Geri Dön

Şekil göstergeleri ve makine öğrenmesi algoritmaları aracılığıyla bina detaylarının şekil karmaşıklığına göre sınıflandırılması

Classification of building features by shape complexity through shape indices and machine learning algorithms

PDF İndir

  1. Tez No: 752755
  2. Yazar: HÜSEYİN SAFA DUMAN
  3. Danışmanlar: PROF. DR. ALİ MELİH BAŞARANER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Coğrafi veri tabanları, Coğrafi veriler, Geometrik şekiller, Konumsal veri tabanı, Makine öğrenmesi, Mantıksal veri tabanı, Sayısal geometri, Geographical databases, Geographic datas, Geometric shapes, Spatial database, Machine learning, Logic database, Computational geometry
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Şekil analizi, mekânsal olguları/nesneleri karakterize etmek ve mekânsal örüntüleri ortaya çıkartmak için kullanılır. Kartografya ve CBS alanında, şekil analizinden, genelleştirme, dikkat çekici (referans) detayların seçimi ve mekansal değişim incelemesi gibi uygulamalarda yararlanılmaktadır. Bu amaçla, şekil göstergeleri oldukça yaygın olarak tercih edilmektedir. Şekil göstergeleri, nesnelerin belirli şekilsel özelliklerinin sayısal olarak ifade edilmesini sağlarlar. Böylece, nesnelerin şekil benzerliğini ölçmek, karşılaştırmak ve değerlendirmek mümkün hale gelir. Bu çalışmada, bina detaylarının şekil karmaşıklık düzeylerine göre karakterize edilmesi amaçlanmıştır. Bu bağlamda, veri derleme, şekil göstergelerinin seçimi ve hesaplanması ve şekillerin sınıflandırılması aşamalarını içeren iki uygulama gerçekleştirilmiştir. Uygulamalarda veri olarak, OpenStreetMap'ten elde edilen bina detayları kullanılmıştır. Şekil göstergeleri, önceki çalışmalarda başarılı bulunanlar arasından seçilmiştir. Şekil göstergelerinin değerleri, daha önce geliştirilmiş bir eklenti kullanılarak MapInfo Pro yazılımında otomatik olarak hesaplanmıştır. Şekillerin sınıflandırılması için ise makine öğrenmesi algoritmalarından (k-NN, Naif Bayes, Karar Ağaçları, Rastgele Orman ve Gradyan Artırma) yararlanılmıştır. Bu kapsamda, RapidMiner yazılımı kullanılmıştır. İlk uygulamada, 300 adet bina detayı, üç şekil karmaşıklık sınıfı (karmaşık, orta ve basit), üç şekil göstergesi (Dairesellik, Dışbükeylik ve Dikdörtgensellik) ve iki topluluk öğrenmesi algoritması (Rastgele Orman ve Gradyan Artırma) kullanılmıştır. Bu uygulamada, Rastgele Orman algoritması ile %93,33 genel doğruluk (κ=0,900), Gradyan Artırma algoritması ile ise %92,33 genel doğruluk (κ=0,885) elde edilmiştir. İkinci uygulamada ise 5000 adet bina detayı, beş şekil karmaşıklık sınıfı (Çok Karmaşık, Karmaşık, Orta, Basit, Çok Basit), yedi şekil göstergesi (Dairesellik, Dışbükeylik, Dikdörtgensellik, Karesellik, Pürüzlülük Göstergesi, Eşdeğer Dikdörtgen Göstergesi ve Uzanım) ve makine öğrenmesi algoritmaları (k-NN, Naive Bayes, Karar Ağaçları, Rastgele Orman ve Gradyan Artırma) kullanılmıştır. Bu uygulamada, Gradyan Artırma algoritması %79,98 genel doğruluk (κ=0,731) ile en iyi performansı göstermiştir. Bu algoritmayı sırasıyla %79,88 genel doğruluk (κ=0,730) ile Rastgele Orman, %77,20 genel doğruluk (κ=0,694) ile k-NN algoritması takip etmiştir.

Özet (Çeviri)

Shape analysis is used to characterize spatial phenomena/objects and to reveal spatial patterns. In the field of cartography and GIS, shape analysis is utilized in applications such as generalization, selection of remarkable (reference) features, and spatial change analysis. For this purpose, shape indices are widely preferred. Shape indices provide numerical expression of certain shape characteristics of objects. Thus, it becomes possible to measure, compare and evaluate the shape similarity of objects. In this study, it is aimed to characterize building features by their shape complexity levels. In this context, two experimental studies were carried out, including the phases of data collection, selection and calculation of shape indices, and classification of shapes. Building features from OpenStreetMap were used as data in the experiments. Shape indices were chosen from among those found successful in previous studies. The values of the shape indices were calculated automatically in MapInfo Pro software using a previously developed plugin. Machine learning algorithms (k-NN, Naïve Bayes, Decision Trees, Random Forest and Gradient Boosting) were used to classify the shapes. In this context, RapidMiner software was used. In the first experiment, 300 building features, three shape complexity classes (complex, medium and simple), three shape indices (Circularity, Convexity and Rectangularity) and two ensemble learning algorithms (Random Forest and Gradient Boosting) were used. In this experiment, 93.33% overall accuracy (κ=0.900) was obtained with the Random Forest algorithm, and 92.33% overall accuracy (κ=0.885) with the Gradient Boosting algorithm. In the second experiment, 5000 building features, five shape complexity classes (Very Complex, Complex, Medium, Simple, Very Simple), seven shape indices (Circularity, Convexity, Rectangularity, Squareness, Roughness Index, Equivalent Rectangle Index and Elongation) and machine learning algorithms (k-NN, Naive Bayes, Decision Trees, Random Forest and Gradient Boosting) were used. In this experiment, the Gradient Boosting algorithm performed the best performance with an overall accuracy of 79.98% (κ=0.731). This algorithm was followed by Random Forest with 79.88% overall accuracy (κ=0.730), and k-NN algorithm with 77.20% overall accuracy (κ=0.694).

Benzer Tezler

  1. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  2. Tez No

    1015599

    Yapay zeka ile dört motorlu iha pervane hasar tespiti ve düşme riski tahmini

    Four-motor UAV propeller damage detection and crashing risk prediction with artificial intelligence

    MEHMET REHA KOÇAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan Üniversitesi

    Elektromanyetik Alanlar ve Mikrodalga Tekniği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED FAHRİ ÜNLERŞEN

  3. Tez No

    947390

    Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini

    Early prediction of student academic performance using deep learning algorithms

    AHMET KALA

    Doktora

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN TORKUL

    DR. ÖĞR. ÜYESİ TUĞBA YILDIZ

  4. Tez No

    847419

    Postpartum kanamanın erken tespitine yönelik yöntem geliştirme ve etkinliğinin değerlendirilmesi

    Development of a method for early detection of postpartum haemorrhage and evaluation of its effectiveness

    MERVE AFACAN SATIOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    EbelikEskişehir Osmangazi Üniversitesi

    Ebelik Ana Bilim Dalı

    DOÇ. DR. NEŞE ÇELİK

    DOÇ. DR. MUHAMMET TAHİR GÜNEŞER

  5. Tez No

    955617

    Swarm fighter aircraft control with deep reinforcement learning approach

    Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü

    METİN SARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FİKRET ÇALIŞKAN

Geri Dön