Geri Dön

Makine öğrenmesi teknikleri kullanılarak heyelan duyarlılık haritalarının üretilmesi: İnegöl (Bursa) örneği

Productıon of landslıde susceptıbılıty maps usıng machıne learnıng technıques: İnegöl (Bursa) example

  1. Tez No: 953807
  2. Yazar: ELİF GÜLER
  3. Danışmanlar: PROF. DR. CEVDET COŞKUN AYDIN
  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: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 90

Özet

Bu tez çalışmasında, Bursa ili İnegöl ilçesi için heyelan duyarlılığının belirlenmesine yönelik bir çalışma gerçekleştirilmiştir. Çalışma kapsamında, heyelan oluşumuna etki eden 13 çevresel faktör (eğim, bakı, yükselti, litoloji, toprak grubu, NDVI, arazi kullanımı, yağış, fay hattına, akarsuya ve yola uzaklık, eğrisellik ve topografik nemlilik indeksi) Coğrafi Bilgi Sistemleri (CBS) ortamında analiz edilerek her biri 5 sınıfa yeniden sınıflandırılmış ve tematik uygunluk haritaları üretilmiştir. Çalışma alanında baskın faktör sınıfı belirlenerek sınıflandırma algoritmalarına girdi veri seti hazırlanmıştır. Sınıflandırma sürecinde dört farklı makine öğrenmesi algoritması olan Lojistik Regresyon (LR), Destek Vektör Makineleri (DVM), LightGBM ve Rastgele Orman (RO) karşılaştırmalı olarak kullanılmıştır. Modellerin başarısı doğruluk, kesinlik, duyarlılık, F1 skoru gibi metriklerle değerlendirilmiştir. Analiz sonuçlarına göre, Rastgele Orman (Random Forest) algoritması %98 doğruluk, %98 kesinlik, %98 duyarlılık ve %98 F1 skoru ile en yüksek başarıyı göstermiştir. Çalışma, Rastgele Orman algoritmasının mekânsal veri analizlerinde yüksek performans sunduğunu ve CBS ile entegre edildiğinde heyelan risk haritalamasında güvenilir bir yaklaşım sunduğunu ortaya koymuştur. Üretilen duyarlılık haritası, afet risklerinin azaltılması ve arazi kullanım planlamasında karar destek aracı olarak değerlendirilebilecek niteliktedir.

Özet (Çeviri)

In this thesis study, a research was conducted to determine landslide susceptibility in the İnegöl district of Bursa province. 13 environmental factors influencing landslide occurrence (slope, aspect, elevation, lithology, soil group, NDVI, land use, precipitation, distance to fault lines, distance to streams, distance to roads, curvature, and topographic wetness index) were analyzed within a Geographic Information System (GIS) environment; each factor was reclassified into five classes and thematic suitability maps were generated. The dominant class for each factor in the study area was identified to assemble the input dataset for the classification algorithms. Four different machine learning algorithms (Logistic Regression, Support Vector Machines, LightGBM, and Random Forest) were applied in a comparative framework. Model performance was assessed using metrics such as accuracy, precision, recall, and F1 score. According to the analysis results, the Random Forest algorithm achieved the highest performance with 98% accuracy, 98% precision, 98% recall, and a 98% F1 score. The study demonstrates that Random Forest delivers high performance in spatial data analyses and, when integrated with GIS, provides a reliable approach for landslide risk mapping. The resulting susceptibility map can serve as a decision-support tool for disaster risk reduction and land-use planning.

Benzer Tezler

  1. Tez No

    833051

    Makine öğrenme teknikleri ile heyelan duyarlılık haritalarının üretilmesi: Hopa (Artvin) örneği

    Production of landslide susceptibility maps by machine learning techniques: Hopa (Artvin) example

    ÖZGE MUTLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Jeodezi ve FotogrametriArtvin Çoruh Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. HALİL AKINCI

  2. Tez No

    526527

    Makine öğrenmesi teknikleri ile mekansal karar destek sistemlerinin geliştirilmesi: Aksaray ili örneği

    Development of spatial decision support systems with machine learning techniques: Case of Aksaray province

    SÜLEYMAN SEFA BİLGİLİOĞLU

    Doktora

    Türkçe

    Türkçe

    2018

    Jeodezi ve FotogrametriAksaray Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. HACI MURAT YILMAZ

  3. Tez No

    676540

    Collectr: A gamified emotional data collection and labelling platform for children

    Collectr: Çocuklar için oyunlaştırılmış duygu verisi toplama ve etiketleme aracı

    TURGUT CAN AYDINALEV

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  4. Tez No

    820158

    Machine learning models for microbiome-based classification of axolotl limb regeneration phases

    Aksolotl uzuv rejenerasyon aşamalarının mikrobiyoma dayalı sınıflandırılması için makıne öğrenimi modellerı

    ABDULLAH HÜSEYİN KÖSEOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Biyoistatistikİstanbul Medipol Üniversitesi

    Biyomedikal Mühendisliği ve Biyoenformatik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KIVANÇ KÖK

  5. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

Geri Dön