Derin öğrenme yaklaşımları kullanarak kentsel mekan algısının haritalanması
Mapping urban spatial perception using deep learning approaches
- Tez No: 974561
- Danışmanlar: PROF. DR. SAYE NİHAN ÇABUK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Şehircilik ve Bölge Planlama, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Urban and Regional Planning, Engineering Sciences
- Anahtar Kelimeler: CNN, Coğrafi bilgi sistemleri, Derin öğrenme, Mekansal algı, Yapay zeka, CNN, Geographical information systems, Deep learning, Spatial perception, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, derin öğrenme yöntemleri ile Coğrafi Bilgi Sistemlerini (CBS) bir araya getirerek kent algısının nicel ve mekânsal olarak analiz edilebileceğini ortaya koymayı amaçlamaktadır. Bu kapsamda, Eskişehir kentinden toplanan 4.520 adet sokak görüntüsü kullanılarak transfer öğrenme yaklaşımıyla üç farklı Evrişimli Sinir Ağı (CNN) mimarisi (EfficientNet-B1, ResNet18 ve VGG19) eğitilmiş ve altı algısal tema (canlı, depresif, güvenli, güzel, sıkıcı, varlıklı) için tahmin modelleri geliştirilmiştir. Modellerin başarısı MAE, RMSE ve R² gibi regresyon metrikleri ile değerlendirilmiştir. EfficientNet-B1 modeli, özellikle güvenli, canlı ve güzel gibi somut görsel ipuçlarına dayalı temalarda en yüksek doğruluğu sağlamıştır. Buna karşın, sıkıcı ve depresif gibi daha soyut ve öznel temalarda tüm modellerin tahmin doğruluğu sınırlı kalmıştır. Elde edilen tahmin sonuçları, ısı haritaları aracılığıyla görselleştirilmiş ve kentin bilinen mekânsal yapısıyla genel olarak örtüşen desenler sunduğu gözlemlenmiştir. Çalışmanın önemli katkılarından biri, kent algısına ilişkin sayısallaştırılmış ve haritalanabilir bir veri altyapısı sunmasıdır. Ancak modelin açıklayıcılık gücünün sınırlı kalması, görsel verilerin tek başına kent algısını tam olarak yansıtmakta yetersiz kaldığını göstermektedir. Gelecek çalışmalarda çoklu veri türlerinin (ses, metin, yorum, check-in vb.) entegrasyonu ve açıklanabilir yapay zekâ (XAI) yaklaşımlarının kullanılması, model yorumlanabilirliğini ve planlama uygulamalarıyla entegrasyonunu güçlendirecektir.
Özet (Çeviri)
This study aims to demonstrate that urban perception can be quantitatively and spatially analyzed by integrating deep learning methods with Geographic Information Systems (GIS). Within this scope, a total of 4,520 street-level images collected from the city of Eskişehir were utilized to train three distinct Convolutional Neural Network (CNN) architectures—EfficientNet-B1, ResNet18, and VGG19—using a transfer learning approach. Predictive models were developed for six perceptual dimensions: liveliness, depressing, safer, beautiful, boring, and wealthier. The performance of these models was evaluated using regression metrics including MAE, RMSE, and R². Among the tested architectures, EfficientNet-B1 exhibited the highest predictive accuracy, particularly in themes associated with tangible visual cues such as safer, livelier, and beautiful. In contrast, all models demonstrated limited predictive performance in more abstract and subjective themes such as boring and depressing. The model outputs were visualized through heat maps, revealing spatial patterns that largely correspond with the known urban morphology of the study area. A significant contribution of this study is the provision of a digitized and mappable data infrastructure pertaining to urban perception. Nevertheless, the limited explanatory capacity of the models indicates that visual data alone may be insufficient to comprehensively capture the complexity of urban perception. Future research should explore the integration of multimodal data sources (e.g., audio, text, user comments, and location check-ins) and adopt explainable artificial intelligence (XAI) frameworks to enhance both the interpretability of the models and their applicability within urban planning contexts.
Benzer Tezler
- Planlama politika ve stratejilerinde oyun temelli mekansal tasarım parametreleri
Play based spatial design parameters in planning policies and strategies
YAĞMUR ÇAKIROĞLU
Doktora
Türkçe
2025
Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. BAHAR AKSEL ENŞİCİ
- Deep learning-based keypoints driven visual inertial odometry for GNSS-denied flight
Yapay sinir ağları tabanlı nokta çıkarıcılı görsel-ataletsel odometri ile GPS'siz ortamda uçuş
ARSLAN ARTYKOV
Yüksek Lisans
İngilizce
2023
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- İçerik tabanlı görüntü erişimi ile uzaktan algılama verilerinde obje arama
Object retrieval in remote sensing data using content based imaged retrieval
ÖZGE TOKMAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods
Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti
NECİP ENES GENGEÇ
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN TARI