Makine öğrenmesi metotları kullanılarak orman yangınlarının tahmini: Türkiye'de vaka çalışması
Prediction of forest fires using machine learning methodology: A case study in Türkiye
- Tez No: 865108
- Danışmanlar: DOÇ. DR. DERYA YILTAŞ KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 81
Özet
Ormanlar, toprak erozyonunun azaltılmasında çok önemli bir rol oynamaktadır ve başta kuraklık olmak üzere çeşitli doğal afetlere karşı bir bariyer görevi görmektedir. Milyonlarca hektar orman alanını tehlikeye atan ve doğal kaynakların yok olmasına neden olan orman yangınları, çevre için ciddi sonuçlar doğurmakta ve insan yaşamı için önemli tehditler oluşturmaktadır. Orman yangınlarının önceden tahmin edilmesi, yangınların çıkmasının önlenmesi açısından büyük önem taşımaktadır. Orman yangınlarının tahmini, meteorolojik, topografik ve mekânsal birçok faktöre dayanmaktadır. Türkiye, orman yangınlarına karşı yüksek bir duyarlılığa sahiptir ve Türkiye'de orman yangınlarının tahminine ilişkin kapsamlı çalışmalara ihtiyaç duyulmaktadır. Son yıllarda Türkiye'nin Ege ve Akdeniz kıyılarında orman yangınlarının artması, orman yangını risklerinin tahmin edilmesinin önemini arttırmıştır. Bu çalışmada, 2013-2018 yılları arasında Adana, Antalya, Aydın, Balıkesir, Burdur, Çanakkale, Hatay, Isparta, İzmir, Kahramanmaraş, Mersin, Muğla ve Osmaniye illerinde meydana gelen orman yangınlarına ait veriler ile meteorolojik veriler kullanılarak orman yangınlarının zamansal ve mekânsal olarak makine öğrenmesi yöntemleriyle tahmin edilmesi amaçlanmaktadır. Yangın riskinin en yüksek olduğu dönemler incelenmiş ve aylık orman yangını sayısının zaman içindeki değişimine bağlı olarak zaman serisi tahmin modeli uygulanmıştır. Rüzgâr hızı, bağıl nem, sıcaklık ve yağış gibi meteorolojik faktörlerin etkisi incelenmiştir. Birçok makine öğrenmesi yöntemi denenmiş ve aralarından rastgele orman, destek vektör makinesi ve karar ağacı algoritmaları verileri işlemek için seçilmiştir. Seçilen modeller doğruluk, F1-skoru, Alıcı İşlem Karakteristiği (ROC) eğrisi, hata oranı, hassasiyet ve duyarlılık performans metrikleri kullanılarak değerlendirilmiştir. Sonuçlara göre regresyon modellerinden rastgele orman %86,3 ile en yüksek doğruluğa sahipken, destek vektör makinesi %86 ve karar ağacı %80,1 doğruluk göstermiştir. ROC eğrisi altındaki alan (AUC) değeri 0,93 ile en yüksek rastgele orman modelinde elde edilmiştir. Bu çalışmada en yüksek performans gösteren model %86,3 doğruluk ve 0,93 AUC değeri ile rastgele orman olmuştur. Bu çalışmanın sonuçlarının, yangın riskinin değerlendirilmesine ve orman yangınlarından kaynaklanan zararların azaltılmasına yönelik planlama ve hazırlık yapılmasına katkı sağlayacağına inanılmaktadır.
Özet (Çeviri)
Forests play a crucial role in mitigating soil erosion and act as a barrier against various natural disasters, especially drought. Forest fires, which endanger millions of hectares of forest areas and cause the destruction of natural resources, have serious consequences for the environment and pose significant threats to human lives. The prediction of forest fires is of great importance in terms of preventing the occurrence of fires. Prediction of forest fires is based on many meteorological, topographical and spatial factors. Türkiye has a high susceptibility to forest fires and comprehensive studies on the forest fire prediction in Türkiye are needed. The increase in forest fires along the Aegean and Mediterranean coasts of Türkiye in recent years has increased the importance of forecasting forest fire risks. In this study, it is aimed to predict forest fires temporally and spatially with machine learning methods by using meteorological data and forest fire data from Adana, Antalya, Aydın, Balıkesir, Burdur, Çanakkale, Hatay, Isparta, İzmir, Kahramanmaraş, Mersin, Muğla and Osmaniye provinces between 2013-2018. The periods with the highest forest fire risk were examined and time series forecast model was applied based on the variation in the number of monthly forest fires. The influence of meteorological factors such as wind speed, relative humidity, temperature and precipitation was studied. Several machine learning methods were tried and random forest, support vector machine and decision tree algorithms were selected to process the data. The selected models were evaluated using accuracy, F1-score, The Receiver Operator Characteristic (ROC) curve, error rate, precision and recall performance metrics. Results showed that, random forest has the highest accuracy with 86.3%, whereas support vector machine has 86% and decision tree has 80.1% accuracy. The highest value of area under (AUC) ROC curve was obtained in the random forest model with 0.93. In this study, the highest performing model was random forest with an accuracy of 86.3% and an AUC value of 0.93. The results of this study are believed to contribute to the assessment of forest fire risks and to the planning and preparation against forest fires to mitigate the damage caused by them.
Benzer Tezler
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- Sales forecasting in fashion retail industry with classical and machine learning methods
Moda perakendesi sektöründe klasik ve makine öğrenmesi metodları ile satış tahmini
HANİFE IŞIK
Yüksek Lisans
İngilizce
2020
Ekonomiİstanbul Teknik ÜniversitesiEkonomi Ana Bilim Dalı
DOÇ. DR. TOLGA YURET
- Deep learning based dynamic turkish sign language recognition with leap motion
Derin öğrenme tabanlı leap motıon ile dinamik türk işaret dili tanıma
BURÇAK DEMİRCİOĞLU KAM
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE KÖSE
- Atölye tipi üretim için makine öğrenmesi yöntemleri ile üretim saati tahmini: Havacılık ve savunma sanayii uygulaması
Estimating manufacturing hours in a job shop manufacturing environment: Aerospace and defense industry application
BARIŞ ÖZKAYA
Doktora
Türkçe
2021
Endüstri ve Endüstri MühendisliğiHacettepe Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. AYDIN ULUCAN
- Saf ses odyogram bulgularının makine öğrenmesi metotları ile değerlendirilerek muhtemel ön tanı ve öneri tahmininde bulunulması
Predicting possible preliminary diagnosis and recommendations by evaluating pure tone audiogram findings with machine learning methods
AÇELYA AYNACI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medeniyet ÜniversitesiBiyolojik Veri Bilimi Ana Bilim Dalı
PROF. DR. HANDAN ANKARALI