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
- Sivas-Kangal yöresinde kırsal gelişme ve pazara açılma sürecindeki farklılaşmalar (bir örnek olay incelemesi)
Başlık çevirisi yok
FAHRİ ERCEM
Yüksek Lisans
Türkçe
1984
SosyolojiCumhuriyet ÜniversitesiSosyoloji Ana Bilim Dalı
DOÇ. DR. A. VAHAP SAĞ
- Sivas'ta kadınların işgücüne katılım farklılıkları
Başlık çevirisi yok
BİNNUR ERCEM
Yüksek Lisans
Türkçe
1984
SosyolojiCumhuriyet ÜniversitesiKurumlar Sosyolojisi Ana Bilim Dalı
YRD. DOÇ. DR. FARUK KOCACIK
- Havadaki kükürt dioksit tayin metotlarının uygulanabilirlik ve hassasiyetlerinin karşılaştırılmalı incelenmesi
A Comparative study of the methods used for the determination ot sulphur dioxide in air in terms of applicability and precision
MURAT İLİM
- Etude contrastive des systemes verbaux du turc et du Français
Başlık çevirisi yok
YUSUF KURTOĞLU
Yüksek Lisans
Fransızca
1986
DilbilimGazi ÜniversitesiFransız Dili ve Edebiyatı Ana Bilim Dalı
DOÇ. DR. A. HAMİT SUNEL
- Ruminant yemlerinin sindirilebilirliklerini saptamada uygulanan çeşitli in vitro yöntemlerinin karşılaştırılması üzerinde bir araştırma
A comparative study on different in vitro methods used to determine the digestibility of the ruminant feeds
NİHAT YAZCIOĞLU