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
- Tez No: 864373
- Danışmanlar: PROF. DR. SEVDA ZUHAL AKYÜREK, DOÇ. DR. SEMİH KUTER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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
- Optimizasyon tabanlı bir su kaynakları sistemi modelleme aracının geliştirilmesi ve çok amaçlı sektörel tahsise uygulanması
Development of an optimization-based modeling tool for water resources systems and application to multi-objective sectoral allocation
SALİM YAYKIRAN
Doktora
Türkçe
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPASLAN EKDAL
- Konik ışınlı bilgisayarlı tomografi (KIBT) görüntüleri üzerinde yapılan ölçümlerden elde edilen verilerin kimlik tayininde kullanılabilirliğinin değerlendirilmesi
Evaluation of the usability of data obtained from measurements made on cone beam computerized tomography (CBCT) for identification
BİLGE GEÇİOĞLU
Doktora
Türkçe
2025
Adli TıpAnkara ÜniversitesiAdli Bilimler Ana Bilim Dalı (disiplinlerarası)
PROF. DR. YAŞAR BİLGE
DR. ÖĞR. ÜYESİ BEGÜM MUTLU BİLGE
- Digitalization in construction claim management
İnşaat hak talebi yönetiminde dijitalleşme
NİL DENİZMEN
Yüksek Lisans
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ ARTAN
- COVID-19 pandemisi kapsamında Fırat Havzası yerleşimlerinde karantina döneminin hava ve su kalitesi üzerindeki etkilerinin peyzaj planlama açısından değerlendirilmesi
Evaluation of the effects of the quarantine period on air and water quality in Euphrates Basin settlements within the scope of the COVID-19 pandemic in terms of landscape planning
HANDE ÖZVAN
Doktora
Türkçe
2026
Peyzaj MimarlığıVan Yüzüncü Yıl ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. PINAR ASLANTAŞ
PROF. DR. ALFRED STEIN
- Kod kusurlarının tespitinde makine öğrenmesi tekniklerinin kullanılması ve karşılaştırmalı performans analizi
Application and comparative performance analysis of machine learning techniques for code smell detection
ARMAN YAVUZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OYA KALIPSIZ