KENTSEL GENİŞLEMENİN MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE İRDELENMESİ
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Harita Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: ZELALEM GETACHEW AYALKE
Danışman: Aziz Şişman
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kentsel genişleme, özellikle "Küresel Güney" gibi hızla kentleşen bölgelerde nüfus artışı, ekonomik gelişme ve altyapı gelişiminin etkisiyle ortaya çıkan kritik bir küresel olgudur. Bu çalışma, makine öğrenmesi (MÖ) ve uzaktan algılama (UA) tekniklerini birleştiren hibrit bir çerçeve kullanarak Türkiye'nin Samsun ilindeki Atakum ve 19 Mayıs ilçelerinde kentsel genişlemenin modellenmesi ve tahmin edilmesine odaklanmaktadır. Çok zamanlı Landsat 7 ve 8 uydu görüntüleri, Google Earth Engine (GEE) aracılığıyla işlenerek, spektral yansıma bantları, gelişmiş arazi örtüsü sınıflandırması için yardımcı veri setleriyle entegre edilmiştir. Dört MÖ sınıflandırıcı: Rasgele Orman (RO), Destek Vektör Makinesi (DVM), Gradyan Ağaç Hızlandırıcı (Gradient Tree Boosting, GTB) ve Sınıflandırma ve Regresyon Ağaçları (Classification and Regression Tree, CART) uygulanmıştır. Bulgular, iki topluluk modelinin, GTB ve RO'nın, özellikle dinamik ve karmaşık ortamlarda doğru arazi örtüsü haritalaması için en güvenilir modeller olduğunu göstermektedir. Çalışmada üç kentsel genişleme simülasyon modeli uygulanmıştır: (1) Hücresel Otomatlı Yapay Sinir Ağları (Artificial neural network with Cellular Automata, ANN-CA) kullanan Arazi Kullanım Değişikliği Simülasyonları için Modüller (Modules for Land Use Change Simulations, MOLUSCE), (2) Markov Zinciri (Markov Chain, MC) analizi ile entegre edilmiş üç alternatifi Çok Katmanlı Algılayıcı (Multi-Layer Perceptron, MLP), RO, DVM ile Arazi Değişikliği Modelleyici (Land Change Modeler, LCM) ve (3) Yama Tabanlı Arazi Kullanım Simülasyonu (Patch-based Land Use Simulation, PLUS). Uzun vadeli arazi kullanım geçişlerini analiz etmek için tahmin ufku 2042 olarak belirlenmiştir. Tahmin modellerinin değerlendirilmesi, ANN-CA ve MLP-MC modellerinin mekansal dağılım eğilimlerini etkili bir şekilde yakaladığını, PLUS modelinin ise mahalle etkisi ağırlıklandırması için En İyi-En Kötü Yöntemi (BWM) kullanarak geçiş faktörlerine ilişkin daha kapsamlı bilgiler sağladığını göstermiştir. Sonuçlar, altyapı erişimi ve yüksek nüfus yoğunluğu nedeniyle, çalışma alanının doğu ve güneydoğusunda, tarım arazilerinin kentsel arazilere dönüştürülmesiyle birlikte istikrarlı bir kentsel genişleme olduğunu göstermektedir. 2002 ile 2042 yılları arasında, kentsel alanın yaklaşık %235,15 oranında artacağı ve bu artışın önemli bir arazi dönüşümünü yansıtacağı öngörülmektedir. Çalışma, arazi kullanım değişikliklerini tahmin etmek için sağlam, makine öğrenmesi odaklı çoklu model çerçevesi sunarak sürdürülebilir kentsel gelişime katkıda bulunmaktadır.