Akademik Veri Yönetim Sistemi
4th INTERNATIONAL APRIL 23 SCIENTIFIC STUDIES CONGRESS, Gaziantep, Türkiye, 23 - 24 Nisan 2022, ss.129
Son yıllarda uzaktan algılama ve jeo-uzamsal teknolojinin geliĢmesiyle beraber havza planlanmasında
önemli bir yer teĢkil eden ve birçok çevresel parametreye bağlı olan taĢkın alanlarının belirlenmesinde farklı
matematiksel modeller ve istatistiksel yöntemler uygulama bulmaya baĢlamıĢtır. Bunlar arasında önemli bir
yere sahip, baĢarılı sonuçlar veren yaklaĢımlardan biri karmaĢık girdileri öğrenebilen ve parametrelerin
birbiri üzerindeki etkilerini gözlemleyen makine öğrenimi algoritmalarıdır. Verilerin makine öğreniminde
kullanılabilmesi için bir uzman tarafından yapılan veri ön iĢleme, parametrelerin optimizasyonu, özellik
çıkarma ve özellik seçme yöntemlerinin uygulanarak belirli bir formatta ifade edilmesi gerekmektedir. Bu
çalıĢmada, Karar Ağaçları (KA), Dereceli Arttırma Ağaçları (DAA), Destek Vektör Makineleri (DVM) ve
Yapay Sinir Ağı (YSA) algoritmalarının hiper parametre optimizasyonu yapılarak Doğu Akdeniz Havzası
taĢkın duyarlılığı haritalaması yapılmıĢtır. Saha çalıĢmaları, kayıtlar ve mevcut araĢtırmalar sonucu elde
edilen toplam 352 adet taĢkın olan ve olmayan nokta belirlenmiĢ ve bunların ArcGIS 10.8 yardımı ile
değerlendirilmesi ile havzada taĢkın olaylarını etkileyen parametreler belirlenmiĢtir. Elde edilen taĢkın
noktaları ve parametreleri referans alınarak KA, DAA, YSA ve DVM algoritmaları ile sınıflandırma yapılıp
eğitim ve test verilerindeki baĢarı oranları belirlenmiĢtir. Modellerin kıyaslanması ve optimizasyonu
sırasında eğitim ve test verilerinin baĢarısı Alıcı ĠĢletim Karakteristiği (ROC) alanları referans alınarak
değerlendirilmiĢtir. Sonuçlar ön iĢleme ve hiper parametre optimizasyonu yapılarak oluĢturulan modellerin
tek baĢına oluĢturulan modellerden daha baĢarılı sonuçlar verdiğini göstermiĢtir. Modellerin eğitilmesinden
sonra havza içerisindeki her bir noktanın taĢkın potansiyeli 0 ve 1 olarak tahmin edilmiĢtir. Tahmin edilen
bu noktaların taĢkın bulundurma olasılıkları hesaplanarak taĢkın duyarlılığı haritaları oluĢturulmuĢtur ve
birbiri arasındaki farklılıkları incelenmiĢtir. Genel olarak ön iĢlemesi ve optimizasyonu yapılmıĢ taĢkın
alanlarının tek bir makine öğrenimi algoritmasının oluĢturduğu alanlara göre taĢkın olasılıklarında daha fazla
dağılım gösteren alanlar oluĢturduğu gözlemlenmiĢtir. OluĢturulan modellerin test verilerindeki tahminleri
arasında farklılıklarının gözlenmesi amacı ile McNemar testi uygulanmıĢtır. Elde edilen sonuçlar kullanılan
algoritmaların genellikle test verilerinin tahmininde birbirileri içerisinde tutarlı sonuçlar verdiğini
göstermiĢtir.