Binaların makine öğrenmesi algoritmalarıyla mekânsal özelliklerinden yararlanarak fonksiyonel olarak sınıflandırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: AYÇA NURSENA BİLGİN
Danışman: Ali Melih Başaraner
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Dünya genelinde insanlar, kırsal alanlardan kentlere doğru göç etmektedir. Bu göç hareketi karmaşık yapılaşmayı ve kent yönetimi için zorlukları beraberinde getirmektedir. Kentler için oldukça büyük öneme sahip olan acil durum ve kaynakların yönetimi, iklim değişikliği modellerinin oluşturulması gibi kent yönetim planlarının temel veri kaynağını farklı bina fonksiyonları oluşturmaktadır. Binaların kullanım türlerinin belirlenmesi planlama süreçlerinin temel bir adımıdır. Bu çalışmada, bina detaylarının (nesnelerinin) coğrafi bilgi sistemi (CBS) ortamında elde edilmiş çeşitli mekânsal özelliklerinden (büyüklük, şekil, mekânsal ilişki metrikleri ve niceliksel öznitelikler) yararlanarak fonksiyonel (kullanım türü) sınıflandırmasında farklı makine öğrenmesi algoritmalarının performansları değerlendirilmiş ve böylece kentsel planlama ve kent yönetimi süreçlerine katkı sağlanması amaçlanmıştır. Deneysel çalışmada Florida eyaletinin Miami-Dade ilindeki bina detay verileri kullanılarak iki uygulama gerçekleştirilmiştir. Uygulamalarda kullanılan algoritmalar Grid Search yöntemi ile en iyi performansı gösterecek olan hiper parametreleri ile eğitilmiştir. İlk uygulamada binalar konut ve konut dışı olmak üzere iki farklı fonksiyona göre sınıflandırılmıştır. Sınıflandırmada CART, destek vektör makineleri (DVM), rastgele orman (RO), aşırı gradyan artırma (XGBoost) ve k – En Yakın Komşu (k-NN) algoritmaları kullanılmıştır. Algoritmaların F1-skor değerleri sırasıyla 0.83, 0.81, 0.83, 0.83 ve 0.74'tır. Topluluk öğrenmesi algoritmalarının daha iyi performans gösterdiği görülmüştür. İkinci uygulamada (1) fabrika ve depo, (2) konut, (3) ticaret ve (4) kamu hizmet binaları olmak üzere dört farklı fonksiyona göre sınıflandırılmıştır. Sınıflandırmada CART, rastgele orman, aşırı gradyan artırma ve k-NN algoritmaları kullanılmıştır. Algoritmaların F1-skor değerleri sırasıyla 0.63, 0.68, 0.68 ve 0.60'tır. Topluluk öğrenmesi algoritmalarının daha iyi performans gösterdiği görülmektedir. Hata matrisleri incelendiğinde her iki uygulamada da algoritmaların hepsi konut sınıfında yüksek doğruluk göstermiştir, fabrika ve depo sınıfı bunu takip etmektedir. Kamu hizmet binaları en az doğruluğun gözlemlendiği sınıftır. Algoritmaların hepsi kamu hizmeti sınıfına ait olan bazı binaları ticaret; ticaret sınıfına ait olan bazı binaları ise kamu hizmeti ve konut olarak sınıflandırmıştır. Metin ve konum tabanlı sosyal medya verileri ve sokak görünümü verilerinin çalışmalara dâhil edilmesiyle elde edilen sonuçların desteklenmesi sağlanabilir.