Şekil göstergeleri ve makine öğrenmesi algoritmaları aracılığıyla bina detaylarının şekil karmaşıklığına göre sınıflandırılması

HÜSEYİN SAFA DUMAN

Şekil göstergeleri ve makine öğrenmesi algoritmaları aracılığıyla bina detaylarının şekil karmaşıklığına göre sınıflandırılması

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: HÜSEYİN SAFA DUMAN

Danışman: Ali Melih Başaraner

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Şekil analizi, mekânsal olguları/nesneleri karakterize etmek ve mekânsal örüntüleri ortaya çıkartmak için kullanılır. Kartografya ve CBS alanında, şekil analizinden, genelleştirme, dikkat çekici (referans) detayların seçimi ve mekansal değişim incelemesi gibi uygulamalarda yararlanılmaktadır. Bu amaçla, şekil göstergeleri oldukça yaygın olarak tercih edilmektedir. Şekil göstergeleri, nesnelerin belirli şekilsel özelliklerinin sayısal olarak ifade edilmesini sağlarlar. Böylece, nesnelerin şekil benzerliğini ölçmek, karşılaştırmak ve değerlendirmek mümkün hale gelir. Bu çalışmada, bina detaylarının şekil karmaşıklık düzeylerine göre karakterize edilmesi amaçlanmıştır. Bu bağlamda, veri derleme, şekil göstergelerinin seçimi ve hesaplanması ve şekillerin sınıflandırılması aşamalarını içeren iki uygulama gerçekleştirilmiştir. Uygulamalarda veri olarak, OpenStreetMap'ten elde edilen bina detayları kullanılmıştır. Şekil göstergeleri, önceki çalışmalarda başarılı bulunanlar arasından seçilmiştir. Şekil göstergelerinin değerleri, daha önce geliştirilmiş bir eklenti kullanılarak MapInfo Pro yazılımında otomatik olarak hesaplanmıştır. Şekillerin sınıflandırılması için ise makine öğrenmesi algoritmalarından (k-NN, Naif Bayes, Karar Ağaçları, Rastgele Orman ve Gradyan Artırma) yararlanılmıştır. Bu kapsamda, RapidMiner yazılımı kullanılmıştır. İlk uygulamada, 300 adet bina detayı, üç şekil karmaşıklık sınıfı (karmaşık, orta ve basit), üç şekil göstergesi (Dairesellik, Dışbükeylik ve Dikdörtgensellik) ve iki topluluk öğrenmesi algoritması (Rastgele Orman ve Gradyan Artırma) kullanılmıştır. Bu uygulamada, Rastgele Orman algoritması ile %93,33 genel doğruluk (κ=0,900), Gradyan Artırma algoritması ile ise %92,33 genel doğruluk (κ=0,885) elde edilmiştir. İkinci uygulamada ise 5000 adet bina detayı, beş şekil karmaşıklık sınıfı (Çok Karmaşık, Karmaşık, Orta, Basit, Çok Basit), yedi şekil göstergesi (Dairesellik, Dışbükeylik, Dikdörtgensellik, Karesellik, Pürüzlülük Göstergesi, Eşdeğer Dikdörtgen Göstergesi ve Uzanım) ve makine öğrenmesi algoritmaları (k-NN, Naive Bayes, Karar Ağaçları, Rastgele Orman ve Gradyan Artırma) kullanılmıştır. Bu uygulamada, Gradyan Artırma algoritması %79,98 genel doğruluk (κ=0,731) ile en iyi performansı göstermiştir. Bu algoritmayı sırasıyla %79,88 genel doğruluk (κ=0,730) ile Rastgele Orman, %77,20 genel doğruluk (κ=0,694) ile k-NN algoritması takip etmiştir.