Analysis of wildfire effect on the amount of carbon monoxide emission using naive bayes
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İSTATİSTİK ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Öğrenci: AZHURA NABILA FEBDA KURNIA
Danışman: Filiz Karaman
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Orman ve arazi yangınları, atmosferik kirliliğin önemli kaynakları arasında yer almakta olup, özellikle çevre kalitesini ve halk sağlığını olumsuz etkileyen zararlı bir gaz olan karbon monoksit (CO) salınımı yoluyla bu kirliliğe katkıda bulunmaktadır. Bu çalışma, yangın faaliyetleri ile karbon monoksit seviyeleri arasındaki ilişkiyi makine öğrenmesine dayalı sınıflandırma teknikleri kullanarak araştırmaktadır. Çalışmanın amacı, atmosferik ve yangınla ilişkili göstergelere dayanarak yüksek CO emisyonlarını tahmin edebilecek bir öngörü modeli geliştirmektir. Analiz kapsamında, uydu tabanlı tarihsel veri kümeleri kullanılmış olup, CO seviyesi, kükürt dioksit (SO_2) konsantrasyonu, ozon (O_3) miktarı, yangın sıcak nokta sayısı ve yangın türü (orman veya arazi yangını) gibi değişkenler dikkate alınmıştır. Modelin zaman içinde kararlılığını ve performansını değerlendirebilmek amacıyla üç farklı dönem (2015–2018, 2016–2018 ve 2017–2018) analiz edilmiştir. Veri kümesindeki sınıf dengesizliğini gidermek için, veri sızıntısını önlemek ve gerçekçi bir model değerlendirmesi sağlamak amacıyla çapraz doğrulama döngüsü içerisinde Synthetic Minority Over-Sampling Technique (SMOTE) uygulanmıştır. Sınıflandırma işlemleri için iki algoritma karşılaştırılmıştır: Küçük veri kümelerinde basitliği ve verimliliği ile bilinen Naive Bayes ve karmaşık karar sınırları için uygun, güçlü bir Support Vector Machine (SVM) uygulaması olan SMO (Sequential Minimal Optimization). Değerlendirme kriterleri arasında doğruluk, kesinlik (precision), duyarlılık (recall), AUC (eğri altındaki alan), korelasyon ve Cohen's Kappa katsayısı yer almaktadır. Naive Bayes yönteminin, sırasıyla 2017–2018, 2016–2018 ve 2015–2018 eğitim verileri kullanılarak 2019 yılı verilerini tahmin etmedeki doğruluk oranları sırasıyla %68.18, %77.27 ve %74.24 olarak bulunmuştur. Öte yandan, SMO yönteminin aynı dönemlerdeki doğruluk sonuçları sırasıyla %86.36, %86.36 ve %72.73'tür. SMO modeli, tüm dönemlerde genel olarak Naive Bayes yöntemine kıyasla daha iyi performans göstermiştir; test aşamasında AUC değeri 0.898'e kadar ulaşmış ve maksimum kappa skoru 0.501 olarak elde edilmiştir, bu da tahmin edilen ve gerçek sınıf etiketleri arasında orta düzeyde bir uyum olduğunu göstermektedir. Naive Bayes modeli çoğu zaman yüksek duyarlılık (recall) oranlarına (%100) ulaşsa da, düşük precision değerleri, modelin pozitif sınıfları aşırı tahmin etme eğiliminde olduğunu ve bu nedenle çok sayıda yanlış pozitif sonuç ürettiğini göstermektedir. Buna karşılık, SMO modeli precision ve recall arasında daha dengeli bir performans sergileyerek, yüksek CO seviyelerinin doğru şekilde sınıflandırılmasında daha üstün ayrım gücüne sahip olduğunu ortaya koymuştur. Sonuç olarak, bu çalışma, özellikle SMO algoritması başta olmak üzere, makine öğrenmesi yöntemlerinin orman ve arazi yangınlarının çevresel etkilerinin modellenmesinde önemli bir potansiyele sahip olduğunu göstermektedir. Elde edilen sonuçlar, uydu kaynaklı atmosferik veriler ve yangın göstergelerinin, erken uyarı sistemleri, çevresel izleme ve afet risk yönetimi için tahmine dayalı sistemlerin geliştirilmesinde etkin şekilde kullanılabileceğini desteklemektedir.