Kentsel genişlemenin makine öğrenmesi yöntemleri ile irdelenmesi
Investigation of urban expansion using machine learning methods
- Tez No: 968732
- Danışmanlar: PROF. DR. AZİZ ŞİŞMAN
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 177
Özet
Kentsel genişleme, özellikle“Küresel Güney”gibi hızla kentleşen bölgelerde nüfus artışı, ekonomik gelişme ve altyapı gelişiminin etkisiyle ortaya çıkan kritik bir küresel olgudur. Bu çalışma, makine öğrenmesi (MÖ) ve uzaktan algılama (UA) tekniklerini birleştiren hibrit bir çerçeve kullanarak Türkiye'nin Samsun ilindeki Atakum ve 19 Mayıs ilçelerinde kentsel genişlemenin modellenmesi ve tahmin edilmesine odaklanmaktadır. Çok zamanlı Landsat 7 ve 8 uydu görüntüleri, Google Earth Engine (GEE) aracılığıyla işlenerek, spektral yansıma bantları, gelişmiş arazi örtüsü sınıflandırması için yardımcı veri setleriyle entegre edilmiştir. Dört MÖ sınıflandırıcı: Rasgele Orman (RO), Destek Vektör Makinesi (DVM), Gradyan Ağaç Hızlandırıcı (Gradient Tree Boosting, GTB) ve Sınıflandırma ve Regresyon Ağaçları (Classification and Regression Tree, CART) uygulanmıştır. Bulgular, iki topluluk modelinin, GTB ve RO'nın, özellikle dinamik ve karmaşık ortamlarda doğru arazi örtüsü haritalaması için en güvenilir modeller olduğunu göstermektedir. Çalışmada üç kentsel genişleme simülasyon modeli uygulanmıştır: (1) Hücresel Otomatlı Yapay Sinir Ağları (Artificial neural network with Cellular Automata, ANN-CA) kullanan Arazi Kullanım Değişikliği Simülasyonları için Modüller (Modules for Land Use Change Simulations, MOLUSCE), (2) Markov Zinciri (Markov Chain, MC) analizi ile entegre edilmiş üç alternatifi Çok Katmanlı Algılayıcı (Multi-Layer Perceptron, MLP), RO, DVM ile Arazi Değişikliği Modelleyici (Land Change Modeler, LCM) ve (3) Yama Tabanlı Arazi Kullanım Simülasyonu (Patch-based Land Use Simulation, PLUS). Uzun vadeli arazi kullanım geçişlerini analiz etmek için tahmin ufku 2042 olarak belirlenmiştir. Tahmin modellerinin değerlendirilmesi, ANN-CA ve MLP-MC modellerinin mekansal dağılım eğilimlerini etkili bir şekilde yakaladığını, PLUS modelinin ise mahalle etkisi ağırlıklandırması için En İyi-En Kötü Yöntemi (BWM) kullanarak geçiş faktörlerine ilişkin daha kapsamlı bilgiler sağladığını göstermiştir. Sonuçlar, altyapı erişimi ve yüksek nüfus yoğunluğu nedeniyle, çalışma alanının doğu ve güneydoğusunda, tarım arazilerinin kentsel arazilere dönüştürülmesiyle birlikte istikrarlı bir kentsel genişleme olduğunu göstermektedir. 2002 ile 2042 yılları arasında, kentsel alanın yaklaşık %235,15 oranında artacağı ve bu artışın önemli bir arazi dönüşümünü yansıtacağı öngörülmektedir. Çalışma, arazi kullanım değişikliklerini tahmin etmek için sağlam, makine öğrenmesi odaklı çoklu model çerçevesi sunarak sürdürülebilir kentsel gelişime katkıda bulunmaktadır.
Özet (Çeviri)
Urban expansion is a critical global phenomenon driven by population growth, economic development, and infrastructural advancement, particularly in rapidly urbanizing regions such as the Global South. This study focuses on modeling and predicting urban expansion in the Atakum and 19 Mayıs districts of Samsun Province, Turkey, using a hybrid framework that combines machine learning (ML) and remote sensing (RS) techniques. Multi-temporal Landsat 7 and 8 satellite imagery were processed via Google Earth Engine (GEE), integrating spectral reflectance bands with auxiliary datasets for enhanced land cover classification. Four ML classifiers: Random Forest (RF), Support Vector Machine (SVM), Gradient Tree Boosting (GTB), and Classification and Regression Trees (CART) were applied. The two ensemble models, GTB and RF, are the most reliable for accurate land cover mapping. Urban expansion was simulated using three modeling approaches: (1) MOLUSCE (Modules for Land Use Change Simulations) using Artificial Neural Networks with Cellular Automata (ANN-CA), (2) Land Change Modeler (LCM) with three machine learning (ML) alternatives Multi-Layer Perceptron (MLP), Random Forest (RF), Support Vector Machine (SVM) integrated with Markov Chain (MC) analysis, and (3) the Patch-based Land Use Simulation (PLUS). The prediction horizon was set to 2042 to analyze long-term land use transitions. Evaluation of the prediction models showed that ANN-CA and MLP-MC effectively captured spatial allocation trends, whereas the PLUS model provided enhanced insights into transition drivers by incorporating the Best-Worst Method (BWM) for neighborhood influence weighting. Results indicate a steady urban expansion toward the east and southeast of the study area, primarily converting farmland into urban land due to infrastructure access and high population density. Between 2002 and 2042, the urban area is projected to increase by approximately 235.15%, reflecting significant land transformation. The study contributes to sustainable urban development by offering a robust, ML-driven multi-model framework for predicting land use change.
Benzer Tezler
- Implementation of data-driven decisions in urban governance and planning
Kent yönetişim ve planlamasında veri odaklı kararların uygulanması
JAFAR NAJAFLI
Yüksek Lisans
İngilizce
2020
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. ÖZHAN ERTEKİN
- İstanbul'da kentsel büyümenin senaryo tabanlı modellenmesi ve ekolojik açıdan değerlendirilmesi
Scenario-based modeling and evaluation of urban growth in Istanbul
ALİYE GONCA BOZKAYA KARİP
Doktora
Türkçe
2024
Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATMA ÜNSAL
- Unveiling the performance of pre-processing approaches in machine learning based flood susceptibility mapping
Makine öğrenmesi tabanlı sel duyarlılık haritalamasında ön işleme yöntemlerinin performansının açıklanması
NİHAL GÜLCAN
Yüksek Lisans
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER EKMEKCİOĞLU
- Trafik sinyal sistemini iyileştirmek için bulanık mantık ve makine öğrenmesinin entegrasyonu
Integrating fuzzy logic and machine learning to improve traffic signal system
ABDULLAHI BASHI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBEYKOZ ÜNİVERSİTESİBilgisayar Ana Bilim Dalı
PROF. DR. ABDURAZZAG ALI A ABURAS
- District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities
İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama
ANALI AZABDAFTARI
Doktora
İngilizce
2022
İletişim Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR