Makine öğrenme algoritmaları kullanılarak heyelan duyarlılık haritalaması
Landslide susceptibility mapping using machine learning algorithms
- Tez No: 850586
- Danışmanlar: PROF. DR. BEKİR TANER SAN
- Tez Türü: Yüksek Lisans
- Konular: Jeoloji Mühendisliği, Geological Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bu çalışmada, İstanbul Anadolu yakasının güneyinde yer alan Kartal İlçesi sınırları içerisinde bulunan 38.54 km2'lik bölgede uzaktan algılama ve coğrafi bilgi sistemleri kullanılarak alanın heyelan duyarlılık haritalaması yapılması amaçlanmıştır. Çalışma alanı nüfus ve ticaret alanı olması nedeniyle önemli bir konuma sahiptir. Çalışma kapsamında farklı veri setinden oluşturulan topografik, morfometrik ve spektral parametreler kullanılmıştır. Bu parametreler ASTER uydu görüntüleri ve bunların analizlerinden elde edilen görünür ve yakın kızılötesi, kısa dalga boylu kızılötesi, termal kızılötesi, normalleştirilmiş fark bitki örtüsü indeksi, dekorelasyon germesi, temel bileşenler analizi, sayısal yükseklik modeli ve türevleri (eğim, bakı, kanallara olan uzaklık, plan eğriliği, profil eğriliği, topografik ıslaklık indeksi, LS faktör) verileri ile mevcut fay hatlarına olan uzaklık ve heyelan envanter verileri kullanılmıştır. Çalışmada analiz ve işlem sonuçları ile elde edilen girdi parametreleri, makine öğrenme algoritmalarından Destek Vektör Makinesi (SVM) kullanılarak heyelan duyarlılık haritalaması yapılmıştır. Çalışmada İki Seviyeli Rastgele Örnekleme (2LRS) algoritması kullanılarak eğitim ve test sınıfları belirlenmiştir. Bu algoritmanın en önemli özelliği çalışma sahasında heyelan öncesi koşulların kullanılmasıdır. Böylece otomatik heyelan haritalaması değil, heyelan duyarlılık haritalaması yapılmıştır. Üretilen heyelan duyarlılık haritasında, her piksel 0.0 ile 1.0 aralığında süreklilik arz eden duyarlılık değerlerini göstererek sınıflandırılmıştır. Elde edilen duyarlılık haritaları, her biri yüksek, orta, düşük ve çok düşük duyarlılık olmak üzere dört farklı sınıfa ayrılmıştır. Sınıflandırma sonucunda elde edilen haritaların doğruluk değerlendirmesi için alıcı işletim karakteristik (ROC) eğrisi ve eğri altında kalan alan (AUC) değerleri kullanılmıştır. Üretilen heyelan duyarlılık haritalarının doğruluk değerleri olarak hesaplanan AUC değerleri %93 olarak bulunmuştur.
Özet (Çeviri)
In this study, it was aimed to carry out landslide susceptibility mapping of the area using remote sensing and geographical information systems in a 38.54 km2 area within the borders of Kartal District located in the south of the Anatolian side of Istanbul. The study area has an important location due to its population and trade area. Within the scope of the study, topographic, morphometric and spectral parameters created from the different data set were used. These parameters includevisible and near infrared, short wavelength infrared, thermal infrared, normalized difference vegetation index, decorrelation stress, principal component analysis, digital elevation model and its derivatives (slope, aspect, distance to canals, plan curvature, profile curvature, topographic wetness index, LS factor), distance to existing fault lines and landslide inventory data obtained from ASTER satellite images and their analysis. In the study, landslide susceptibility mapping was performed by using the input parameters obtained from the analysis and processing results and the Support Vector Machine (SVM), one of the machine learning algorithms. In the study, training and test classes were determined using the Two Level Random Sampling (2LRS) algorithm. The most important feature of this algorithm is the use of pre-landslide conditions in the study area. Thus, landslide susceptibility mapping was performed, not automatic landslide mapping. In the landslide susceptibility map produced, each pixel is classified by showing continuous susceptibility values between 0.0 and 1.0. The resulting susceptibility maps are categorized into four different classes, each of which is high, medium, low and very low susceptibility. Receiver operating characteristic (ROC) curve and area under the curve (AUC) values were used to evaluate the accuracy of the maps obtained as a result of classification. AUC values calculated as the accuracy values of the produced landslide susceptibility maps were found as 93%.
Benzer Tezler
- Makine öğrenme teknikleri ile heyelan duyarlılık haritalarının üretilmesi: Hopa (Artvin) örneği
Production of landslide susceptibility maps by machine learning techniques: Hopa (Artvin) example
ÖZGE MUTLU
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriArtvin Çoruh ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. HALİL AKINCI
- Makine öğrenmesi teknikleri ile mekansal karar destek sistemlerinin geliştirilmesi: Aksaray ili örneği
Development of spatial decision support systems with machine learning techniques: Case of Aksaray province
SÜLEYMAN SEFA BİLGİLİOĞLU
Doktora
Türkçe
2018
Jeodezi ve FotogrametriAksaray ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. HACI MURAT YILMAZ
- Machine learning models for microbiome-based classification of axolotl limb regeneration phases
Aksolotl uzuv rejenerasyon aşamalarının mikrobiyoma dayalı sınıflandırılması için makıne öğrenimi modellerı
ABDULLAH HÜSEYİN KÖSEOĞLU
Yüksek Lisans
İngilizce
2023
Biyoistatistikİstanbul Medipol ÜniversitesiBiyomedikal Mühendisliği ve Biyoenformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KIVANÇ KÖK
- 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
- Makine öğrenme algoritmaları kullanılarak lazer verilerinden ağaç türlerinin sınıflandırılması olanaklarının araştırılması
Investigation of tree species classification possibilities from laser data using machine learning algorithms
ZEHRA ÇETİN
Doktora
Türkçe
2022
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. NACİ YASTIKLI