Topluluk temelli makine öğrenmesi ile taşkın duyarlılık haritalaması: Doğu Akdeniz havzası örneği
Flood susceptibility mapping with ensemble machine learning: The Eastern Mediterranean basin case study
- Tez No: 739211
- Danışmanlar: DOÇ. DR. MÜSTEYDE BADUNA KOÇYİĞİT
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Son yıllarda uzaktan algılama ve jeo-uzamsal teknolojinin gelişmesiyle beraber havza planlanmasında önemli bir yer teşkil eden ve birçok çevresel parametreye bağlı olan muhtemel taşkın alanlarının belirlenmesinde farklı makine öğrenim algoritmaları uygulama bulmaya başlamıştır. Ancak makine öğrenimi modellerinin performansı üzerinde önemli bir etkiye sahip olan ve algoritmaların davranışlarını doğrudan etkileyen hiperparametrelerin dikkatli bir şekilde belirlenmesi gerekmektedir. Bu çalışmada, Doğu Akdeniz Havzası taşkın duyarlılık haritalaması için karar ağaçları, gradyan arttırma ağaçları, destek vektör makineleri ve yapay sinir ağı algoritmaları kullanılarak topluluk temelli modeller oluşturulması amaçlanmıştır. Topluluk temelli modeller oluşturulurken, öncelikle her bir makine öğrenimi algoritmasının ön işlemesi ve hiperparametre optimizasyonu yapılmıştır. Modellerin başarısı alıcı işletim karakteristiği eğrisi altında kalan alan referans alınarak değerlendirilmiştir. Sonuçlar ön işleme ve hiperparametre optimizasyonu yapılan topluluk temelli modellerin bunların olmadığı modellerden daha başarılı sonuçlar verdiğini göstermiştir. Havza içerisinde bulunan bütün noktaların taşkın bulundurma olasılıkları hesaplanarak taşkın duyarlılık haritaları oluşturulmuş ve aralarındaki farklar incelenmiştir. Genel olarak taşkın duyarlılık haritalarında, topluluk temelli modellerden elde edilen taşkın alanlarının tek bir makine öğrenimi algoritmasının oluşturduğu alanlara göre daha fazla dağılım gösterdiği gözlemlenmiştir. Oluşturulan modellerin test kümesindeki tahminleri arasındaki farklılıklarının gözlenmesi amacı ile McNemar testi uygulanmıştır. Elde edilen sonuçlar kullanılan algoritmaların genellikle test verilerinin tahmininde birbirileri içerisinde tutarlı sonuçlar verdiğini göstermiştir.
Özet (Çeviri)
In recent years, with the advances in remote sensing and geospatial technology, various machine learning algorithms have started to find application in determination of potentially flooded areas, which have an important place in basin planning and depend on a wide variety of environmental parameters. However, hyperparameters which have a significant impact on the performance of machine learning models and directly affect the behavior of algorithms need to be carefully determined. In this study, the main aim is to create ensemble models of decision trees, gradient boosting trees, support vector machines and artificial neural network algorithms to generate flood susceptibility mapping of the Eastern Mediterranean Basin. During creation of ensemble models, preprocessing and hyperparameter optimization of each machine learning algorithm were performed. Success of the models was evaluated with reference to the area under the receiver operating characteristic curve. Results showed that ensemble models with preprocessing and hyperparameter optimization gave better results than those models without them. Flood susceptibility maps were generated by calculating flood probability of all points in the basin and then the differences between them were examined. In general, in flood susceptibility maps, it has been observed that the flood areas formed by ensemble models were more distributed than the flood areas created by a single machine learning algorithm. McNemar test was applied in order to observe the differences between the predictions of the generated models in the test data. The results showed that the algorithms used generally gave consistent results in the estimation of the test data.
Benzer Tezler
- Ensemble based feature selection with hybrid model
Hibrit modeli ile topluluk temelli öznitelik seçimi
CEYLAN DEMİR
Yüksek Lisans
İngilizce
2019
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İZZET GÖKSEL
DOÇ. DR. SÜREYYA AKYÜZ
- Topluluk öğrenme yöntemleri kullanılarak finansal varlıklar için algoritmik işlem stratejilerinin geliştirilmesi
Development of algorithmic trading strategies for financial assets using ensemble learning methods
ÜZEYİR AYCEL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUNUS SANTUR
- Predicting direction of stock price movement by using adaptive ensemble learning method
Hisse senedi fiyatı hareket yönünün adaptif topluluk öğrenmesi metodu ile tahmin edilmesi
ALİ ÖZKAN PEKMEZ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Saldırı tespit sistemleri için makine öğrenme yöntemlerinin performans karşılaştırması
Performance comparison of machine learning methods for attack detection systems
CİHAT GÜRMEN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM BERKAN AYDİLEK
- Makina öğrenmesi teknikleri ile hukuki alacak tahsilat kuruluşu dosya kapatılabilirlik tahmini ve atama modeli ile dosya ataması: Telekomünikasyon sektörü örneği
Predicting case closeability of legal debt collecti̇on agency with machine learni̇ng teqniques and assignment of cases with closibility based assignment model: A case study on telecomunication sector
NİLÜFER ALTINOK
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BAŞAR ÖZTAYŞİ