Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: Farid HASSANBAKI GARABAGHI
Danışman: Semra Benzer
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Sürdürülebilir içme suyu sağlamak ve ekosistemi korumak için tatlı su kaynaklarının kalitesi sürekli izlenmelidir. Bu çalışma, Büyük Menderes Havzasını göz önünde bulundurarak su kalitesi sınıflandırması ve tahmininin otomasyonu doğrultusunda iki hedefi izlemektedir. Bu araştırmanın ilk amacı, su kalitesi sınıflandırması için doğru bir model ortaya koymaktır. Water Quality Index (WQI), su kalitesini sınıflandırcı için kullanılmaktadır. Ancak, WQI'in hesaplaması karmaşık ve zaman alıcıdır. Su kalitesi sınıflandırması için gelişmiş yöntemlerden birisi Machine Learning (ML) dir. Bu çalışmada, su kalitesi sınıflandırması için dört ML modelinin performansı incelenmiştir. Bir ML modelini hesaplama açısından uygun maliyetli hale getirmek için, en ilgili parametreler ele alınarak boyutsalık azaltma teknikleri kullanılır. Bu çalışmada, boyutsallığı azaltılmış veri setlerinin sınıflandırıcıların performansı üzerindeki etkisi değerlendirilmiştir. Bu çalışmada, farklı parametrelerden oluşan alt kümeler oluşumu için üç öznitelik seçici kullanılmıştır. Araştırmalar sonucunda, XGBoost modeli, tüm veri seti ile olağanüstü performans (Doğruluk: 96,9696%) göstermiştir. Sonuçlar, boyutsallık azaltmanın modellerin performansı üzerindeki olumsuz etkisini göstermektedir. Maliyet etkinliğine dayalı fizibilite çalışması, XGBoost modelinin, Backeard Feature Elimination Wrapper Method (BFE-WRAPM) tarafından önerilen veri seti ile en iyi sınıflandırıcı olarak kabul edilebileceğini (Doğruluk: %95.606) göstermektedir. Su yaşamı, Çözünmüş Oksijen (ÇO) seviyelerinden oldukça etkilenmektedir. Bunun için, gelecekteki ÇO seviyeleri için bir tahmin modeli oluşumu gereksinimdir. Bu tez çalışmasının ikinci aşaması, ÇO Tahmini için bir modelin oluşturulmasıdır. Bu doğrultuda, boyutsallık azaltma çalışması ile birlikte Random Forest (RF) ve Multilayer Perceptron (MLP) modellerinin ÇO tahmini performansı değerlendirilmiştir. RF modeli MLP’ye göre her iki veri kümesi ile (tüm veri seti ve boyutsallığı azaltılmış veri kümesi) üstün performans sergilemiştir. RF modeli için en iyi performans boyutsallığı düşürülmüş veri kümesi ile eğitildiğinde tespit edilmiştir. Her iki modelin Estimation Error Deviation’i (EED), boyutsallığı düşürülmüş veri seti ile önemli ölçüde azaldığı tespit edilmiştir. Sonuçlar, boyutsallık azaltmanın her iki modelin doğruluğu üzerindeki olumlu etkisini göstermektedir. Sonuç olarak, RF, ÇO tahmininde etkin bir model olarak kabul edilebilir.
Anahtar Kelimeler : Su kalitesi, Büyük Menderes Havzası, Makine Öğrenimi,
Sınıflandırma, Tahmin, Su Kalitesi Endeksi, Regresyon