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