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

    931138

    Digitalization in construction claim management

    İnşaat hak talebi yönetiminde dijitalleşme

    NİL DENİZMEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DENİZ ARTAN

  2. Tez No

    944667

    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

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. OYA KALIPSIZ

  3. 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

  4. 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

  5. Tez No

    955405

    XAU/USD prıce predıctıon usıng deep learnıng: hyperparameter optımızatıon wıth bayesıan, grey-wolf and genetıc algorıthms

    Derin öğrenme kullanarak XAU/USD fiyat tahmini: bayes, gri kurt ve genetik algoritmalarla hiperparametre optimizasyonu

    MELİS KÜÇÜK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

Geri Dön