Geri Dön

Flood risk analysis with geospatial artifical intelligence techniques

Coğrafi bilgi sistemleri ve yapay zeka ile sel taşkın riski analizi

PDF İndir

  1. Tez No: 945138
  2. Yazar: MİRAÇ TAHA DERMAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED OĞUZHAN METE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 77

Özet

Son yıllarda meydana gelen aşırı yağış olayları, kentleşmedeki hızlı artış ve düzensiz arazi kullanımı sel riskini önemli ölçüde artırmıştır. Riskleri azaltmak ve kentsel dayanıklılığı artırmak için klasik afet yönetim yöntemlerine yenilikçi yaklaşımların entegre edilmesine ihtiyaç vardır. Bu bağlamda Coğrafi Bilgi Sistemleri (CBS), verimli karar alma yeteneği için sağlam mekansal analiz iş akışı ve veri işleme sunmaktadır. Ancak, masaüstü CBS yazılımlarının büyük hacimli veri kümelerini işlemede bazı sınırlamaları olabilmektedir. Bu çalışmada, açık kaynak kodlu bir yazılım dili olan Python ortamında Marmara Bölgesi'nde bir sel riski analiz modeli geliştirmek için coğrafi yapay zeka (GeoAI) yöntemleri kullanılmıştır. Çalışma, büyük ve önemli bir bölge olan Türkiye'nin Marmara Bölgesi'nde uygulanmıştır. Marmara Bölgesi, ekonomik ve sosyo-kültürel açıdan Türkiye'nin en kritik bölgelerinden biridir. Bölge, Avrupa ve Asya kıtalarını birbirine bağlayan illeri kapsamaktadır. Coğrafi konumunun yanı sıra bölgedeki kalkınma ve iş fırsatlarının bolluğu, bölgeyi ülkenin en kalabalık bölgesi haline getirmiştir. Öte yandan, Marmara Bölgesi iklim çeşitliliği nedeniyle yüksek afet riski altındadır. Sel ve taşkınların doğada sıklıkla meydana gelen ve can ve mal kaybına neden olan büyük doğal afetlerden biri olduğu yeni keşfedilmiş değildir. Ancak bu afetin riskini artıran parametreler bulunmaktadır. Özellikle yağış rejimi, nehir yoğunluğu ve bu su yollarına olan uzaklık, bölgedeki nüfus yoğunluğu, arazinin topoğrafik yapısı, su akış yönü ve birikimi gibi birçok faktör sel ve su baskını riskini etkilemektedir. Bu çok parametreli bileşikte, bölgedeki sel ve su baskını risklerinin belirlenmesi etkili afet yönetimi için elzemdir. Kullanılan Python tabanlı yöntemlerle, GIS araçlarına olan bağımlılık azaltılmış ve otomatikleştirilebilir bir analiz süreci sunulmuştur. Python ortamında yapılan analizler sonucunda, Marmara Bölgesi'ndeki sel riski yüksek alanlar, tehlike ve kırılganlık haritası için belirlenen kriterlerin entegrasyonu halinde sunulmuştur. Böylece geleneksel yöntemlerle mümkün olmayan büyük veri kümeleriyle yüksek çözünürlüklü, otomatize ve tekrarlanabilir bir analiz süreci kurmak mümkün hale gelmiştir. Bu bağlamda, mekansal veri işleme, modelleme ve analizi açık kaynaklı kütüphaneler aracılığıyla bütünleşik bir şekilde gerçekleştirilmektedir. Bu bağlamda, makine öğrenmesi algoritmalarıyla uyumlu çalışma potansiyeline sahip olan Marmara Bölgesi'nin kırılganlığı, taşkın yönetimini olumlu yönde etkilemekte ve yenilikçi bir bakış açısı sunmaktadır. Bu bağlamda, karar vericiler için erişilebilir bir rehber olması amacıyla, resmi kurumlardan toplanan açık kaynaklı ve hükümet verileri kullanılarak, on bir şehir için Marmara Bölgesi'nin taşkın risk haritası üretilmiştir. Bu çalışma, Analitik Hiyerarşi Süreci (AHP) ve makine öğrenmesi algoritmaları olan Python tabanlı çok kriterli analiz yöntemlerini kullanarak Marmara Bölgesi'ndeki sel ve su baskını riskini tahmin etmeyi amaçlamaktadır. Tehlike ve kırılganlık değerlendirmelerini birleştirerek bütünsel, yüksek çözünürlüklü bir sel ve taşkın risk haritası elde edilmesi amaçlanmaktadır. Marmara Bölgesi'nde sel ve taşkınları etkileyen kriterlerin değerlendirilmesinde Tehlike ve Kırılganlık parametreleri literatürdeki çalışmalardan referans alınmıştır. Taşkın tehlikesi ve taşkın kırılganlık bileşenleri birlikte incelenerek hibrit bir model benimsenmiştir. Sel kırılganlık haritalarının üretiminde makine öğrenmesi tabanlı bir yöntem kullanılararak haritalar oluşturulmuş; sel tehlike haritalarının üretiminde Python tabanlı AHP yöntemi kullanılarak entegre edilerek Marmara Bölgesi'nde kapsamlı bir sel tehlikesi tahmini gerçekleştirilmiştir. Hidrolojik veriler mekansal analizler ile entegre edilmiştir. Tarihsel afet verileri ve gerçek zamanlı meteorolojik parametreler yapay zeka algoritmaları kullanılarak ilişkilendirilmiştir. Bu kapsamlı yaklaşım, tehlike ve kırılganlık unsurlarının birbirini nasıl tamamladığını ortaya koyarak Marmara Bölgesi'nde meydana gelebilecek sel olaylarının erken tespiti için stratejiler geliştirmeyi amaçlamaktadır. Bu çalışma kapsamında sel ve taşkın afetlerinin riskini tahmin etmek amacıyla tehlike ve kırılganlık haritaları üretilmiştir. Bu haritaların üretiminde kullanılan ham veriler açık kaynaklı ve resmi kurumlardan elde edilmiştir. Bu çalışmada yazarların daha önce yayınlanmış çalışmaları incelenerek sel ve taşkın analizlerinin kaynak veri kümeleri belirlenmiştir. Çalışma alanına ait bina, yol, su yolları ve su kütleleri verileri açık kaynaklı veri sağlayıcısı olan Overturemaps web platformundan elde edilmiştir. Ayrıca Marmara Bölgesi çalışma alanı poligon verileri OpenStreetMap'ten; ESRI açık kaynak veri portalından arazi kullanımı verileri; USGS veri portalından 25 metre çözünürlüğe sahip Sayısal Yükseklik Modeli (DEM) verileri; TUİK açık kaynaklı veri portalından nüfus verileri elde edilmiştir. Resmi kurumlardan elde edilen veriler ise Meteoroloji Genel Müdürlüğü'nden (MGM) alınan 50 yıllık günlük yağış verileri ve Devlet Su İşleri (DSİ) Genel Müdürlüğü'nden Marmara Bölgesi'nde gerçekleşen son 50 yıllık sel ve taşkın envanter verileri kullanılmıştır. Tehlike haritası oluşturulurken özellikle harita oluşturma kriterlerin belirlenmesinde literatür kaynakları referans alınmıştır. Bu kapsamda Analitik Hiyerarşi Süreci (AHP) tabanlı kriterler Python'da raster analizleri ile uygulanmıştır. Eğim, bakı, yükseklik, akış yönü, akış birikimi, su yolları yakınlığı, su kütleleri yakınlığı ve yağış analizleri yapılmıştır. Bu veriler Python'da yapılan 30 metre çözünürlüklü raster analizlerinin rasterio ve geopandas gibi kütüphanelerle işlenmesiyle akademik çalışmalara paralel olarak tehlike sınıflarına ayrılmıştır. Elde edilen her bir raster verisi AHP ile ağırlıklandırılmış ve nihai tehlike haritası elde edilmiştir. Bu kapsamda ikili karşılaştırma matrisi hesaplanmış, 8 kriter için maksimum özdeğer (λmax), RI, CI, CR değerleri hesaplanmıştır. Tutarlılık oranı (CR) kabul edilebilir olarak değerlendirilmiş ve karşılaştırma matrisi tutarlı olarak kabul edilmiştir. Bu süreçte GIS yerine tamamen Python tabanlı bir analiz süreci yürütülmüştür. Sel kırılganlık haritası oluşturulurken makine öğrenmesi modelleri olan XGBoost ve Random Forest (RF) modelleri tercih edilmiştir. Bu kapsamda açık kaynaklı Python kütüphaneleri kullanılarak yükselti, bakı, plan eğriliği, profil eğriliği, drenaj yoğunluğu, drenaj ağına uzaklık, eğri sayısı, yağış, Topografik Islaklık İndeksi (TWI), Topografik Pürüzlülük İndeksi (TRI), Akarsu Gücü İndeksi (SPI), nüfus ve arazi kullanımı analizleri yapılmıştır. Sel envanter verileri işlenerek bu analizlerle birlikte kullanılmıştır. Eğitim ve test veri setleri ile son 50 yıla ait taşkın envanteri; veri ön işleme adımlarında 13 raster parametreli bir raster yığını oluşturulmuştur. Elde edilen test seti sonuçlarına göre ikili sınıflandırma mantığı nedeniyle taşkın olan ve olmayan bölgeler nokta bazında (koordinatlarla) sırasıyla 1 ve 0 olarak elde edilmiştir. Sınıf dengesizliği Random Alt Örnekleme (RUS) özellik ölçeklemesi ile giderilmiştir. Daha sonra yaygın olarak kullanılan yöntemlerden biri olan Kriging yöntemi ile 1 ve 0 noktalarının interpole edilmesiyle Marmara Bölgesi sınırları baz alınarak sel duyarlılık haritası üretilmiştir. Model performansı hassasiyet, geri çağırma (recall), F-1 skoru, AUC metrikleri ile değerlendirilmiştir. Daha sonra XGBOOST ve RandomForest (RF) makine öğrenmesi modellerinin sonuçları, karıştırma matrisleri ve ROC eğrilik grafiklerinin karşılaştırması ile karşılaştırılmıştır. Özellik önemini ve model içi karar mekanizmalarını açıklamak için Açıklanabilir Yapay Zeka ile SHapley Additive ExPlanations (SHAP) analizleri yapılmıştır. Bu kapsamda özellik önemi, küresel özet, karar grafiği ve şelale grafikleri üretilmiştir. Taşkın kırılganlığı kapsamında drenaj yakınlığı, yükseklik, arazi kullanımı, yağış ve nüfus yoğunluğu kriterlerinin taşkın kırılganlığı modeli üzerinde yüksek etki gösterdiği görülmüştür. Elde edilen sonuçlar taşkın envanteri ile uyumlu bir risk dağılımı olduğunu göstermiştir. Taşkın tehlike haritası üretim sürecinde ağırlıkları belirlemek amacıyla kullanılan karşılaştırma matrisinin ağırlıklarını belirlemek amacıyla maksimum özdeğer (λmax) 8,8378, RI değeri 1,41, CI değeri 0,1197 ve CR değeri 0,0849 olarak hesaplanmıştır. Tutarlılık oranı CR=%8 olarak hesaplanmış olup, %10'dan küçük bir değer elde edildiğinden karşılaştırma matrisinin tutarlı olduğu görülmüştür. Taşkın kırılganlığı kapsamında makine öğrenmesi algoritmaları olan XGBoost ve Random Forest (RF) modelleri Python ortamında kullanılmıştır. Her iki model de giriş raster verilerini ve geçmiş taşkın envanterini değerlendirerek taşkın olup olmadığını tahmin etmektedir. Modeller arasında daha iyi performans gösteren modeli belirlemek için doğruluk, hassasiyet, geri çağırma (recall), F-1 skoru, AUC metrikleri hesaplandı. Ayrıca, tahmin yeteneklerini değerlendirmek için karışıklık matrisi (confusion matrix) hesaplandı ve model performanslarını karşılaştırmak için ROC eğrileri üretildi. XGBoost modeli, 0,9493 doğruluk, 0,9114 hassasiyet, 0,9498 F-1 puanı ve 0,9780 AUC değerleriyle RF modeline kıyasla üstün performans gösterdi. ROC eğrisi altında kalan alan (AUROC) değerleri karşılaştırıldığında, RF modeli 0,9747 değerine sahipken, XGBoost modeli 0,9780 ile daha yüksek bir alan hesapladı. Her iki model hem sel dışı hem de sel sınıflarında değerlendirildiğinde, XGBoost modeli daha düşük bir yanlış tahmin oranına sahiptir. Açıklanabilir yapay zeka ile SHAP analizleri sonucunda, modeldeki özellik öneminin rolleri grafiklerle karşılaştırıldı. Sonuçlara göre XGBoost modelinin daha iyi performans gösterdiği kanıtlanmıştır. Bu bağlamda XGBoost modelinin y_test veri setindeki tahminlere göre kriging yöntemi kullanılarak sürekli bir sel kırılganlık yüzeyi oluşturulmuştur. Risk değerlendirilirken tehlike ve kırılganlık kriterlerinin birlikte değerlendirildiği hibrit bir yaklaşım benimsenmiştir. Bu bağlamda üretilen 30 metre piksel çözünürlüklü tehlike ve kırılganlık haritaları raster verileri çarpılarak Marmara Bölgesi sel risk haritası elde edilmiştir. Üretilen Marmara Bölgesi sel risk haritası 5 risk sınıfında (çok yüksek, yüksek, riskli, orta risk, düşük risk) değerlendirilmiştir. Çok yüksek ve yüksek sınıflarda risk oluşturan alanların gerçekte sel olan noktalarla (sel envanteri) örtüştüğü görülmüştür. Böylece üretilen risk haritasının doğruluğu kanıtlanmıştır. Python ortamında yapılan analizler sonucunda, Marmara Bölgesi'ndeki sel riski yüksek alanlar, tehlike ve kırılganlık haritası için belirlenen kriterlerin entegrasyonu halinde sunulmuştur.

Özet (Çeviri)

In recent years, extreme precipitation events, rapid build-up in urbanization, and irregular land use have significantly increased flood risk. In order to mitigate risks and increase urban resilience, there is a need for the integration of innovative approaches to classical disaster management methods. In this context, Geographic Information Systems (GIS) offer robust spatial analysis workflow and data processing for efficient decision-making capability. This study uses geospatial artificial intelligence (GeoAI) methods to develop a flood risk analysis model in an open-source Python environment. The proposed methodology is applied in the Marmara Region of Türkiye as a case study highlighting flood risk. There are parameters that increase the risk of this disaster. Many factors, especially precipitation regime, dreinage density and distance to these waterways, population density in the region, topographic structure of the land, water flow direction and accumulation, affect the risk of floods and inundations. In this multi-parameter compound, determining the flood and inundation risks in the region is essential for effective disaster management. With the Python-based methods used, the dependency on GIS tools has been reduced and an automatable analysis process has been presented. As a result of the analyses conducted in the Python environment, the areas with high flood risk in the Marmara Region have been presented as an integration of the criteria determined for the hazard and vulnerability map. In this regard, spatial data processing, modeling and analysis are carried out in an integrated manner through open-source libraries. The vulnerability of the Marmara Region in this context, with its potential to work in harmony with which are XGBoost and Random Forest machine learning algorithms, positively affects flood management and offers an innovative perspective. In this context, the flood risk map of the Marmara Region is produced for eleven cities using open-source and governmental data gathered from official institutions to serve as an accessible guide for decision-makers. This study aims to estimate the flood hazard in the Marmara Region using Python-based multi-criteria analysis methods which is Analytic Hierarchy Process (AHP) method is used. Additionally in flood vulnerability context XGBoost and Random Forest machine learning algorithms are used. It is aimed to obtain a holistic high-resolution flood and inundation risk map by combining hazard and vulnerability evaluations. A hybrid model was adopted by examining flood hazard and flood vulnerability components together. A comprehensive flood risk estimation was carried out in the Marmara Region by creating maps using a machine learning-based method in the production of flood vulnerability maps and integrating these maps using the Python-based AHP method in the production of flood hazard maps. Hydrological data was integrated with spatial analysis. Historical disaster data and real-time meteorological parameters were associated using artificial intelligence algorithms. This comprehensive approach aims to develop strategies for the early detection of flood events that may occur in the Marmara Region by revealing how both Hazard and Vulnerability elements complement each other.

Benzer Tezler

  1. Tez No

    708281

    En uygun konut seçimi problemine mekânsal karar destek süreci ile alternatif bir yaklaşım

    An alternative approach to the problem of choosing the best suitable housing with spatial decision support process

    HAKAN BURAK EMEKLİ

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. CANER GÜNEY

  2. Tez No

    557543

    Coğrafı̇ bı̇lgı̇ teknolojı̇lerı̇ ı̇le akıllı şehı̇r tasarımı

    Designing geographic information system framework for smart cities

    ABDULLAH SAİD TÜRKSEVER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. TAHSİN YOMRALIOĞLU

  3. Tez No

    718977

    Coğrafi bilgi sistemi ile taşkın risk analizi: Osmaneli/Bilecik örneği

    Flood risk analysis with geographic information system: A case study of Osmaneli̇/Bilecik

    YASİN DURSUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Jeodezi ve FotogrametriKonya Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH İŞCAN

  4. Tez No

    843799

    Analitik Hiyerarşi Süreciyle Taşkın Risk Analizi: Şuhut Alt Havzası Örneği

    Flood Risk Analysis with Analytical Hierarchy Process: The Case of Şuhut Sub-Basin

    ZEHRA DAMLA AKYILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İnşaat MühendisliğiAfyon Kocatepe Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT KİLİT

  5. Tez No

    784451

    Çok kriterli karar verme yöntemleri ile ayamama havzasının taşkın risk analizi

    Flood risk analysis of ayamama basin with multi-criteria decision making methods

    CUMHUR İLTER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İnşaat Mühendisliğiİstanbul Üniversitesi-Cerrahpaşa

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. CEVZA MELEK KAZEZYILMAZ ALHAN

Geri Dön