Makine öğrenmesi kullanılarak çevresel radyoaktivite seviyesi tahmini ve Türkiye'nin yüksek çözünürlüklü radyasyon haritasının oluşturulması: Çevrimiçi bir hesaplama modülünün geliştirilmesi
Estimation of environmental radioactivity levels using machine learning and the creation of a high-resolution radiation map of Turkey: development of an online computational tool
- Tez No: 1003718
- Danışmanlar: DOÇ. DR. CAFER MERT YEŞİLKANAT
- Tez Türü: Yüksek Lisans
- Konular: Nükleer Mühendislik, Fizik ve Fizik Mühendisliği, Nuclear Engineering, Physics and Physics Engineering
- Anahtar Kelimeler: Haritalama, Jeoistatistik, Makine öğrenmesi, Radyasyon, Radyoaktivite, Türkiye, Mapping, Geostatistics, Machine learning, Radiation, Radioactivity, Türkiye
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Artvin Çoruh Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Doğal radyasyonun mekânsal dağılımının doğru bir şekilde haritalanması, halk sağlığı ve çevresel risk yönetimi için temel bir gerekliliktir. Ancak, Türkiye'nin mevcut çevresel radyasyon haritalarının mekânsal çözünürlüğü sınırlıdır ve yerel ölçekteki değişimleri yansıtmada yetersiz kalmaktadır. Bu çalışmanın temel amacı, Türkiye'nin toprak kökenli doğal radyonüklid (Ra-226, Th-232, K-40) konsantrasyonlarını, modern veri bilimi tekniklerini kullanarak 300×300 m² gibi yüksek bir mekânsal çözünürlükte tahmin etmek, bu tahminlere dayalı ulusal bir radyasyon haritası oluşturmak ve sonuçları etkileşimli bir çevrim içi platformda sunmaktır. Bu hedefe ulaşmak için çok adımlı hibrit bir metodoloji izlenmiştir. İlk olarak, Ortam Gama Doz Hızı (AGDR) ve ilişkili mekânsal belirsizliği, Radyasyon İzleme ve Uyarı Sistemi Ağı (RADİSA) verileri kullanılarak Sıralı Gauss Simülasyonu (SGS) ile modellenmiştir. İkinci olarak, Kozmik Gama Doz Hızı (CGDR) ise, hesaplama maliyeti yüksek olan EXPACS (EXcel-based Program for calculating Atmospheric Cosmic-ray Spectrum) fiziksel modelini taklit eden bir makine öğrenmesi vekil modeli ile ülke sathı için tahmin edilmiştir. Son olarak bu mekânsal katmanlar, coğrafi değişkenlerle (enlem, boylam, rakım vb.) ve Türkiye Radyoaktivite Atlası'ndan sayısallaştırılan verilerle birleştirilerek nihai radyonüklid tahmin modelleri geliştirilmiştir. Model geliştirme sürecinde, Aşırı Gradyan Arttırma (XGBoost) algoritmasının en yüksek performansı sergilediği tespit edilmiştir. Çalışma sonucunda, Türkiye'nin ilk yüksek çözünürlüklü Ra-226, Th-232, K-40 ve bu değerlerden türetilen Karasal Gama Doz Hızı (TGDR) haritaları üretilmiştir. Haritalardaki mekânsal desenlerin, ülkenin bilinen uranyum/toryum yatakları ve ana jeolojik formasyonları ile güçlü bir uyum sergilediği gözlemlenmiştir. Modelin geçerliliği, eğitim sürecinde kullanılmamış harici ve noktasal ölçüm verileriyle de ayrıca sınanmış ve hem ilçe hem de noktasal (tek koordinat değeri) ölçekte anlamlı bir doğruluk sergilediği kanıtlanmıştır.
Özet (Çeviri)
Accurate mapping of the spatial distribution of natural radiation is a fundamental prerequisite for public health and environmental risk management. However, the existing environmental radiation maps of Türkiye have limited spatial resolution and are inadequate for representing local-scale variations. The primary objective of this study is to predict the concentrations of terrestrial primordial radionuclides (226Ra, 232Th, 40K) across Türkiye at a high spatial resolution of 300x300 m² using modern data science techniques, to generate a national radiation map based on these predictions, and to present the results on an interactive online platform. A multi-step hybrid methodology was implemented to achieve this goal. Firstly, the Ambient Gamma Dose Rate (AGDR) and its associated spatial uncertainty were modeled using data from the Radiation Monitoring and Warning System Network (RADISA) with Sequential Gaussian Simulation (SGS). Secondly, the Cosmic Gamma Dose Rate (CGDR) was predicted for the entire country via a machine learning surrogate model that emulates the computationally expensive EXPACS (EXcel-based Program for calculating Atmospheric Cosmic-ray Spectrum) physical model. Finally, these spatial layers were combined with geographic variables (latitude, longitude, altitude) and data digitized from the Radioactivity Atlas of Türkiye to develop the final radionuclide prediction models. During the model development process, the Extreme Gradient Boosting (XGBoost) algorithm was identified as the top-performing model. The study resulted in the production of Türkiye's first high-resolution maps for Ra-226, Th-232, K-40, and the derived Terrestrial Gamma Dose Rate (TGDR). It was observed that the spatial patterns in the maps show strong agreement with the country's known uranium/thorium deposits and major geological formations. The model's validity was also tested against an external, point-based measurement dataset not used during the training process, where it demonstrated significant accuracy at both district and point scales.
Benzer Tezler
- Makine Öğrenmesi Kullanılarak Çevresel, Sosyal, Yönetişim ve Finansal Performans Tahmini için Hibrit Özellik Seçim Çerçevesi
Hybrid Feature Selection Framework for Environmental, Social, Governance and Financial Performance Prediction Using Machine Learning
ALI TAHSEEN ALI RAJAB
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- Makine öğrenmesi algoritmaları kullanılarak Sentinel-2 uydu görüntülerinin sınıflandırılması (Çorum ili örneği)
Classification of Sentinel-2 satellite images using machine learning algorithms (the case of Çorum province)
ELİF NURBER BORUCU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL RAKIP KARAŞ
DR. ÖĞR. ÜYESİ SOHAIB K. M. ABUJAYYAB
- Makine öğrenmesi algoritmalarına dayalı yazılım hata tahmini: Çevresel metriklerin etkisi
Software fault prediction based on machine learning algorithms: The effect of environmental metrics
MERVE ODABAŞI
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Şehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ENSAR GÜL
- Makine öğrenmesi algoritmaları kullanılarak üniversite bölüm tercihi tahmini.
Prediction of undergraduate major selection via machine learning algorithms
HARUN ÇELİK
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBitlis Eren ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. RIDVAN UMAZ
DR. ÖĞR. ÜYESİ AYŞE SALİHA SUNAR
- Makine öğrenmesi yöntemleri kullanılarak üç boyutlu nokta bulutlarının sınıflandırılması
Classification of three-dimensional point cloud via machine learning methods
KORAY AKSU
Yüksek Lisans
Türkçe
2023
Mimarlıkİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HANDE DEMİREL