Makine öğrenmesi modelleri kullanarak PS InSAR verilerine dayalı zemin çökme duyarlılık haritalarının oluşturulması: Aksaray ili örneği
Development of land subsidence susceptibility maps based on PS InSAR data using machine learning models: The case of Aksaray province
- Tez No: 931425
- Danışmanlar: DOÇ. DR. SÜLEYMAN SEFA BİLGİLİOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Coğrafi bilgi sistemleri, Duyarlılık haritaları, Sayısal uydu verileri, Sentetik açıklık radarı, Yapay zeka ve makine öğrenmesi dersi, Zemin deformasyonu, Geographical information systems, Sensitivity maps, Digital satellite data, Synthetic aperture radar, Artificial intelligence and machine learning course, Soil deformation
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Aksaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Harita Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Aksaray ilindeki zemin çökme duyarlılığını makine öğrenimi (MÖ) yöntemleri ile değerlendirmeyi amaçlamaktadır. Zemin çökme duyarlılık haritalarının oluşturulması için gerekli olan zemin çökmesi envanteri, geniş bir bölgeyi kapsayan arazi çalışmaları ile toplanması mümkün olmayan bir veri türüdür. Bu nedenle, bu çalışmada zemin çökmesi envanterin PS InSAR (Sabit Saçıcı İnterferometrik Sentetik Açıklıklı Radar) tekniği kullanılarak elde edilmesi amaçlanmıştır. Beş yıllık bir izleme sürecinde, iki farklı çerçeve için toplamda 80 Sentinel-1 uydu görüntüsü işlenmiş ve 63.437 PS noktası analiz edilmiştir. Zemin çökmesi duyarlılığını değerlendirmek amacıyla, litoloji, eğrisellik, eğim, bakı, yükseklik, yeraltı su seviyesi, drenaj yoğunluğu, kuyu yoğunluğu, Topografik Nem İndeksi (TNİ), Akış Gücü İndeksi (AGİ), arazi kullanımı, yerleşim yerine yakınlık, fay hattına yakınlık, yola yakınlık ve NDVI dahil olmak üzere toplam 15 koşullandırıcı faktör analiz edilmiştir. Bu faktörler, Random Forest, XGBoost, CatBoost, LightGBM ve AdaBoost gibi makine öğrenmesi algoritmalarına dahil edilmiştir. Modellerin karşılaştırılması sonucunda, %95 doğruluk oranı ile Random Forest algoritması en yüksek tahmin performansını göstermiştir. Ayrıca faktörlerin önem dereceleri analiz edilmiş ve litoloji, yükseklik, yeraltı su seviyesi değişimi ve arazi kullanımının zemin çökmesi üzerinde en önemli etkilere sahip olduğu belirlenmiştir. Elde edilen bulgular, Aksaray ilinin Sultanhanı, Eskil ve Merkez ilçelerinin yüksek ve çok yüksek zemin çökme riskine sahip olduğunu göstermektedir. Çalışma, yerel yönetimler için zemin çökmesi risklerini daha iyi anlamak ve etkin risk yönetimi stratejileri geliştirmek için önemli bir rehber sunmaktadır. Aynı zamanda, sürdürülebilir tarım stratejilerinin geliştirilmesi ve su kaynaklarının etkin yönetimi açısından da değerli veriler sağlamaktadır.
Özet (Çeviri)
This study aims to evaluate land subsidence susceptibility in the Aksaray province using machine learning (ML) methods. The creation of land subsidence susceptibility maps requires a comprehensive inventory of land subsidence occurrences, which is challenging to obtain through fieldwork for large areas. Therefore, this study utilized the PS InSAR (Persistent Scatterer Interferometric Synthetic Aperture Radar) technique to generate the subsidence inventory. Over a five-year observation period, 80 Sentinel-1A satellite images were processed for two distinct frames, resulting in the analysis of 63,437 PS points. To assess land subsidence susceptibility, 15 conditioning factors were analyzed, including lithology, curvature, slope, aspect, elevation, groundwater level, drainage density, well density, Topographic Wetness Index (TWI), Stream Power Index (SPI), land use, proximity to settlements, proximity to fault lines, proximity to roads, and NDVI. These factors were incorporated into machine learning algorithms such as Random Forest, XGBoost, CatBoost, LightGBM, and AdaBoost. Among these models, Random Forest demonstrated the highest predictive performance with an accuracy of 95%. Furthermore, feature importance analysis revealed that lithology, elevation, groundwater level change, and land use had the most significant impact on land subsidence. The findings indicate that Sultanhanı, Eskil, and the central districts of Aksaray are at high and very high risk of land subsidence. This study provides valuable insights for local governments to better understand land subsidence risks and develop effective risk management strategies. Additionally, it offers critical data for advancing sustainable agricultural practices and efficient water resource management.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Çeltik kabuklarının yalıtım malzemesi olarak kullanılması
Başlık çevirisi yok
B.CİHAN ÇELEBİ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KIRBIYIK
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ