflandırmalar yapılmıştır. Doku öznitelikleri olarak, sınıflandırma sonuçlarından elde edilen doku üzerinde, sınıflar arasındaki komşuluk ilişkileri kullanılarak hesaplanan enerji ve entropi değerleri kullanılmıştır. Tezin sonunda ise elde edilen doku öznitelikleri kullanılarak yapılan sınıfladırma işleminde, sınıflandırıcı performansının yağış tespitinde başarımın artığı görülmüş ve özellikle yağışsız tarihlerde ölçülen hatalı yağış sınıflandırma sonuçları büyük ölçüde giderilmiştir. | tr_TR |
dc.description.abstract | Especially in recent years, meteorological radar data processing and optimal weather forecasts in the direction of these data, have become an important research area. It is also focused on the detection of non-meteorological targets such as birds, insects and clutter using these radar data. Remote sensing systems as well as satellites have begun to be used in meteorological detection. Especially with polarimetric micro doppler radar, it is possible to detect the hydrometeors in the region by measurements. The most important reasons for choosing these radars instead of satellites can be gathered more detailed information about smaller areas and and quick measures can be taken according to the meteorological situation in the region with short term and instant detections. Within the scope of the thesis, a classifier on the detection of the hydrometeors in this region was constructed by using Hatay Meteorology Radar data and studies were carried out to improve the performance and the success of this classifier. In the first step, the data obtained from Hatay Radar were adapted to the formative studies and a support vector machine classifier was created using the extracted polarimetric radar features. The classifier works in two stages; firstly rainfall detection in radar images, then birds-bugs and clutter detection in regions where rainfall could not be detected. Since there is no ground truth information for classifier training in radar data, radar features are examined, regions visually detectable in hydrometeor classes are scanned, and a ground truth dataset for training is created. Classifier training was done using the ground truth dataset. Then a feature selection was made for the eight features from the radar and the features required for both classification stages were determined. Erroneous and noisy measurements in the radar data were taken using a masking method and the classification results were compared with the selected features. Finally, in order to minimize false precipitation detections, new texture features were extracted by using the spectral features measured from the radar, as well as the classification results, and they were reclassified using these features.As texture features, were used on the texture obtained from the classification results, energy and entropy values calculated using neighborhood relations between the classes. At the end of the thesis, in the classification process using the obtained texture features, the performance of the classifier performance in the precipitation detection was increased and the results of faulty rainfall classification, which was measured especially in the precipitation without precipitation, were largely eliminated. | en_US |
dc.language.iso | tr | en_US |
dc.publisher | TOBB University of Economics and Technology,Graduate School of Engineering and Science | en_US |
dc.publisher | TOBB ETÜ Fen Bilimleri Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.subject | Radar | en_US |
dc.subject | Signal processing | en_US |
dc.subject | Meteorology Support vector machines | en_US |
dc.subject | Classifications | en_US |
dc.subject | Texture based feature extraction | en_US |
dc.subject | Feature selection | en_US |
dc.subject | Radar | tr_TR |
dc.subject | Sinyal işleme | tr_TR |
dc.subject | Meteoroloji | tr_TR |
dc.subject | Destek ve vektör makineleri | tr_TR |
dc.subject | Sınıflandırma | tr_TR |
dc.subject | Doku bazlı öznitelik çıkarımı | tr_TR |
dc.subject | Öznitelik seçimi | tr_TR |
dc.title | Meteoroloji Radar Verilerinden Optimal Hava Durumu Tespiti için Öznitelik Seçimi ve Yeni Yöntemlerin Geliştirilmesi | en_US |
dc.title.alternative | Feature Selecti?on for Opti?mal Weather Detecti?on From Meteorologi?cal Radar Data and Development of New Methods | en_US |
dc.type | Master Thesis | en_US |
dc.department | Faculties, Faculty of Engineering, Department of Electrical and Electronics Engineering | en_US |
dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı | tr_TR |
dc.relation.publicationcategory | Tez | en_US |
item.openairetype | Master Thesis | - |
item.languageiso639-1 | tr | - |
item.grantfulltext | open | - |
item.fulltext | With Fulltext | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.cerifentitytype | Publications | - |
Appears in Collections: | Elektrik-Elektronik Mühendisliği Yüksek Lisans Tezleri / Electrical & Electronics Engineering Master Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
498484.pdf | 3.67 MB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
58
checked on Dec 16, 2024
Download(s)
110
checked on Dec 16, 2024
Google ScholarTM
Check
Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.