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
- Tez No: 752755
- Danışmanlar: PROF. DR. ALİ MELİH BAŞARANER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 96
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
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Derin öğrenme algoritmaları kullanarak öğrenci akademik performansının erken tahmini
Early prediction of student academic performance using deep learning algorithms
AHMET KALA
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN TORKUL
DR. ÖĞR. ÜYESİ TUĞBA YILDIZ
- Swarm fighter aircraft control with deep reinforcement learning approach
Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü
METİN SARI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Long term competitive advantage effect on company value with fuzzy logic and machine learning applications
Bulanık mantık ve makine öğrenmesi uygulamaları ile uzun vadeli rekabet avantajının şirket değeri üzerine etkisi
ZEKERİYA BİLDİK
Doktora
İngilizce
2024
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. KAYA TOKMAKÇIOĞLU
- Yapı kimyasalları sektöründe makine öğrenmesi destekli çimento fiyat tahminlemesi
Machine learning-supported cement price forecasting in the construction chemicals industry
MEHMET EROL KARA
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiEskişehir Osmangazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN SİPAHİOĞLU
PROF. DR. EZGİ AKTAR DEMİRTAŞ