Geri Dön

Makine öğrenimi ve frekans oranı yöntemleri kullanılarak Silifke ve Mut ilçeleri için heyelan duyarlılık analizi

Landslide sensitivity analysis for Silifke and Mut districts using machine learning and frequency rate methods

PDF İndir

  1. Tez No: 901550
  2. Yazar: ÇAĞRI ÇAĞAN
  3. Danışmanlar: DOÇ. DR. TALAS FİKRET KURNAZ, DOÇ. DR. CANER ERDEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Mersin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 80

Özet

Heyelanlar, doğal afetler arasında ciddi can ve mal kayıplarına neden olabilen, özellikle dağlık ve eğimli bölgelerde sıklıkla görülen yeryüzü hareketleridir. Toprak, kaya ve diğer yer materyallerinin yer çekimi etkisiyle yamaçlardan aşağıya doğru kayması sonucu meydana gelir. Heyelan duyarlılık haritaları, bu bağlamda, potansiyel heyelan bölgelerinin belirlenmesi ve değerlendirilmesinde hayati bir araçtır. Bu haritalar, topoğrafik, jeolojik, hidrometeorolojik ve arazi kullanımı gibi çeşitli faktörlerin analiz edilmesiyle oluşturulur ve belirli bir bölgenin heyelan riskini görsel olarak temsil eder. Bu çalışma, yapay zekâ, makine öğrenimi ve frekans analizi yöntemlerini kullanarak Silifke ve Mut ilçeleri için heyelan duyarlılık haritalarının oluşturulmasını amaçlamaktadır. Heyelan duyarlılığının doğru bir şekilde haritalanmasının, risk değerlendirmesi ve altyapı planlamasında oynadığı kritik rol ile önemi vurgulanmaktadır. Çalışma, topoğrafik, jeolojik, hidrolik ve arazi kullanımı değişkenleri gibi heyelana katkıda bulunan faktörlerin kapsamlı bir analizini içermektedir. Çalışmada heyelan riski yüksek bölgelerin değerlendirilmesi ve tahmin edilmesi için makine öğrenimi yöntemlerinden Rastgele Orman, Lojistik Regresyon, Karar Ağacı, K-En Yakın Komşu, Gradient Boost, Adaboost, Extra Trees, XGBoost yöntemi ve istatistiksel yöntemlerden Frekans Oranı yöntemi kullanılmıştır. Çalışma sonucunda elde edilen genel doğruluk değerleri rastgele orman için 1,00, lojistik regresyon için 0,81, karar ağacı için 0,99 , K-En yakın komşu için 0,96, gradient boost yöntemi için 0,89, Adaboost yöntemi için 0,86 , Extra Trees yöntemi için 1,00, XGBoost yöntemi için 0,96 olarak hesaplanmıştır. Frekans oranı yöntemi ile yapılan istatistiksel analiz sonucunda ise 0,76 doğruluk değerine ulaşılmıştır. Literatürde ve uygulamalarda, heyelan duyarlılık haritalarının doğruluğu %70-80 oranında kabul edilebilir bir düzey olarak görülmektedir. Üretilen haritalar incelendiğinde özellikle Göksu deltası çevresinde akarsu ve yol geçiş bölgelerinin yamaçlarında heyelan duyarlılığı yüksek alanlar mevcuttur. Mut ilçesinin doğusunda kalan akarsu ve yol ağı ile bölünmemiş, deniz seviyesinden yüksek alanlarda heyelan duyarlılığının daha düşük olduğu görülmektedir. Sonuçlar, istatistiksel ölçümler ve gerçek saha verileri kullanılarak doğrulanmış ve uygulanan metodolojilerin yüksek riskli bölgeleri belirlemede etkinliği gösterilmiştir.

Özet (Çeviri)

Landslides are one of the most destructive natural disasters, often causing significant loss of life and property, particularly in mountainous and sloped areas. They occur when soil, rock, and other earth materials move down a slope under the influence of gravity. Landslide susceptibility maps are, in this context, a vital tool for identifying and assessing potential landslide-prone areas. These maps are created by analyzing various factors such as topography, geology, hydrometeorology, and land use, and they visually represent the landslide risk in a given region. This study aims to create landslide susceptibility maps for the Silifke and Mut districts using artificial intelligence, machine learning, and frequency analysis methods. The importance of accurately mapping landslide susceptibility is emphasized due to its critical role in risk assessment and infrastructure planning. The study includes a comprehensive analysis of contributing factors to landslides, such as topographic, geological, hydraulic, and land use variables. To evaluate and predict high-risk landslide areas, several machine learning methods were applied, including Random Forest, Logistic Regression, Decision Tree, K-Nearest Neighbors, Gradient Boost, AdaBoost, Extra Trees, XGBoost, as well as the statistical method of Frequency Ratio. The overall accuracy values obtained from the study were calculated as follows: 1.00 for Random Forest, 0.81 for Logistic Regression, 0.99 for Decision Tree, 0.96 for K-Nearest Neighbors, 0.89 for Gradient Boost, 0.86 for AdaBoost, 1.00 for Extra Trees, and 0.96 for XGBoost. The statistical analysis using the Frequency Ratio method yielded an accuracy of 0.76. In literature and practical applications, an accuracy level of 70-80% for landslide susceptibility maps is considered acceptable. Upon reviewing the generated maps, it is observed that high susceptibility areas are particularly present along the river and road slopes surrounding the Göksu Delta. In contrast, landslide susceptibility is lower in the eastern parts of the Mut district, where areas are not divided by river and road networks and are situated at higher elevations. The results have been validated using statistical measurements and real field data, demonstrating the effectiveness of the applied methodologies in identifying high-risk areas.

Benzer Tezler

  1. Tez No

    761579

    Tokat il merkezinin heyelan duyarlılık analizi

    Landslide susceptibility analysis of Tokat city center

    AYHAN BAŞALAN

    Doktora

    Türkçe

    Türkçe

    2022

    İnşaat MühendisliğiOndokuz Mayıs Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN DEMİR

  2. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  3. Tez No

    762139

    Makine öğrenimi tabanlı fotovoltaik çıkış gücü tahminlemesi

    Machine learning based photovoltaic output power forecasting

    BERRİN ERYILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EnerjiDicle Üniversitesi

    Yenilenebilir Enerji Kaynakları

    DOÇ. DR. FATİH KOÇYİĞİT

    DR. ÖĞR. ÜYESİ HEYBET KILIÇ

  4. Tez No

    864867

    Beyond the buzzer: A comprehensive validation framework for enhanced auditory feedback in cars

    Buzzer'ın ötesinde: Otomobillerde geliştirilmiş işitsel geri bildirim için kapsamlı bir doğrulama çerçevesi

    DORUK ÇANKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YÜKSEL ÇAKIR

  5. Tez No

    798246

    Siber saldırıların tespitinde yapay zekâ tabanlı algoritma tasarımı

    Ai-based algorithm design in detection of cyber attacks

    AHMET NUSRET ÖZALP

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZAFER ALBAYRAK

Geri Dön