Geri Dön

Makine öğrenimi teknikleri kullanılarak orman yangını risk haritalarının oluşturulması: Antalya Şelale Şefliği örneği

Creating forest fire risk maps using machine learning techniques: The example of Antalya Şelale Şefliği

  1. Tez No: 904192
  2. Yazar: AYBİKE GÖKSU BEKTAŞ
  3. Danışmanlar: PROF. DR. İSMAİL RAKIP KARAŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Coğrafya, Computer Engineering and Computer Science and Control, Science and Technology, Geography
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 57

Özet

Ana yangın faktörlerini analiz ederek orman yangını olasılık seviyelerini belirlemek, orman yöneticilerine yangın önleme stratejileri, yakıt yönetimi, yangın güvenlik önlemleri, acil durum planlaması ve yangınla mücadele ekiplerinin yerleştirilmesi gibi konularda kritik kararlar almaları için temel sağlayabilir. Orman yangını olasılık haritalarını oluşturmak için bitki örtüsü faktörleri, topoğrafik faktörler, iklim faktörleri, yollar ve yerleşim alanları gibi bazı özelliklere yakınlığı içeren ana yangın faktörleri dikkate alınmıştır. Son yıllarda, makine öğrenimi algoritmaları orman yangını olasılığını tahmin etmede etkili bir araç haline gelmiştir. Bu çalışmada, yaygın olarak kullanılan iki makine öğrenmesi modeli olan Lojistik Regresyon (LR) ve Destek Vektör Makineleri (DVM), Coğrafi Bilgi Sistemi (CBS) teknikleri ile entegre edilerek bir orman yangını olasılık haritası oluşturulması amaçlanmıştır. Çalışma alanı, Türkiye'nin Akdeniz şehri Antalya'da bulunan Antalya Orman Bölge Müdürlüğü sınırları içerisindeki Şelale Orman İşletme Şefliği'dir (OİM). Çalışmada, orman yangını olasılığını etkileyen ana faktörler ağaç türleri, taç kapalılığı, ağaç evresi, eğim, bakı ve yollara uzaklık olarak belirlenmiştir. Modellerin eğitim aşamasında Şelale OAK'da 2001'den 2021'e kadar meydana gelen tarihi orman yangınlarının mekânsal dağılımı dikkate alınmıştır. Yangın olasılığı haritalarının doğruluğu Eğri Altındaki Alan (AUC) değeri kullanılarak doğrulanmıştır. Makine öğrenmesi modellerinin gerçekleştirilmesi sonucunda, harita üzerinde beş yangın olasılığı seviyesine (çok yüksek, yüksek, orta, düşük ve çok düşük) kategorize edilen 47.086 nokta için tahminler yapılmıştır. Sonuçlar, LR modeli tarafından üretilen yangın olasılığı haritasının doğruluğunun (AUC = 0,845) SVM modeli tarafından üretilen yangın olasılığı haritasının doğruluğundan (AUC = 0,748) daha iyi olduğunu göstermiştir. Modeller tarafından oluşturulan olasılık haritalarına göre, çalışma alanındaki ormanların yarısından fazlası çok yüksek/yüksek yangın olasılığı seviyeleri olarak sınıflandırılmıştır.

Özet (Çeviri)

Determining wildfire probability levels by analyzing the main fire factors can provide the basis for forest managers to make critical decisions on fire prevention strategies, fuel management, fire safety measures, emergency planning and deployment of firefighting teams. To create wildfire probability maps, the main fire factors have been considered, including vegetation factors, topographic factors, climatic factors, proximity to certain features such as roads and residential areas. In recent years, machine learning algorithms have become an effective tool for predicting wildfire probability. In this study, two widely used machine learning models, Logistic Regression (LR) and Support Vector Machines (SVM), are integrated with Geographic Information System (GIS) techniques to create a forest fire probability map. The study area is the Şelale Forest Management Directorate (FMD) within the borders of the Antalya Regional Directorate of Forestry located in the Mediterranean city of Antalya, Turkey. In the study, the main factors affecting the probability of forest fire were identified as tree species, crown closure, tree stage, slope, aspect and distance to roads. In the training phase of the models, the spatial distribution of historical forest fires that occurred from 2001 to 2021 in the Şelale Şefliği FMD was taken into account. The accuracy of the fire probability maps was verified using the Area Under the Curve (AUC) value. The implementation of machine learning models resulted in predictions for 47,086 points on the map categorized into five fire probability levels (very high, high, medium, low and very low). The results showed that the accuracy of the fire probability map produced by the LR model (AUC = 0.845) was better than the accuracy of the fire probability map produced by the SVM model (AUC = 0.748). According to the probability maps generated by the models, more than half of the forests in the study area were classified as very high/high fire probability levels.

Benzer Tezler

  1. Identifying an effective framework for guiding fire models in forestry

    Ormancılıkta yanma / yangın modellerine esas teşkil edecek etkili bir sistem belirlenmesi

    SOUAD GHOUZLANE

    Doktora

    İngilizce

    İngilizce

    2024

    Çevre MühendisliğiDokuz Eylül Üniversitesi

    Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. OKAN FISTIKOĞLU

  2. Optimization of deep neural network architectures for the forest fire detection

    Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu

    BERRİN SAVDA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜŞTAK ERHAN YALÇIN

    PROF. DR. HAZIM KEMAL EKENEL

  3. Effective discrimination of different particles including smoke, dusts, oil vapours and test aerosols using simple optical cell and machine learning techniques

    Basit optik hücre ve makine öğrenimi teknikleri kullanılarak duman, toz, yağ buharı ve test aerosolleri dahil farklı partikül tiplerinin etkin olarak sınıflandırılması

    OSMAN ÖZYURT

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiYeditepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FETHİ İÇSEL OLCAYTUĞ

  4. Yeni Cami'nin akustik açıdan performans değerlendirmesi

    Evaluation of the acoustical performance of the New Mosque

    EVREN YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2003

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. SEVTAP YILMAZ DEMİRKALE

  5. Otomotiv endüstrisinde makine öğrenimi teknikleri kullanılarak araç fiyatlarının tahmin edilmesine yönelik karşılaştırmalı bir çalışma

    A comparative study to forecast vehicle prices in automotive industry using machine learning techniques

    LADEN AKGÖK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET DİKMEN