Makine öğrenmesi ve derin öğrenme yöntemleriyle kentsel taşkın riskinin çok boyutlu değerlendirilmesi

A multidimensional assessment of urban flood risk using machine learning and deep learning methods

Tez No: 1020176
Yazar: GÜLŞAH KILIÇ
Danışmanlar: PROF. DR. FİLİZ BEKTAŞ BALÇIK
Tez Türü: Yüksek Lisans
Konular: Şehircilik ve Bölge Planlama, Urban and Regional Planning
Anahtar Kelimeler: Acil durum planlaması, Afet riski, Bütüncül planlama, Kent planlama, Kentsel planlama, Şehir planlama, Emergency planning, Disaster risk, Comprehensive plannig, Urban planning
Yıl: 2026
Dil: Türkçe
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
Bilim Dalı: Coğrafi Bilgi Teknolojileri Bilim Dalı
Sayfa Sayısı: Belirtilmemiş.

Özet

Günümüzde kentler, hızlı nüfus artışı, yoğun yapılaşma, arazi kullanımındaki değişimler, geçirimsiz yüzeylerin artması ve iklim değişikliğine bağlı olarak daha sık ve şiddetli yaşanan aşırı yağış olayları nedeniyle taşkın riskine karşı giderek daha kırılgan hale gelmektedir. Özellikle kentsel alanlarda taşkın riski yalnızca fiziksel tehlike koşullarıyla açıklanamayacak kadar çok boyutlu bir yapıya sahiptir. Taşkının meydana gelme olasılığını etkileyen topoğrafik, hidrolojik ve çevresel koşulların yanı sıra, taşkından etkilenebilecek nüfus grupları, yapılaşmış çevre, ulaşım sistemleri, sosyal ve ekonomik kırılganlık düzeyleri de riskin mekansal dağılımında belirleyici rol oynamaktadır. Bu nedenle taşkın riskinin yalnızca tehlike odaklı değil, tehlike, maruziyet ve kırılganlık bileşenlerini birlikte değerlendiren bütünleşik bir yaklaşımla ele alınması gerekmektedir. Bu tez çalışmasının amacı, kentsel taşkın riskini fiziksel tehlike, sosyal kırılganlık ve maruziyet göstergelerini birlikte kullanarak değerlendiren Coğrafi Bilgi Sistemleri (CBS) tabanlı ve makine öğrenmesi destekli bir mekansal analiz çerçevesi geliştirmektir. Çalışma, taşkın riskini yalnızca taşkının oluşabileceği fiziksel koşullar üzerinden değil, aynı zamanda taşkından etkilenebilecek nüfus, yapılaşmış çevre, altyapı unsurları, erişilebilirlik koşulları ve sosyoekonomik kırılganlık göstergeleriyle birlikte ele almaktadır. Bu kapsamda Rastgele Orman (RF) ve Evrişimsel Sinir Ağı (CNN) modelleri kullanılarak taşkın riski tahmin edilmiş, model sonuçları performans, yorumlanabilirlik ve mekansal dağılım bakımından karşılaştırılmıştır. Ayrıca model kararlarında etkili olan değişkenleri açıklamak amacıyla SHapley Additive exPlanations (SHAP) yöntemi uygulanmıştır. Çalışma bölgesi olarak İstanbul'un batısında, Marmara Denizi kıyısında yer alan Büyükçekmece ilçesi seçilmiştir. İlçe, Büyükçekmece Gölü, kıyı alanları, dere sistemleri, düşük kotlu yerleşim bölgeleri, hızla gelişen yapılaşma dokusu ve geçmişte yaşanan taşkın olayları nedeniyle kentsel taşkın riski açısından önemli bir örnek alan niteliğindedir. Çalışmada taşkın riskinin temel bileşenleri doğrultusunda 24 farklı parametre kullanılmıştır. Tehlike bileşeni kapsamında eğim, bakı, yükseklik, akarsuya uzaklık, jeolojik yapı, yağış ve toprak türü değerlendirilmiştir. Maruziyet bileşeni kapsamında nüfus yoğunluğu, arazi kullanımı ve ulaşım yoğunluğu kullanılmıştır. Kırılganlık bileşeni kapsamında ise 15 yaş altı nüfus, 65 yaş üstü nüfus, kadın nüfus oranı, ortalama gelir, ortalama konut değeri, hanehalkı büyüklüğü, eğitim düzeyi, toplam araç sayısı ve temel hizmetlere erişim göstergeleri ele alınmıştır. Farklı veri kaynaklarından elde edilen bu katmanlar ortak koordinat sistemine dönüştürülmüş, çalışma alanına göre kırpılmış, 30 m mekansal çözünürlüğe yeniden örneklenmiş ve model girdisi olarak kullanılmak üzere normalize edilmiştir. Modelleme sürecinde öncelikle geçmiş taşkın kayıtları ve taşkın risk alanları kullanılarak ikili sınıflandırmaya dayalı bir taşkın envanteri oluşturulmuştur. Bu kapsamda taşkın var ve taşkın yok sınıflarını temsil eden toplam 4.066 noktalı dengeli bir veri seti hazırlanmıştır. RF modeli için bu noktalardan 24 raster katmandaki değerler örneklenerek özellik matrisi oluşturulmuş ve veri seti eğitim ve test kümelerine ayrılmıştır. Model hiperparametreleri RandomizedSearchCV yöntemiyle optimize edilmiştir. CNN modeli için ise taşkın envanteri raster etikete dönüştürülmüş, 64 × 64 piksel boyutunda yama tabanlı bir öğrenme yapısı kurulmuş ve uyarlanmış U-Net mimarisi kullanılmıştır. CNN modelinde sınıf dengesizliğini azaltmak amacıyla bileşik kayıp fonksiyonu uygulanmış, model çıktıları izotonik regresyon ile kalibre edilmiş ve etkili afet yönetimi açısından taşkın alanlarının kaçırılmaması için karar eşiği F₂-skoruna göre optimize edilmiştir. Bulgular, RF modelinin taşkın olan ve olmayan alanları ayırt etmede oldukça yüksek bir performans sergilediğini göstermektedir. RF modelinde bağımsız test veri seti üzerinde AUC değeri 0.9914, genel doğruluk değeri yaklaşık yüzde 97 ve taşkın sınıfı için duyarlılık değeri 0.98 olarak hesaplanmıştır. Bu sonuçlar, RF modelinin Büyükçekmece ilçesinde taşkın riski haritalaması için güçlü ve yorumlanabilir bir sınıflandırma aracı sunduğunu göstermektedir. CNN modeli ise RF modeline kıyasla daha düşük sayısal performans göstermiştir. CNN modelinde AUC değeri 0.720 olarak hesaplanmış, standart 0.50 karar eşiğinde taşkın sınıfını yakalama kapasitesi sınırlı kalmıştır. Ancak kalibrasyon ve F₂-skoru tabanlı eşik optimizasyonu sonrasında karar eşiğinin 0.087 olarak belirlenmesiyle modelin taşkın alanlarını tespit etme kapasitesi artmıştır. Bu durum, afet yönetimi gibi yanlış negatif hataların kritik ve hayati olduğu uygulamalarda eşik optimizasyonunun önemli bir adım olduğunu göstermektedir. SHAP analizleri, iki modelin taşkın riskini farklı boyutlar üzerinden açıkladığını ortaya koymuştur. RF modelinde düşük eğitim oranı, gelir düzeyi, ortalama konut değeri, yaş grupları ve hanehalkı yapısı gibi sosyal kırılganlık göstergeleri daha belirgin hale gelirken, CNN modelinde yükseklik, akarsuya uzaklık ve arazi kullanımı gibi fiziksel tehlike parametrelerinin etkisi daha güçlü biçimde öne çıkmıştır. Bu bulgu, RF modelinin sosyal kırılganlık örüntülerini, CNN modelinin ise komşuluk ilişkileri ve yama tabanlı öğrenme yapısı sayesinde fiziksel mekansal örüntüleri daha güçlü temsil ettiğini göstermektedir. Dolayısıyla iki model birbirinin alternatifi olmaktan çok, taşkın riskinin farklı boyutlarını açıklayan tamamlayıcı yaklaşımlar olarak değerlendirilmiştir. Mekansal analiz sonuçları, Büyükçekmece ilçesinde taşkın riskinin homojen dağılmadığını, özellikle dere koridorları, Büyükçekmece Gölü çevresi, kıyı kesimleri ve düşük kotlu yerleşim alanlarında yoğunlaştığını göstermiştir. İlçe alanının yaklaşık yüzde 13,3'ünün yüksek veya çok yüksek taşkın riski altında olduğu belirlenmiştir. Mimar Sinan Merkez, Hürriyet, Mimaroba, Kamiloba, Dizdariye, Ekinoba, Ulus ve Türkoba mahalleleri farklı model çıktılarında öne çıkan risk alanları arasında yer almıştır. RF ve CNN modellerinin piksel düzeyinde yaklaşık yüzde 68,9 oranında uyum göstermesi, genel risk dağılımının belirli ölçüde kararlı olduğunu ortaya koymaktadır. Buna karşılık model uyuşmazlıklarının görüldüğü alanlar, sosyal kırılganlık ve fiziksel tehlike bileşenlerinin mahalle ölçeğinde farklı biçimlerde öne çıkabildiğini göstermektedir. Dizdariye ve Ulus gibi mahallelerde RF baskınlığı sosyal kırılganlık göstergelerinin önemine işaret ederken, Murat Çeşme gibi alanlarda CNN modelinin daha yüksek risk üretmesi fiziksel tehlike örüntülerinin saha kontrolü açısından dikkate alınması gerektiğini göstermektedir. Sonuç olarak bu tez, Büyükçekmece ilçesinde kentsel taşkın riskinin fiziksel tehlike, sosyal kırılganlık ve maruziyet bileşenleriyle birlikte ele alındığında daha kapsamlı ve şehir planlama açısından daha anlamlı biçimde değerlendirilebileceğini ortaya koymaktadır. Çalışma, geleneksel uzman ağırlıklı yaklaşımlardan farklı olarak, risk bileşenlerini aynı mekansal veri yapısında bütünleştirerek RF ve CNN modelleriyle veriden öğrenen bir değerlendirme çerçevesi sunmaktadır. RF modeli yüksek doğruluk ve yorumlanabilirlik kapasitesiyle uzun vadeli arazi kullanım planlaması, kentsel dönüşüm önceliklendirmesi ve afet risk azaltma stratejileri için güçlü bir karar destek aracı sunarken, CNN modeli fiziksel tehlike örüntülerini yakalama kapasitesiyle erken uyarı, ön tarama ve saha doğrulama süreçlerinde tamamlayıcı bir rol üstlenmektedir. Bu yönüyle çalışma, dirençli kentleşme, iklim değişikliğine uyum ve afet risk azaltma politikaları için açıklanabilir, veri temelli ve çok boyutlu bir karar destek yaklaşımı geliştirmektedir.

Özet (Çeviri)

Today, cities are becoming increasingly vulnerable to flood risk due to rapid population growth, dense urban development, changes in land use, the increase in impervious surfaces, and more frequent and intense extreme rainfall events associated with climate change. In urban areas in particular, flood risk has a multidimensional structure that cannot be explained only by physical hazard conditions. In addition to the topographic, hydrological, and environmental conditions that affect the likelihood of flooding, population groups that may be affected by floods, the built environment, transportation systems, and levels of social and economic vulnerability also play a decisive role in the spatial distribution of risk. Therefore, flood risk needs to be addressed not only through a hazard-oriented approach, but also through an integrated framework that considers hazard, exposure, and vulnerability components together. The aim of this thesis is to develop a Geographic Information Systems (GIS)-based and machine learning-supported spatial analysis framework for assessing urban flood risk by jointly using physical hazard, social vulnerability, and exposure indicators. The study evaluates flood risk not only through the physical conditions under which flooding may occur, but also through population groups, the built environment, infrastructure elements, accessibility conditions, and socioeconomic vulnerability indicators that may be affected by flooding. In this context, flood risk was predicted using Random Forest (RF) and Convolutional Neural Network (CNN) models, and the model outputs were compared in terms of performance, interpretability, and spatial distribution. In addition, the SHapley Additive exPlanations (SHAP) method was applied to explain the variables that influence model decisions. Büyükçekmece district, located on the Marmara Sea coast in the western part of Istanbul, was selected as the study area. The district represents an important case for urban flood risk analysis due to the presence of Büyükçekmece Lake, coastal areas, stream systems, low-lying residential areas, rapidly developing urban fabric, and past flood events. In the study, 24 different parameters were used in accordance with the main components of flood risk. Within the hazard component, slope, aspect, elevation, distance to streams, geological structure, precipitation, and soil type were evaluated. Within the exposure component, population density, land use, and transportation density were used. Within the vulnerability component, population under the age of 15, population over the age of 65, female population ratio, average income, average housing value, household size, education level, total number of vehicles, and access to basic services were considered. These layers, obtained from different data sources, were transformed into a common coordinate system, clipped according to the study area, resampled to a spatial resolution of 30 m, and normalized for use as model inputs. In the modeling process, a flood inventory based on binary classification was first created using historical flood records and flood risk areas. In this context, a balanced dataset consisting of 4,066 points representing flood and non-flood classes was prepared. For the RF model, the values of 24 raster layers were sampled at these points to create a feature matrix, and the dataset was divided into training and test sets. Model hyperparameters were optimized using the RandomizedSearchCV method. For the CNN model, the flood inventory was converted into a raster label, a patch-based learning structure with a size of 64 × 64 pixels was established, and an adapted U-Net architecture was used. In the CNN model, a compound loss function was applied to reduce class imbalance, the model outputs were calibrated using isotonic regression, and the decision threshold was optimized according to the F₂-score in order to minimize the omission of flood-prone areas from a disaster management perspective. The findings show that the RF model achieved a very high performance in distinguishing between flood and non-flood areas. In the RF model, the AUC value on the independent test dataset was calculated as 0.9914, the overall accuracy was approximately 97 percent, and the recall value for the flood class was 0.98. These results indicate that the RF model provides a strong and interpretable classification tool for flood risk mapping in Büyükçekmece district. The CNN model showed lower numerical performance compared to the RF model. The AUC value of the CNN model was calculated as 0.720, and its ability to detect the flood class remained limited when the standard 0.50 decision threshold was used. However, after calibration and F₂-score-based threshold optimization, the decision threshold was set to 0.087, which improved the model's capacity to detect flood-prone areas. This finding demonstrates that threshold optimization is an important step in applications such as disaster management, where false negative errors are critical. The SHAP analyses revealed that the two models explained flood risk through different dimensions. In the RF model, social vulnerability indicators such as low education level, income level, average housing value, age groups, and household structure became more prominent. In contrast, physical hazard parameters such as elevation, distance to streams, and land use had a stronger effect in the CNN model. This finding shows that the RF model represents social vulnerability patterns more strongly, while the CNN model better captures physical spatial patterns through neighborhood relationships and its patch-based learning structure. Therefore, the two models were evaluated not as alternatives to each other, but as complementary approaches that explain different dimensions of flood risk. The spatial analysis results showed that flood risk in Büyükçekmece district is not distributed homogeneously, but is concentrated especially along stream corridors, around Büyükçekmece Lake, in coastal areas, and in low-lying residential zones. Approximately 13.3 percent of the district area was identified as being under high or very high flood risk. Mimar Sinan Merkez, Hürriyet, Mimaroba, Kamiloba, Dizdariye, Ekinoba, Ulus, and Türkoba neighborhoods were among the prominent risk areas in different model outputs. The pixel-level agreement between the RF and CNN models was approximately 68.9 percent, indicating that the general risk distribution is relatively stable. On the other hand, areas of model disagreement show that social vulnerability and physical hazard components may become prominent in different ways at the neighborhood scale. While RF dominance in neighborhoods such as Dizdariye and Ulus points to the importance of social vulnerability indicators, the higher risk produced by the CNN model in areas such as Murat Çeşme indicates that physical hazard patterns should also be considered in field verification processes. As a result, this thesis demonstrates that urban flood risk in Büyükçekmece district can be assessed in a more comprehensive and planning-oriented way when physical hazard, social vulnerability, and exposure components are considered together. Unlike traditional expert-weighted approaches, the study presents a data-driven assessment framework by integrating risk components into the same spatial data structure and analyzing them through RF and CNN models. With its high accuracy and interpretability, the RF model offers a strong decision support tool for long-term land use planning, urban transformation prioritization, and disaster risk reduction strategies. The CNN model, with its capacity to capture physical hazard patterns, plays a complementary role in early warning, preliminary screening, and field verification processes. In this respect, the study develops an explainable, data-driven, and multidimensional decision support approach for resilient urbanization, climate change adaptation, and disaster risk reduction policies.

Benzer Tezler

Tez No
768837
Deep learning-based building segmentation using high-resolution aerial images
Yüksek çözünürlüklü hava görüntüleri kullanarak derin öğrenme temelli bina bölütlemesi
BATUHAN SARITÜRK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametri İstanbul Teknik Üniversitesi
Geomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
Tez No
935168
Land cover segmentation of very high-resolution remotely sensed data using CNN and transformer models
Transformer ve CNN modelleri kullanarak çok yüksek çözünürlüklü uzaktan algılama görüntülerinin arazi örtüsü segmentasyonu
CENGİZ AVCI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol İstanbul Teknik Üniversitesi
İletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
Tez No
1003584
Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol İstanbul Teknik Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
Tez No
936974
New deep learning based approaches for land cover classificationin satellite images
Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar
BAHAA AWAD
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliği İstanbul Teknik Üniversitesi
Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
Tez No
720977
3B nokta bulutlarının derin öğrenme yöntemiyle semantik segmentasyonu
Semantic segmentation of 3D point clouds using deep learning methods
MERT BEŞİKTEPE
Yüksek Lisans
Türkçe
2022
Jeodezi ve Fotogrametri İstanbul Teknik Üniversitesi
Geomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER GÜNEY

Geri Dön