Geri Dön

Binaların makine öğrenmesi algoritmalarıyla mekânsal özelliklerinden yararlanarak fonksiyonel olarak sınıflandırılması

Functional classification of buildings based on their spatial characteristics using machine learning algorithms

PDF İndir

  1. Tez No: 935411
  2. Yazar: AYÇA NURSENA BİLGİN
  3. Danışmanlar: PROF. DR. ALİ MELİH BAŞARANER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 110

Özet

Dünya genelinde insanlar, kırsal alanlardan kentlere doğru göç etmektedir. Bu göç hareketi karmaşık yapılaşmayı ve kent yönetimi için zorlukları beraberinde getirmektedir. Kentler için oldukça büyük öneme sahip olan acil durum ve kaynakların yönetimi, iklim değişikliği modellerinin oluşturulması gibi kent yönetim planlarının temel veri kaynağını farklı bina fonksiyonları oluşturmaktadır. Binaların kullanım türlerinin belirlenmesi planlama süreçlerinin temel bir adımıdır. Bu çalışmada, bina detaylarının (nesnelerinin) coğrafi bilgi sistemi (CBS) ortamında elde edilmiş çeşitli mekânsal özelliklerinden (büyüklük, şekil, mekânsal ilişki metrikleri ve niceliksel öznitelikler) yararlanarak fonksiyonel (kullanım türü) sınıflandırmasında farklı makine öğrenmesi algoritmalarının performansları değerlendirilmiş ve böylece kentsel planlama ve kent yönetimi süreçlerine katkı sağlanması amaçlanmıştır. Deneysel çalışmada Florida eyaletinin Miami-Dade ilindeki bina detay verileri kullanılarak iki uygulama gerçekleştirilmiştir. Uygulamalarda kullanılan algoritmalar Grid Search yöntemi ile en iyi performansı gösterecek olan hiper parametreleri ile eğitilmiştir. İlk uygulamada binalar konut ve konut dışı olmak üzere iki farklı fonksiyona göre sınıflandırılmıştır. Sınıflandırmada CART, destek vektör makineleri (DVM), rastgele orman (RO), aşırı gradyan artırma (XGBoost) ve k – En Yakın Komşu (k-NN) algoritmaları kullanılmıştır. Algoritmaların F1-skor değerleri sırasıyla 0.83, 0.81, 0.83, 0.83 ve 0.74'tır. Topluluk öğrenmesi algoritmalarının daha iyi performans gösterdiği görülmüştür. İkinci uygulamada (1) fabrika ve depo, (2) konut, (3) ticaret ve (4) kamu hizmet binaları olmak üzere dört farklı fonksiyona göre sınıflandırılmıştır. Sınıflandırmada CART, rastgele orman, aşırı gradyan artırma ve k-NN algoritmaları kullanılmıştır. Algoritmaların F1-skor değerleri sırasıyla 0.63, 0.68, 0.68 ve 0.60'tır. Topluluk öğrenmesi algoritmalarının daha iyi performans gösterdiği görülmektedir. Hata matrisleri incelendiğinde her iki uygulamada da algoritmaların hepsi konut sınıfında yüksek doğruluk göstermiştir, fabrika ve depo sınıfı bunu takip etmektedir. Kamu hizmet binaları en az doğruluğun gözlemlendiği sınıftır. Algoritmaların hepsi kamu hizmeti sınıfına ait olan bazı binaları ticaret; ticaret sınıfına ait olan bazı binaları ise kamu hizmeti ve konut olarak sınıflandırmıştır. Metin ve konum tabanlı sosyal medya verileri ve sokak görünümü verilerinin çalışmalara dâhil edilmesiyle elde edilen sonuçların desteklenmesi sağlanabilir.

Özet (Çeviri)

People are migrating from rural areas to cities all over the world. This migration movement brings with it complex structures and challenges for urban management. Different building functions constitute the basic data source of urban management plans such as emergency and resource management, which are of great importance for cities, and the creation of climate change models. Determining the types of use of buildings is a fundamental step in planning processes. In this study, the performances of different machine learning algorithms in functional (type of use) classification were evaluated by utilizing various spatial characteristics (size, shape, spatial relationship metrics and quantitative attributes) obtained from the geographic information system (GIS) environment of building features (objects), and thus, it was aimed to contribute to urban planning and urban management processes. In the experimental study, two applications were carried out using building detail data from Miami-Dade County, Florida. The algorithms used in the applications were trained with the Grid Search method and the hyper parameters that would show the best performance. In the first application, buildings were classified according to two different functions: residential and non-residential. CART, support vector machines (SVM), random forest (RF), extreme gradient boosting (XGBoost) and k-Nearest Neighbors (k-NN) algorithms were used in the classification. The F1-score values of the algorithms are 0.83, 0.81, 0.83, 0.83 and 0.74, respectively. Ensemble learning has been shown to perform better. In the second application, (1) factory and warehouse, (2) residential, (3) commercial and (4) public service buildings were classified according to four different functions. CART, random forest, extreme gradient boosting (XGBoost) and k-NN algorithms were used in the classification. The F1-score values of the algorithms are 0.63, 0.68, 0.68 and 0.60, respectively. Ensemble learning algorithms were found to perform better. When the error matrices are examined, all of the algorithms showed high accuracy in the residential class in both applications, followed by the factory and warehouse class. Public service buildings are the class with the least accuracy. All of the algorithms classified some buildings belonging to the public service class as commercial; and some buildings belonging to the commercial class as public service and residential. The results obtained can be supported by including text and location-based social media data and street view data in the studies.

Benzer Tezler

  1. Tez No

    944941

    Depremden yıkılan binaların tespitinde makine öğrenme yöntemlerinin değerlendirilmesi

    Evaluation of machine learning methods in detecting buildings collapsed by earthquakes

    FARUK ÖZARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Jeodezi ve FotogrametriEskişehir Teknik Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DOÇ. DR. DİLEK KÜÇÜK MATCI

  2. Tez No

    828461

    Deep learning based road segmentation from multi-source and multi-scale data

    Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi

    OZAN ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  3. Tez No

    828275

    Energy consumption analysis via different machine learning algorithms

    Farklı makine öğrenme algoritmalarıyla enerji tüketim analizi

    RWAN DARWESH

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilim ve TeknolojiAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAKAN KOYUNCU

  4. Tez No

    759981

    Prediction of energy performance gap in buildings with machine learning algorithms

    Makine öğrenme algoritmalarıyla binalarda enerji performans farkının tahmini

    DERYA YILMAZ

    Doktora

    İngilizce

    İngilizce

    2022

    EnerjiOrta Doğu Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. ALİ MURAT TANYER

    PROF. DR. İREM DİKMEN TOKER

  5. Tez No

    887272

    Augmented superpixel based anomaly detection in hyperspectral imagery

    Hiperspektral görüntülerde genişletilmiş süperpiksel tabanlı anomali tespiti

    EZGİ GÖKDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜHA TUNA

Geri Dön