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: Belirtilmemiş.
- 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: 118
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
- Predictive modeling of non-routine maintenance workload in aircraft operations: a task card-level approach using real mro data and machine learning
Uçak bakım operasyonlarında non-routıne iş yükünün öngörüsel modellemesi: gerçek mro verileri ve makine öğrenmesi ile görev kartı düzeyinde bir yaklaşım
TALHA GÜÇLÜ
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği
Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport
NUR YAĞMUR
Doktora
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
PROF. DR. ERDAL ŞAFAK
- PS-InSAR ve derin öğrenme ile yerkabuğu hareketlerinin kestirimi
Prediction of crustal movements with PS-InSAR and deep learning
SİNAN KUCUR
Doktora
Türkçe
2025
Jeodezi ve FotogrametriAfyon Kocatepe ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT UYSAL
- Stochastic bitstream-based vision and learning machines
Stokastik bit akışı tabanlı görü ve öğrenme makineleri
SERCAN AYGÜN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Movie genre prediction from subtitle using deep learning
Derin öğrenme yöntemiyle alt yazıdan film kategorisi tahmin etme
MÜCAHİT BÜYÜKYILMAZ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ERCAN TOPCU