Geri Dön

Comparative analysis of multiple machine learning algorithms for post-earthquake building damage assessment in Hatay city following the 2023 earthquake

Hatay ilinde 2023 depremi sonrası bina hasar tespiti için çoklu makine öğrenme algoritmalarının karşılaştırmalı analizi

PDF İndir

  1. Tez No: 864373
  2. Yazar: ÖMER KAYA
  3. Danışmanlar: PROF. DR. SEVDA ZUHAL AKYÜREK, DOÇ. DR. SEMİH KUTER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: 181

Özet

Bu tez, uydu görüntüleme ve makine öğrenme algoritmalarının entegrasyonuna odaklanarak deprem hasar değerlendirme metodolojilerine yer vermektedir. Çalışmanın amacı, uzaktan algılama ve makine öğrenme tekniklerini kullanarak sadece deprem sonrası uydu görüntüleri kullanılarak hasarlı binaların tespit edilmesinin doğruluğunu ve verimliliğini artırmaktır. Makine öğrenme algoritmaları, Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (MARS), Yapay Sinir Ağları (ANN), Destek Vektör Makineleri (SVM), Rastgele Orman (RF) ve toplu öğrenme yöntemleri gibi, uydu görüntülerinden otomatik özellik çıkarma etkinliği değerlendirilmiştir. Temel Bileşenler Analizi (PCA), doku görüntü bantlarını kullanarak modellerin ayırt edici gücünü artırmak amacı ile uygulanmıştır. Çalışmada 10-sııflı çapraz doğrulama yöntemi kullanılmıştır. Çalışma ayrıca, gölge algılamayı engelleyen karmaşık bina şekilleri ve yoğunlukları gibi sorunlarla uğraşırken, özel bir yaklaşım gerektiren vektör veri iyileştirmesini entegre eden özel bir yaklaşıma ihtiyaç duyan nadir olmayan görüntülerden bina izlerini sınıflandırmadaki zorlukları ele almaktadır. Katmanlar arasında bina izi alanlarını incelemek, özellikle Katman 5'te belirgin bir şekilde görülen boyut dağılımındaki önemli değişkenlikleri açığa çıkarmaktadır. En yüksek doğruluk katmanının Hasar Yakınlık Haritası ile değerlendirilmesi, makine öğrenme sınıflandırma sonuçlarının bina sınırı verileriyle hizalanmasının önemini vurgulamaktadır. Çalışmanın sonuçları birkaç önemli bulguyu ortaya koymaktadır. Doğrusal kernel SVM, özellikle üstün doğruluk sergileyen en iyi performans gösteren algoritma olarak ortaya çıkmaktadır ve %57 ila %64,82 arasında doğruluk sağlamaktadır. Ayrıca, MARS, katmanlar arasında stabil performans sergileyerek %60 ila %62 arasında doğruluk sağlamaktadır. Bununla birlikte, ikinci dereceden polinom kernel SVM ve toplu öğrenme yöntemleri katmanlar arasında farklı hatalar sergilemektedir.

Özet (Çeviri)

This thesis presents earthquake damage assessment methodologies, focusing on integrating satellite imagery and machine learning (ML) algorithms. The study aims to enhance the accuracy and efficiency of identifying damaged buildings using only post-earthquake satellite images by combining remote sensing and ML techniques. ML algorithms, like Multivariate Adaptive Regression Splines (MARS), Artificial Neural Networks (ANN), Support Vector Machines (SVM), Random Forest (RF), and ensemble learning methods, are evaluated for their effectiveness in automatic feature extraction from satellite imagery. Principal Component Analysis (PCA) is employed with the derived texture image bands, augmenting the discriminative power of the models. A ten-fold cross-validation process is used in the study. The study also tackles challenges in classifying building footprints from non-nadir imagery, where intricate building shapes and densities impede shadow detection, requiring a customized approach integrating vector data refinement. Examining building footprint areas across folds uncovers considerable variations in size distribution, particularly evident in Fold 5. Evaluating the highest accuracy fold with the Damage Proximity Map emphasizes the criticality of aligning ML classification outcomes with ground truth data. The results of the study highlight several key findings. SVM with a linear kernel emerges as the top-performing algorithm, mainly exhibiting superior accuracy, achieving 57% to 64.82% accuracy. Additionally, MARS demonstrates stable performance across folds, maintaining accuracies around 60% to 62%. In contrast, SVM with 2nd-degree polynomial kernel and ensemble methods exhibit different inaccuracies across folds.

Benzer Tezler

  1. Tez No

    836741

    FLAGS framework and decentralized federated learning under device volatility

    FLAGS platformu ve cihaz dalgalanması durumunda merkeziyetsiz federe öğrenme

    AHNAF HANNAN LODHI

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖZNUR ÖZKASAP

    YRD. DOÇ. DR. BARIŞ AKGÜN

  2. Tez No

    901262

    Predictive modelling of mechanical properties in flat steel manufacturing: A comparative analysis of feature selection methods of mechanical properties for cold rolled products

    Yassı çelik üretiminde mekanik özelliklerin tahminsel modellemesi:Soğuk haddelenmıiş ürünler için mekanik özelliklerin özellik seçim yöntemlerinin karşılaştırılmalı analizi

    DİDEM BAKİLER İLME

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Yönetim Bilişim SistemleriKadir Has Üniversitesi

    Yönetim Bilimleri Ana Bilim Dalı

    DOÇ. DR. EMRULLAH FATİH YETKİN

  3. Tez No

    812314

    A comparative study of nonlinear model predictive control and reinforcement learning for path tracking

    Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması

    GAMZE TÜRKMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  4. Tez No

    297867

    Improving text categorization performance by combining feature selection methods

    Öznitelik seçme metotlarını birleştirerek metin sınıflandırma performansının iyileştirilmesi

    ECE ÖZBİLEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUNGA GÜNGÖR

  5. Tez No

    911671

    SBS sınav sonucu tahmin modeli

    SBS exam result prediction model

    BOTAN ONAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPER BİLGE

Geri Dön