Makine öğrenmesi modelleri kullanarak PS InSAR verilerine dayalı zemin çökme duyarlılık haritalarının oluşturulması: Aksaray ili örneği
| dc.contributor.author | Korkmaz, Osman | |
| dc.date.accessioned | 2025-05-16T12:39:16Z | |
| dc.date.available | 2025-05-16T12:39:16Z | |
| dc.date.issued | 2025 | |
| dc.date.submitted | 23.01.2025 | |
| dc.department | Fen Bilimler Enstitüsü | |
| dc.description.abstract | Bu çalışma, Aksaray ilindeki zemin çökme duyarlılığını makine öğrenimi (MÖ) yöntemleri ile değerlendirmeyi amaçlamaktadır. Zemin çökme duyarlılık haritalarının oluşturulması için gerekli olan zemin çökmesi envanteri, geniş bir bölgeyi kapsayan arazi çalışmaları ile toplanması mümkün olmayan bir veri türüdür. Bu nedenle, bu çalışmada zemin çökmesi envanterin PS InSAR (Sabit Saçıcı İnterferometrik Sentetik Açıklıklı Radar) tekniği kullanılarak elde edilmesi amaçlanmıştır. Beş yıllık bir izleme sürecinde, iki farklı çerçeve için toplamda 80 Sentinel-1 uydu görüntüsü işlenmiş ve 63.437 PS noktası analiz edilmiştir. Zemin çökmesi duyarlılığını değerlendirmek amacıyla, litoloji, eğrisellik, eğim, bakı, yükseklik, yeraltı su seviyesi, drenaj yoğunluğu, kuyu yoğunluğu, Topografik Nem İndeksi (TNİ), Akış Gücü İndeksi (AGİ), arazi kullanımı, yerleşim yerine yakınlık, fay hattına yakınlık, yola yakınlık ve NDVI dahil olmak üzere toplam 15 koşullandırıcı faktör analiz edilmiştir. Bu faktörler, Random Forest, XGBoost, CatBoost, LightGBM ve AdaBoost gibi makine öğrenmesi algoritmalarına dahil edilmiştir. Modellerin karşılaştırılması sonucunda, %95 doğruluk oranı ile Random Forest algoritması en yüksek tahmin performansını göstermiştir. Ayrıca faktörlerin önem dereceleri analiz edilmiş ve litoloji, yükseklik, yeraltı su seviyesi değişimi ve arazi kullanımının zemin çökmesi üzerinde en önemli etkilere sahip olduğu belirlenmiştir. Elde edilen bulgular, Aksaray ilinin Sultanhanı, Eskil ve Merkez ilçelerinin yüksek ve çok yüksek zemin çökme riskine sahip olduğunu göstermektedir. Çalışma, yerel yönetimler için zemin çökmesi risklerini daha iyi anlamak ve etkin risk yönetimi stratejileri geliştirmek için önemli bir rehber sunmaktadır. Aynı zamanda, sürdürülebilir tarım stratejilerinin geliştirilmesi ve su kaynaklarının etkin yönetimi açısından da değerli veriler sağlamaktadır. | |
| dc.description.abstract | This study aims to evaluate land subsidence susceptibility in the Aksaray province using machine learning (ML) methods. The creation of land subsidence susceptibility maps requires a comprehensive inventory of land subsidence occurrences, which is challenging to obtain through fieldwork for large areas. Therefore, this study utilized the PS InSAR (Persistent Scatterer Interferometric Synthetic Aperture Radar) technique to generate the subsidence inventory. Over a five-year observation period, 80 Sentinel-1A satellite images were processed for two distinct frames, resulting in the analysis of 63,437 PS points. To assess land subsidence susceptibility, 15 conditioning factors were analyzed, including lithology, curvature, slope, aspect, elevation, groundwater level, drainage density, well density, Topographic Wetness Index (TWI), Stream Power Index (SPI), land use, proximity to settlements, proximity to fault lines, proximity to roads, and NDVI. These factors were incorporated into machine learning algorithms such as Random Forest, XGBoost, CatBoost, LightGBM, and AdaBoost. Among these models, Random Forest demonstrated the highest predictive performance with an accuracy of 95%. Furthermore, feature importance analysis revealed that lithology, elevation, groundwater level change, and land use had the most significant impact on land subsidence. The findings indicate that Sultanhanı, Eskil, and the central districts of Aksaray are at high and very high risk of land subsidence. This study provides valuable insights for local governments to better understand land subsidence risks and develop effective risk management strategies. Additionally, it offers critical data for advancing sustainable agricultural practices and efficient water resource management. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/13123 | |
| dc.identifier.yoktezid | 931425 | |
| dc.institutionauthor | Korkmaz, Osman | |
| dc.language.iso | tr | |
| dc.publisher | Aksaray Üniversitesi, Fen Bilimleri Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | PS-INSAR | |
| dc.subject | CBS | |
| dc.subject | Zemin Çökmesi | |
| dc.subject | Duyarlılık Haritası | |
| dc.subject | Machine Learning | |
| dc.subject | GIS | |
| dc.subject | Land Subsidence | |
| dc.subject | Susceptibility Map | |
| dc.title | Makine öğrenmesi modelleri kullanarak PS InSAR verilerine dayalı zemin çökme duyarlılık haritalarının oluşturulması: Aksaray ili örneği | |
| dc.title.alternative | Development of land subsidence susceptibility maps based on PS InSAR data using machine learning models: The case of Aksaray province | |
| dc.type | Master Thesis |
