Derin öğrenme ve makine öğrenme algoritmaları kullanılarak orman yangını risk tahmini
Forest fire risk prediction using deep learning and machine learning algorithms
- Tez No: 916876
- Danışmanlar: PROF. DR. MURAT UYSAL
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 122
Özet
Ormanlar, karasal ekosistemlerde canlılar için hayati önem taşıyan unsurlar olup toprak, su ve iklim gibi doğal faktörlerin bütünlüğünü ve sürdürülebilirliğini sağlamaktadır. Orman yangınları, sosyal ve ekonomik etkilerinin yanı sıra ekosistemin bozulmasına da neden olan afetlerdendir. Bu araştırmada orman yangınlarını etkileyen faktörler uzaktan algılama ve coğrafi bilgi sistemleri teknikleriyle antropojenik, meteorolojik, topoğrafik ve vejetasyon üst başlıklarında 21 adet bağımsız değişken olarak belirlenmiştir. Bağımlı değişken olan geçmiş orman yangınları ve bağımsız değişkenler 2017-2023 yılları arasında 7 yıl boyunca Mayıs-Eylül ayları arasında aylık zamansal çözünürlükte sınıflandırılmış ve haritalandırılmıştır. Üretilen haritalardan değer çıkarımı yapılarak 670x22 satır/sütundan oluşan I. veri seti ile 2100x22 satır/sütundan oluşan II. veri seti model eğitimleri için oluşturulup risk tahmini için de 689419x21 satır/sütundan oluşan çalışma alanı coğrafi veri seti haline getirilmiştir. Veri setleri Google Colab ara yüzünde Python yazılım dili kullanılarak keşifsel veri analizi teknikleriyle görselleştirilmiş ve korelasyon analizleri gerçekleştirilmiştir. Model eğitimleri tamamlandıktan sonra tahmin aşamasına geçilmiş ve 7 adet makine öğrenimi algoritmalarından en iyi doğruluk metriklerine ulaşılan Rastgele Orman (0,94) ve Aşırı Gradyan Artırma (0,95) algoritmaları ile orman yangını risk haritaları üretilmiştir. Derin Öğrenme modeli olan Sıralı (sequential) model ile de II. veri seti kullanılarak 0,95 test doğruluğu ile eğitilmiş modelden orman yangını risk tahmin haritası üretilmiştir. Bu çalışmanın sonucunda, orman yangını risk tahmini için kullanılan veri seti boyutlarının, orman yangınları ile ilişkilendirilebilen bağımsız değişkenler ile artırılarak daha doğru ve anlamlı sonuçlara ulaşılabileceği bununla birlikte rastgele orman ve aşırı gradyan artırma gibi topluluk modellerine dayalı algoritmalar ve daha büyük veri setleri için derin öğrenme tekinlerine dayalı algoritmaların orman yangını risk tahminlerinde daha başarılı olduğu ortaya konmuştur.
Özet (Çeviri)
Forests are vital elements for living things in terrestrial ecosystems and ensure the integrity and sustainability of natural factors such as soil, water and climate. Forest fires are one of the disasters that cause ecosystem degradation as well as social and economic impacts. In this study, the factors affecting forest fires were determined as 21 independent variables under the headings of anthropogenic, meteorological, topographical and vegetation using RF and GIS techniques. The dependent variable, past forest fires, and the independent variables were classified and mapped at monthly temporal resolution from May to September for 7 years between 2017 and 2023. By extracting values from the produced maps, the first data set consisting of 670*22 rows*columns and the second data set consisting of 2100*22 rows*columns were created for model training and the study area geospatial data set consisting of 689419*21 rows*columns was created for risk estimation. The data sets were visualized with Exploratory Data Analysis techniques using Python language in the Google Colab interface, and correlation analyses were performed. After the model training was completed, the prediction phase was executed and risk maps were produced with random forest (0.94) and XGBoost (0.95) algorithms, which achieved the best accuracy metrics among 7 machine learning algorithms. With the sequential model, which is a Deep Learning model, a risk prediction map was produced from the trained model with a test accuracy of 0.95 using Dataset II. As a result of this study, it was revealed that more accurate and meaningful results can be obtained by increasing the size of the data set used for forest fire risk prediction with independent variables that can be associated with forest fires, and that algorithms based on ensemble models such as random forest and extreme gradient boosting are more successful in forest fire risk prediction.
Benzer Tezler
- Uzaktan algılama sistemleri ile yangına hassas bölgelerin tahmin edilmesi
Forecasting fire prone regions utilizing remote sensing systems
SEMANUR ÇÖKEKOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH AHMET ŞENEL
- 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
- Employing digital twin to LoRa based forest fire management systems
LoRa'ya dayalı orman yangını yönetim sistemlerine dijital ikiz uygulanması
BUĞRA AYDIN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ
- Yapay zekâ ile akıllı şehirlerde çevresel görüntü ve video analizi
Yapay zekâ ile akilli şehirlerde çevresel görüntü ve video analizienvironmental image and video analysis in smart cities with artificial intelligence
KUDRET DİNÇ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiAdli Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. ORHAN YAMAN
- Doğal afetlerde çevrimiçi davranış verilerine dayalı ihtiyaç tahmini ve kaynak tahsis optimizasyonu: 2023 kahramanmaraş depremleri uygulaması
Demand prediction and resource allocation optimization based on online behavioral data in natural disasters: An application to the 2023 Kahramanmaraş earthquakes
MEHMET DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDİ DAŞDEMİR