Kıyısal Kırılganlığın Makine Öğrenmesi Yöntemleri ile İncelenmesi: Marmara Kıyıları Örneği


Creative Commons License

Arda T., Bilgili A., Bayrak O. C., Uzar A. M.

YTU Grad Colloquium'24, İstanbul, Türkiye, 04 Haziran 2024, ss.1

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1
  • Yıldız Teknik Üniversitesi Adresli: Evet

Özet

İklim değişikliğinin sonucunda tetiklenen afetlerle birlikte halihazırda savunmasız bir ekosistem olan kıyı alanları üzerindeki baskı da artmıştır. Bu olumsuzlukların önüne geçebilmek ve önlemler alabilmek için kıyı alanların çeşitli afetler karşısındaki zarar görebilirlik seviyesi olarak tanımlanan kıyısal kırılganlık düzeylerinin tespit edilmesi gerekmektedir [1-3]. Geleneksel olarak kıyı alanlarındaki kırılganlığın tespiti için çok kriterli karar verme (ÇKKV) ve coğrafi bilgi sistemlerinin (CBS) entegre olarak kullanılmasından faydalanılmaktadır. ÇKKV/CBS kriter ağırlıklarının belirlenmesi ve kırılganlık haritalarının üretimi önemli faydalar sağlamaktadır; fakat ÇKKV/CBS ile yalnızca lokal ölçekte kıyısal kırılganlık değerlendirilmekte ve veriler güncellendiğinde analizin tekrar edilmesi gerekmektedir. Bu durum ÇKKV ve makine öğrenmesi yöntemlerinin entegre kullanımı ile çözümlenebilir. Bu çalışmada, Türkiye’nin en önemli bölgelerinden biri olan Marmara denizi kıyıları çalışma alanı olarak seçilmiştir. Literatür araştırmalarına göre belirlenen 8 adet kriter bir ÇKKV yöntemi olan En İyi-En Kötü Yöntemi ile ağırlıklandırılarak CBS’de kıyısal kırılganlık analizi yapılmıştır. Kriter değerleri ve elde edilen kırılganlık katsayıları sırasıyla özellik ve etiket verileri olmak üzere seçilen makine öğrenmesi yöntemlerine (Destek Vektör Makineleri-SVM, Rastgele Orman-RF, Aşırı Gradyan Artırma-XGBoost) girdi veri olarak sunulmuştur. Deneysel çalışmada elde edilen bulgulara göre topluluk öğrenmesi tabanlı iki yöntem olan RF ve XGBoost, klasik bir yöntem olan SVM’ye göre daha doğru sonuç vermektedir. En yüksek genel doğruluk ise (0,934) XGBoost yöntemi ile elde edilmiştir, XGBoost’u sırasıyla RF (0,927) ve SVM (0,830) izlemektedir.  Ayrıca, yöntemler arasında istatistiki olarak anlamlı bir fark olup olmadığının belirlenmesi için Wilcoxon Sıralı İşaretler testi uygulanmıştır. Test sonuçlarına göre üç yöntem ikili olarak karşılaştırıldığında da birbirleri arasında istatistiksel olarak anlamlı farklar tespit edilmiştir (SVM-RF (Z =11,252, p<0,000), SVM-XGBoost (Z=7,027, p<0,000), RF-XGBoost (Z = 9,045, p<0,000)). XGBoost yöntemi ile elde edilen sonuçlar incelendiğinde, çalışma alanının %18’inin az kırılgan, %45’inin orta kırılgan ve %37’sinin çok kırılgan olduğu görülmektedir.