Geri Dön

Açıklanabilir yapay öğrenme algoritmaları ile Adana ili taşkın duyarlılık haritalarının üretimi

Production of flood susceptibility maps for Adana province using explainable machine learning

PDF İndir

  1. Tez No: 780572
  2. Yazar: HALİT ENES AYDIN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUZAFFER CAN İBAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 80

Özet

Son yıllarda dünya genelinde gerçekleşen taşkın sayısı artmıştır. Dolayısıyla, Taşkın Duyarlılık Haritalarının (TDH) hazırlanması, taşkın önleme, taşkın risklerini azaltma ve karar verme süreçleri için oldukça önemlidir. Bu çalışmanın amacı, ağaç tabanlı Makine Öğrenmesi (MÖ) sınıflandırıcıları kullanarak Türkiye'nin Akdeniz kıyısındaki Adana ili için TDH üretmektir. Bu çalışma, TDH çalışmalarında ilk kez Doğal Gradyan Artırma Makinelerinin (NGBoost) tahmin performansını denetlemektedir. Gradyan Artırma (GB), Aşırı Gradyan Artırma (XGBoost) ve AdaBoost algoritmalarına ek olarak, Hafif Gradyan Artırma (LightGBM) ve CatBoost algoritmalarının ilk karşılaştırmalı performans denetimi gerçekleştirilmiştir. Bu MÖ yaklaşımları, hazırlanan bir taşkın envanteri ve beş kategoriye ayrılan on dört taşkın koşullandırma faktörü kullanılarak değerlendirilmiştir. Bu faktörler, topografik, meteorolojik, bitki örtüsü, litolojik ve antropojenik faktörlerden oluşmaktadır. AdaBoost ve LightGBM modelleri test doğruluğu açısından en yüksek skoru elde etmiştir (0.8978). Bunu sırasıyla GB ve NGBoost (0.8832), XGBoost (0.8759), RF (0.8613) ve CatBoost (0.8102) izlemiştir. Sınıflayıcı algoritmaların tahmin sonuçları arasında istatistiksel anlamlılığı belirlemek için McNemar testi kullanılmıştır. Üretilen TDH'ler Adana İli'nin, orta ila aşırı derecede taşkın oluşumuna duyarlı çok miktarda araziye sahip olduğunu göstermektedir. Öznitelik (faktör) seçimi için, önceki çalışmaların çoğunluğu Bilgi Kazancı (IG) yöntemini ve çoklu bağlantı analizini kullanmıştır. Bu çalışma, koşullandırma faktörlerini analiz etmek için açıklayıcı yapay zekâ (XAI) tekniklerinden yararlanmıştır. Yalnızca birkaç çalışma, koşullandırma faktörlerinin modele katkı düzeyini hesaplamak için global açıklayıcı modelleri kullanmıştır. Her koşullandırma faktörü arasındaki ilişkiyi ve bağlılıkları anlamak için lokal olarak açıklanabilen bir model gereklidir. Bu nedenle bu çalışmada, SHapley Additive exPlanations (SHAP) yaklaşımının yardımıyla, oluşturulmuş MÖ tabanlı TDH'ler lokal olarak açıklanmıştır. Yükseklik, eğim ve akarsulara olan mesafe çoğu modele katkıda bulunan ilk üç unsur olarak. Düşük kotlar, alçak eğimler, akarsu kıyılarına yakın alanlar, tarım alanları ve zayıf bitki örtüsü bulunan yerlerin çalışma alanında taşkınlara daha duyarlı olduğu tespit edilmiştir

Özet (Çeviri)

In recent years, the number of floods around the world has increased. As a result, Flood Susceptibility Maps (FSMs) are vital for flood prevention, risk mitigation, and decision-making. The purpose of this study is to develop FSMs for Adana province on the Mediterranean coast of Turkey using tree-based machine learning (ML) classifiers. This study seeks to analyze the predictive performance of Natural Gradient Boosting Machines (NGBoost) for the first time in FSM studies, as well as the first comparative study of Light Gradient Boosting Machines (LightGBM) and CatBoost versus other techniques, including Random Forest (RF), Gradient Boosting (GB), eXtreme Gradient Boosting (XGBoost), and Adaptive Boosting (AdaBoost). These ML approaches were evaluated using a flood inventory and fourteen flood conditioning parameters divided into five categories: topographical, meteorological, vegetation, lithological, and anthropogenic. The AdaBoost and LightGBM models scored the highest in terms of test accuracy (0.8978), followed by GB and NGBoost (0.8832), XGBoost (0.8759), RF (0.8613), and CatBoost (0.8102). A McNemar's test was used to determine the statistical significance of the difference in classifier prediction accuracy. According to the FSMs generated, Adana province has a substantial quantity of land that is moderately to extremely prone to flooding. For feature selection, the majority of previous studies used the Information Gain (IG) method and multicollinearity analysis. However, only a few studies used global explanatory models to calculate the relevance of their conditioning factors. A locally interpreted model is required to understand the associations and dependencies between each conditioning factor. Therefore, this study locally interprets the generated ML-based FSMs with the help of the SHapley Additive exPlanations (SHAP) approach. Elevation, slope, and distance to rivers are the top three contributing elements in most models. Lower elevations, lower slopes, areas closer to river banks, agricultural areas, and sparsely vegetated areas are shown to be more prone to flooding in the study area.

Benzer Tezler

  1. Tez No

    859865

    Modeling of the marine diesel engines with comparative machine learning methodologies

    Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi

    MEHMET İLTER ÖZMEN

    Doktora

    İngilizce

    İngilizce

    2024

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Gemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN AZMİ ÖZSOYSAL

  2. Tez No

    865036

    A support decision system for predicting rating values of preproduction TV content: An explainable machine learning approach

    Yayınlanmamış TV içeriğinin reyting değerinin tahmin edilebilmesi için karar destek sistemi: Bir açıklanabilir makine öğrenimi yaklaşımı

    BURAK BATIBAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    PROF. DR. ATABEY KAYGUN

  3. Tez No

    808191

    Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi

    Soil salinity mapping using explainable artificial intelligence methods

    SAMET AKSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  4. Tez No

    838342

    Açıklanabilir yapay zeka ile hukuki metin analizi

    Legal text analysis with explainable artificial intelligence

    TÜLAY TURAN

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ECİR UĞUR KÜÇÜKSİLLE

  5. Tez No

    758119

    Büyük veri çağında kişisel verilerin korunması: Avrupa Birliği genel veri koruma tüzüğü'nde profilleme ve otomatik karar alma düzenlemeleri

    Protection of personal data in the age of big data: Profiling and automated decision making under the European Union general data protection regulation

    İREM YALÇINKAYA ÖZDAMAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Hukukİstanbul Bilgi Üniversitesi

    Bilişim ve Teknoloji Hukuku Bilim Dalı

    PROF. DR. LEYLA BERBER

Geri Dön