Yakın kıyı batimetri tahmini için ileri istatistiksel, gradyan arttırma ve sayısal model entegrasyonu
Advanced statistical, gradient boosting, and numerical model integration for nearshore bathymetry prediction
- Tez No: 988304
- Danışmanlar: PROF. DR. VELİ SÜME
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Deniz kıyıları, Karadeniz kıyıları, Yapay zeka ve makine öğrenmesi dersi, Çok değişkenli zaman serileri, Sea coasts, Black Sea coasts, Artificial intelligence and machine learning course, Multivariate time series
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Recep Tayyip Erdoğan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kıyı bölgelerinin özellikle nearshore (yakın kıyı) tabakası çeşitli doğal ve/veya yapay müdahalelerde sık sık değişime uğramaktadır. Bu değişimlerin yakalanabilmesi; kıyı dinamiğinin anlaşılabilmesi ve olumsuz etkilere karşı erken önlem alınabilme potansiyelinin sağlanabilmesi için kritik öneme sahiptir. Çok sığ derinlikler haricinde deniz tabanı ile ilgili görsel muhakeme yapabilmek güç olduğundan dalga dinamiğinin etkilerinin gözlenebilmesi için batimetrik ölçümlere ihtiyaç duyulmaktadır. Ancak bu ölçümler hem zahmetli hem de yüksek maliyetli olmaları nedeniyle sürdürülebilir anlamda verimsizdirler. Bu çalışma kapsamında gelecek zamanlı batimetrik haritaların arazi ölçümleri ile elde edilmesine gerek kalmadan matematik ve sayısal çözümleme teknikleri ile tahmin edilebilmesi amacıyla Doğu Karadeniz Bölgesi, Rize ili özelinde çeşitli araştırmalar yürütülmüştür. Çalışma bölgesinde, geçmiş yıllara ait batimetrik ölçümlerden yararlanılarak istatistiksel tahmin modelleri geliştirilmiş ve gelecekteki deniz tabanı değişimleri öngörülmüştür. Bu kapsamda, lineer regresyon (LR) ve polinomal regresyon (PR) gibi regresyon tabanlı istatistiksel yaklaşımlar ile zaman serisi modeli olan ARIMA kullanılmış; ayrıca Gradient Boosting algoritmaları (XGBoost, LightGBM, CatBoost, GBRT) gibi makine öğrenmesi (Machine Learning, ML) yöntemleri uygulanmıştır. Modeller, rüzgâr-dalga enerjisinin modele dahil edildiği ve edilmediği durumlar için karşılaştırmalı olarak değerlendirilerek, dalga enerjisinin deniz tabanı değişimleri üzerindeki etkisi analiz edilmiştir. Sonuçlar, makine öğrenmesi yöntemlerinin, klasik istatistiksel yaklaşımlara kıyasla daha yüksek doğrulukla batimetrik değişimleri öngörebildiğini göstermiştir. Regresyon ve zaman serisi tabanlı yöntemler içerisinde ise lineer regresyon modeli MAE = 0.342 m, RMSE = 0.754 m ve R² = 0.998 değerleriyle en düşük hata oranlarını sağlamıştır. Rüzgâr etkisinin dikkate alındığı CatBoost modeli ise MAE = 0.376 m, RMSE = 0.570 m ve R² = 0.99898 ile tüm modeller arasında en iyi performansı sağlamıştır. Bu nedenle uzun süreli batimetrik harita tahmininde bu model kullanılmıştır. Naif RMSE değeri bu modelde 1.2 metre olarak elde edilmiştir. Rüzgâr etkisinin dikkate alınmadığı XGBoost_NW modelinde ise tüm ML yöntemleri içerisinde en düşük doğruluk ve performans elde edilmiştir.
Özet (Çeviri)
In coastal regions, and particularly within the nearshore zone, the seabed is frequently modified by various natural processes and/or anthropogenic interventions. Detecting these changes is critical for understanding coastal dynamics and for enabling early intervention against potential adverse impacts. Except in very shallow waters, visual assessment of the seabed is difficult; therefore, bathymetric surveys are required to observe the effects of wave dynamics on seabed morphology. However, such surveys are labor-intensive and costly, and thus inefficient to maintain on a sustainable basis. In this study, a series of investigations was carried out for the province of Rize, located on the eastern Black Sea coast of Türkiye, with the aim of predicting future bathymetric maps by means of mathematical and numerical analysis techniques, without the need for repeated field surveys. Statistical prediction models were developed using historical bathymetric measurements from the study area, and future seabed changes were forecast. Within this scope, regression-based statistical approaches such as linear regression (LR) and polynomial regression (PR), as well as the ARIMA time series model, were employed. In addition, machine learning (ML) methods based on gradient boosting algorithms (XGBoost, LightGBM, CatBoost, and GBRT) were implemented. The models were evaluated comparatively for cases with and without wind–wave energy included as an input variable, thereby allowing the influence of wave energy on seabed evolution to be analyzed. The results indicate that ML-based models can predict bathymetric changes with higher accuracy than classical statistical approaches. Among the regression- and time-series-based methods, the linear regression model yielded the lowest error, with MAE = 0.342 m, RMSE = 0.754 m and R² = 0.998. The CatBoost model including the wind effect achieved the best overall performance among all models, with MAE = 0.376 m, RMSE = 0.570 m and R² = 0.99898, and was therefore adopted for long-term bathymetric map prediction. For this model, the RMSE was obtained as 1.2 m. In contrast, the XGBoost_NW model, in which the wind effect was neglected, produced the lowest accuracy and performance among all ML methods.
Benzer Tezler
- Kanal ı̇stanbul'da debı̇ azaltıcı yöntemlerı̇n belı̇rlenmesı̇
Determination of flow reducing methods in Channel İstanbul
MEHMET FATİH SAVCI
Yüksek Lisans
Türkçe
2020
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiKıyı Bilimleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TARKAN ERDİK
- Cascade earthquake and tsunamı hazard assessment: Case study at yalova, Turkıye
Ardışık deprem ve tsunami tehlikesi değerlendirmesi: Yalova pilot çalışması
SÜLEYMAN FIRAT ŞENTÜRK
Yüksek Lisans
İngilizce
2025
Deprem MühendisliğiGebze Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEREN ÖZER SÖZDİNLER
- Source models of September 25, 2013 Acari-Peru (Mw 7.1) and September 08, 2017 Chiapas-Meksika (Mw 8.2) earthquakes and tsunami simulations
25 Eylül 2013 Acari-Peru (Mw 7.1) ve 08 Eylül 2017 Chiapas-Meksika (Mw 8.2) depremlerinin kaynak mekanizması çözümü ve tsunami simülasyonları
HAKAN TARIK MERİÇ
Yüksek Lisans
İngilizce
2019
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YOLSAL ÇEVİKBİLEN
- A comparison of various interpolation methods in prediction and validation of marine gravity data
Deniz gravite verilerinin belirlenmesinde ve kontrol edilmesinde farklı interplasyon yöntemlerinin karşılaştırılması
MUHAMAD ALAIED
Yüksek Lisans
İngilizce
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİHTER EROL
- Liman içi çalkantılarını azaltmak için liman ağzı ve ana dalgaların optimize edilmesi
Başlık çevirisi yok
AHMED M.W. ALHASAN
Yüksek Lisans
Türkçe
2022
İnşaat Mühendisliğiİstanbul Gelişim Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASİN PAŞA