Makine öğrenimi algoritmalarını kullanarak jeokonumsal verilerin tahmini
Estimation of geospatial data by using machine learning algorithms
- Tez No: 689738
- Danışmanlar: PROF. DR. MAHMUT YAVUZ
- Tez Türü: Doktora
- Konular: Maden Mühendisliği ve Madencilik, Mining Engineering and Mining
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Maden Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 195
Özet
Jeoistatistik, jeokonumsal değişkenleri doğru bir şekilde tahmin etmek için günümüzde kullanılan en yaygın yöntemdir. Ancak, etkin bir şekilde uygulanabilmesi için verilere ilişkin durağanlık ve doğrusallık gibi bazı varsayımlara ihtiyaç duyar. Son yıllarda, makine öğrenimi (ML) algoritmaları özellikle karmaşık koşullarda tahmin için verimli çözümler sunabildiklerinden giderek popüler olmaya başlamıştır. Bununla birlikte, bu algoritmalar: (1) verilerin birbirinden bağımsız olduğunu varsaymakta ve (2) verileri konumlarında yeniden üretememektedirler. Dahası, çoğu ML algoritması tahmin haritalarında koordinat yönleri boyunca önemli yapay görüntüler vermektedir. Bu tezde ML'yi temel alan iki yeni jeokonumsal tahmin yönteminin sunulması amaçlanmaktadır. Topluluk süper öğrenci (ESL) modeli olarak adlandırılan ilk yöntem, ML tahmin haritalarındaki yapaylıkları yönetmek için sunulmuştur. Bu model ML ile modelleme yapabilmek için süper öğrenci (SL) modelinden yararlanmakta ve bir koordinat rotasyon stratejisi ile orijinal veri setinden çok sayıda farklı eğitim seti oluşturmaktadır. İncelenen vaka çalışmaları; ESL modelinin durağanlık ve doğrusallık varsayımlarına ihtiyaç duymadan, tahmin doğruluğu açısından geleneksel jeoistatistiksel yöntemlerle karşılaştırılabilir sonuçlar verdiğini ve ESL modelinin anizotropiyi dikkate alıp, tahmin haritalarındaki yapaylıkları yönettiğini göstermektedir. Sunulan ikinci yöntem; kriging ve ML yöntemlerini, her iki yöntemin jeokonumsal verilerin tahminindeki dezavantajlarını azaltmak, daha doğru ve tutarlı tahminler elde etmek için biraraya getirmektedir. ML ve krigingden elde edilen tahmin sonuçları, kriging varyansına dayalı bir ağırlıklandırma fonksiyonu ile birleştirilmekte ve ağırlıklar sıralı ikinci dereceden programlama kullanılarak optimize edilmektedir. Birleştirilmiş yöntem çok sayıda benzetilmiş ve gerçek veri seti seti üzerinde test edilmiş ve sonuçlar bu yöntemin, Gauss veri seti dışındaki tüm veri setlerinde hem kriging hem de ML' den elde edilenlere kıyasla tahmin sonuçlarını iyileştirdiğini göstermiştir.
Özet (Çeviri)
Geostatistics is the most prevalent method used today to estimate geospatial variables accurately. However, some assumptions about the data such as stationarity and linearity are needed for geostatistical methods to be effectively applied. In recent years, machine learning (ML) models have started to become popular, as these models promise to provide efficient solutions for estimation, especially in complex cases. However, these models have two major limitations: (1) the data is considered to be independent, and (2) the data is not reproduced at their locations. Moreover, most ML models produce visible artifacts in the resulting estimates along the coordinate directions, which is not realistic in terms of modeling the geological deposits. This thesis aims to present two new geospatial estimation methods based on ML. The first method called the ensemble super learner (ESL) model is presented to manage estimation artifacts in ML geospatial estimation. This model makes use of the super learner (SL) model for ML modeling and creates numerous different training sets from the original dataset by a coordinate rotation strategy. The case studies demonstrate that the ESL model provides results comparable to the traditional geostatistical methods in terms of estimation accuracy without the need for stationarity and linearity assumptions. The ESL model also incorporates anisotropy information and manages the artifacts in ML spatial estimation. The second method combines kriging and ML to mitigate the disadvantages of each method in geospatial estimation as well as obtain more accurate and consistent estimates. In the proposed method, estimation results from both ML and kriging are combined by a weighting function based on the kriging variance, and weights are optimized using sequential quadratic programming. The combined model is demonstrated in numerous synthetic and real case studies and the results indicate that this method improves the estimation results in comparison to the ones obtained both from kriging and the ML in all cases, except in the truly Gaussian dataset.
Benzer Tezler
- Makine öğrenimi algoritmalarını kullanarak gerçek zamanlı robot ile nesne algılama ve tanıma
Object detection and recognition with real-time robot using machine learning algorithms
ALI JAMAL JALIL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SOYDAN SERTTAŞ
- Makine öğrenimi algoritmalarını kullanarak hastalık tahmininin gömülü sistemlerde gerçeklenmesi
Machine learning algorithms for disease prediction in embedded systems
ASİLAY VAROL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYozgat Bozok ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET EMİN ŞAHİN
- Automated failure detection in refrigerators using machine learning algorithms
Makine öğrenimi algoritmalarını kullanarak buzdolaplarında otomatik arıza tespiti
SELİN SARIAL
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri MühendisliğiÖzyeğin ÜniversitesiVeri Bilimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İHSAN YANIKOĞLU
- Makine öğrenimi algoritmalarını kullanarak öğrenci akademik performans tahmini
Student academic performance prediction using machine learning algorithms
AIGERIM SULTANALI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. DR. HASAN ÇAKIR
- Analysing network traffic and detecting network threats by using the algorithms of machine learning
Makine öğrenimi algoritmalarını kullanarak ağ trafiğini analiz etme ve ağ tehditlerini tespit etme
ABDURRAHMAN KÜÇÜKKOÇ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. ZAFER AYDIN