Landslide susceptibility mapping of the muş-bingöl region: A comparative analysis and optimization of machine learning models
Muş-bingöl bölgesinin heyelan duyarlılık haritalaması: Makine öğrenmesi modellerinin karşılaştırmalı analizi ve optimizasyonu
- Tez No: 1001608
- Danışmanlar: PROF. DR. HALUK AKGÜN
- Tez Türü: Yüksek Lisans
- Konular: Jeoloji Mühendisliği, Geological Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeoloji Ana Bilim Dalı
- Bilim Dalı: Jeoloji Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Heyelanlar, Doğu Anadolu Bölgesi'ndeki en kritik doğal afetlerin başında gelmektedir. Bölgedeki aktif tektonik süreçler, sarp topoğrafya ve litolojik açıdan çeşitlilik gösteren jeolojik yapı, yamaç duraysızlığını doğrudan tetikleyen temel unsurlardır. Karlıova Üçlü Birleşim Noktası'na yakın konumlanan Muş-Bingöl bölgesi yoğun sismik aktivite ve litolojik özelliklerinden kaynaklı olarak yüksek heyelan duyarlılığına sahiptir. Bu çalışmada Muş-Bingöl bölgesi için Heyelan Duyarlılık Haritalaması (LSM) yapılmıştır. Bu haritalama sürecinde Lojistik Regresyon (LR), Rastgele Orman (RF) ve tek boyutlu Evrişimsel Sinir Ağları (CNN 1D) yöntemleri kullanılmıştır. Çalışmada ayrıntılı bir heyelan envanteri ile topografik, jeolojik, hidrolojik ve çevresel değişkenlerden oluşan on üç adet koşullandırıcı faktör kullanılmıştır. Modeller arasında adil bir karşılaştırma sağlamak amacıyla, tüm metotlar için aynı rastgele veri seti kullanılarak eğitilmiş ve 0.1 ile 0.5 arasında değişen test oranları altında sistematik olarak değerlendirilmiştir. Model performansları Alıcı İşletim Karakteristiği (ROC), Eğri Altındaki Alan (AUC), Ortalama Hassasiyet (AP), F1 performans ve genel doğruluk ölçütleri ile analiz edilmiştir. Sonuç olarak RF modelinin en yüksek tahmin performansına sahip olduğu görülmüştür. RF modeli ile kayıtlı heyelanların büyük bir kısmı“çok yüksek”duyarlılık sınıfı ile doğru şekilde eşleşmiş ve başarılı bir ayrıştırma yapılmıştır. LR modeli kullanılarak üretilen harita daha pürüzsüz bir yapı sergilese de yerel ölçekte heyelan risklerinin dağılımını ortaya koymada yetersiz kaldığı görülmüştür. CNN 1D modeli LR modeline kıyasla daha iyi sonuçlar üretmiştir. Ancak tek boyutlu yapısının getirdiği sınırlamalar nedeniyle mekânsal ilişkilerin temsilinde yetersiz kalmıştır. Sonuç olarak RF modeli ile hazırlanan duyarlılık haritası, bölgenin heyelan riskli alanlarına yönelik doğru ve güvenilir bir yaklaşım sunmakta ve risk yönetimi açısından sağlam bir kaynak oluşturmaktadır.
Özet (Çeviri)
Landslides are considered one of the most significant natural hazards in eastern Türkiye, where active tectonics, rugged topography and diverse geological conditions strongly control slope instability. The Muş-Bingöl region is located near the Karlıova Triple Junction and is particularly prone to landslides. In this study, landslide susceptibility mapping (LSM) was performed for the Muş-Bingöl region using three machine learning processes: Logistic Regression (LR), Random Forest (RF), and Convolutional Neural Network 1D (CNN-1D). A comprehensive landslide inventory and thirteen landslide conditioning factors, including topographic, geological, hydrological, and environmental variables, were used as model inputs. To ensure methodological consistency, all models were trained and tested using identical datasets and systematically evaluated under multiple train test split ratios ranging from 0.1 to 0.5. Model performance was determined using standard statistical metrics, including Receiver Operating Characteristic (ROC) - Area Under the Curve (AUC), Average Precision (AP), F1-Score and overall accuracy. The results indicate that the RF model performed the best, showing a better ability to distinguish high-susceptibility zones where the majority of landslides were concentrated. Although the LR model produced smoother spatial patterns, it presented limited ability to capture localized instability. While the CNN-1D model outperformed LR to some extent, it was restricted by its one-dimensional design. Overall, the RF-based susceptibility map provided the most reliable representation of landslide-prone areas and offered valuable insights for regional land-use planning and hazard mitigation.
Benzer Tezler
- The impact of incomplete landslide inventories on susceptibility mapping: Assessment and solutions
Eksik heyelan envanterlerinin duyarlılık haritasına etkisi: Değerlendirme ve çözümler
SERTAÇ KANTEKİN
Yüksek Lisans
İngilizce
2024
Jeoloji MühendisliğiOrta Doğu Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET LÜTFİ SÜZEN
PROF. DR. TOLGA GÖRÜM
- GIS based landslide susceptibility mapping for the segment (km 60-km 83) of natural gas pipeline, North of Hendek
Hendeğin kuzeyinde yer alan doğal gaz boru hattının bir bölümü (60. km-83. km) için CBS tabanlı heyelan duyarlılık haritası hazırlanması
ENGİN ÇEVİK
Yüksek Lisans
İngilizce
2002
Jeoloji MühendisliğiOrta Doğu Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAMER TOPAL
- İzmir metropolitan alanının heyelan hassasiyet haritalaması
Landslide susceptibility mapping of the Izmir metropolitan area
HAKAN KAYHAN
Yüksek Lisans
Türkçe
2021
Jeoloji MühendisliğiDokuz Eylül ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEM KINCAL
- CBS tabanlı çok kriterli karar analizi yöntemi kullanılarak heyelan duyarlılık haritasının üretilmesi: Trabzon ili örneği
GIS based landslide susceptibility mapping using multi criteria decision analysis method: the case of Trabzon province
EMREHAN KUTLUĞ ŞAHİN
Yüksek Lisans
Türkçe
2012
Jeodezi ve FotogrametriGebze Yüksek Teknoloji EnstitüsüJeodezi ve Fotogrametri Ana Bilim Dalı
PROF. DR. TAŞKIN KAVZOĞLU
- Yapay sinir ağları ile heyelan duyarlılık haritalarının üretilmesinde farklı algoritmaların kullanımının araştırılması
Investigation of the utilization of different algorithms in landslide susceptibility mapping with artificial neural networks
ASLI CAN
Yüksek Lisans
Türkçe
2014
Jeoloji MühendisliğiHacettepe ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT ERCANOĞLU