LEE- Geomatik Mühendisliği-Doktora
Bu koleksiyon için kalıcı URI
Gözat
Sustainable Development Goal "Goal 12: Responsible Consumption and Production" ile LEE- Geomatik Mühendisliği-Doktora'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
ÖgeCoğrafi bilgi sistemleri entegreli makine öğrenmesine dayalı toplu taşınmaz değerleme modelinin geliştirilmesi(Lisansüstü Eğitim Enstitüsü, 2022-10-07) Mete, Muhammed Oğuzhan ; Yomralıoğlu, Tahsin ; 501192606 ; Geomatik MühendisligiKüresel arazi idaresi sisteminin temel fonksiyonlarından biri olan arazi değeri ile planlama, vergilendirme, imar uygulamaları gibi mülkiyete dayalı birçok işlemde karşılaşılmaktadır. Bu bağlamda taşınmaz değerinin uluslararası standartlara uygun, nesnel yaklaşımlar ile değerlendirilmesi oldukça önemlidir. Teknolojinin ilerlemesiyle birlikte Coğrafi Bilgi Sistemleri (CBS), Yapay Zeka ve Makine Öğrenmesi, Bulut Bilişim, Yapı Bilgi Modelleme gibi akıllı sistemlerin değerleme uygulamalarında kullanımı artmakta, taşınmazların değeri yüksek doğrulukla, hızlı bir şekilde belirlenebilmektedir. Taşınmazların tekil değerlemesinde kullanılan Emsal Karşılaştırma, Gelir, Maliyet gibi klasik yöntemlerden farklı olarak toplu değerleme yöntemi bilişim sistemlerinden faydalanarak geniş alanlarda çok sayıda taşınmazın topyekün değerlendirilmesini mümkün kılmaktadır. Öte yandan arazi idaresi sistemlerinin kavramsal model tasarımında ISO standardı olan Arazi İdaresi Alan Modeli (LADM)'yi benimseyen ülkeler, taşınmaz değerleme amaçlı ülke profillerini oluşturarak süreçleri daha etkin bir şekilde yürütmeyi hedeflemektedirler. Değerleme çalışmalarında CBS ve Makine Öğrenmesine dayalı yöntemlerin ön plana çıktığı görülse de bu iki yaklaşımın bütünleşik kullanımının yer aldığı çalışmalar oldukça sınırlıdır. Ayrıca toplu değerleme çalışmalarında taşınmazların yüzölçümü, oda sayısı gibi fiziksel özelliklerine yoğunlaşılmakta, değeri oldukça etkileyen konumsal ve çevresel faktörler yeterince analiz edilmemektedir. Tez çalışması kapsamında CBS ve Makine Öğrenmesi yöntemleri bütünleştirilerek hibrit bir değerleme yöntemi geliştirilmiş, konumsal analizlerle değerleme verilerinin zenginleştirilmesi amaçlanmıştır. Öncelikle Birleşik Krallık çalışma bölgesinde LADM'ye dayalı bir kavramsal model tasarımı yapılmış, fiziksel modele geçiş aşamasında açık kaynaklı PostgreSQL/PostGIS veritabanı oluşturulmuştur. Daha sonra CBS destekli Nominal Değerleme Yöntemi ile yakınlık, yüzey, görünürlük gibi konumsal analizler gerçekleştirilmiş, nominal arsa değer haritası oluşturulmuştur. Birleşik Krallık Kraliyet Arazi Kayıt Kurumu tarafından açık lisans ile paylaşılan gerçek konut satış verileri kullanılarak Lineer Regresyon, Rastgele Orman, XGBoost, CatBoost gibi çeşitli Makine Öğrenmesi regresyon yöntemleri ile toplu değerleme çalışması gerçekleştirilmiştir. Konumsal kriterler eklenmeden önce gerçekleştirilen regresyon analizi sonucunda Makine Öğrenmesi modellerinin yeterli doğruluğa ulaşamadıkları görülmüştür. CBS analizleri sonrası elde edilen konumsal kriterlerin nominal puanları öznitelik zenginleştirme yoluyla değerleme verisindeki taşınmazlara aktarılmıştır. Konumsal kriterlerin eklenmesi sonrası gerçekleştirilen regresyon analizinde R2 değerinin yaklaşık %39, MAPE değerinin ise %27 civarında iyileştirildiği, yapılan oran analizleri sonucunda da çalışmanın toplu değerleme standartlarına uygun şekilde yeterli doğruluğa ulaştığı gözlemlenmiştir. Öte yandan global regresyon modellerinde kriterlerin mekansal otokorelasyonu ve bölgesel önem düzeyleri dikkate alınmazken tüm çalışma bölgesi için sabit bir kriter ağırlığı alınmaktadır. Oysa değeri etkileyen faktörler konuma, çevresel ve sosyo-ekonomik etkilere bağlı olarak değişkenlik gösterebilmektedir. Mekansal otokorelasyonun hesaplanması ve tüm kriterlerin özelliklerine bağlı olarak değer bölgelerinin oluşturulması için Nominal Ağırlıklı Çok Değişkenli Mekansal Kümeleme Yöntemi geliştirilmiştir. Bu yöntem ile beş farklı değer bölgesi tespit edilmiş, her bir kümede lokal regresyon modelleri oluşturularak değerleme doğruluğu artırılmış, bölgelere özgü kriter önemleri ve ağırlık katsayıları elde edilmiştir. Kriter önem skorlarının için hem permütasyon tabanlı öznitelik önemi hem de oyun teorisine dayanan SHAPley değerleri hesaplanmıştır. Böylece değişkenlerin bölgesel olarak değeri hangi yönde, ne derecede etkilediğine dair sonuçlar elde edilmiştir. Yapay zeka yöntemlerinde önyargı ve varyans dengesi, modelin öğrenme karakterini ortaya koyan önemli bir göstergedir. CBS ve Makine Öğrenmesi yöntemleri ile geliştirilen yöntem, genelleştirilebilirliğin incelenmesi amacıyla Birleşik Krallık'tan sonra Türkiye'de İstanbul ve İzmir illeri için de gerçekleştirilmiştir. Sonuçlara bakıldığında konumsal değişkenlerin katkısıyla konut amaçlı taşınmazların değeri İstanbul ve İzmir şehirleri için de yüksek doğrulukla belirlenmiştir. Tez kapsamında ayrıca yapılı taşınmazların arsa ve bina değerlerinin ayrıştırılması için Nominal Yönteme Dayalı Parametrik Maliyet Modellemesi yaklaşımı geliştirilmiştir. Bu kapsamda yapıya ait temel bileşenlerin yeniden inşa maliyeti modellenerek toplam değerden çıkarılmış, arsa değeri Makine Öğrenmesi ile geliştirilen arsa değerleme modeli sonuçları ile kıyaslanmıştır. Böylelikle yapılı bir taşınmazı meydana getiren zemindeki arsanın ve üzerinde bulunan binanın değerini ayrı ayrı ifade edebilen bir değerleme yaklaşımı geliştirilmiştir. Çalışmanın son aşamasında taşınmazlara ait tüm verileri ve değer haritalarını web ortamında kullanıcılarla paylaşmak için Bulut CBS tabanlı Taşınmaz Değer Bilgi Portalı geliştirilmiştir. Hem geleneksel sunucu-istemci mimarisi ile, hem de sunucusuz bulut yaklaşımı ile verilerin depolanması ve web servisleriyle paylaşılması sağlanmış, iki yöntem kıyaslanarak performans ve maliyet analizleri gerçekleştirilmiştir. Tez çalışmasında taşınmaz değerleme ve taşınmaz yönetimi anlamında uçtan uca tüm süreçlerin CBS ve Makine Öğrenmesine dayalı geliştirilmesi sağlanmış, sürdürülebilir arazi yönetimi paradigması çerçevesinde birlikte çalışabilir, bütüncül bir taşınmaz değerleme sistemi ortaya konmuştur.
-
ÖgeGlobal gravity field recovery from low-low satellite-to-satellite tracking with enhanced spatiotemporal resolution using deep learning paradigm(Graduate School, 2023-05-24) Uz, Metehan ; Akyılmaz, Orhan ; 501162610 ; Geomatic EngineeringUnderstanding climate system and ensuring survival of the planet require more attention to monitoring water resources and water-related natural disasters. Therefore, monitoring water storage is crucial for the global climate and natural ecosystems. Gravity Recovery and Climate Experiment (GRACE) and GRACE Follow-On (GFO) missions have revealed new insights into mass transport within the Earth system. For the first 15 years, beginning in 2002, time series of terrestrial water storage (TWS) variations on the Earth were recovered from the measurements of the GRACE mission. After a gap of 11 successive months, the GFO mission has been performing this task since May 2018. Hence, over the last 20 years, TWS variations from GRACE/GFO measurements have provided an unique information on the Earth's water cycle to a wide range of hydrology, glaciology, and solid earth activities. Numerous scientific investigations have been conducted in the light of this data. Some of these efforts include estimating time-variable gravity field models with high accuracy from GRACE/GFO measurements using satellite gravimetry techniques and/or enhancing the temporal and spatial resolutions of TWS anomalies (TWSA). In this thesis, two major efforts have been investigated by applying the energy balance approach (EBA), which is a kind of satellite gravimetry technique based on the principles of energy conservation. The preliminary aim is to estimate spherical harmonic coefficients (SHC) of time-variable gravity field models of the Earth and new hybrid deep learning (DL) algorithms, namely residual deep convolutional autoencoders (ResDCAE) and super-resolution residual deep convolutional autoencoders (SR-ResDCAE). The next objective is to enhance temporal and spatial resolutions of TWSA maps that are derived from the SHCs. The SHCs are highly sensitive to the systematic errors and high-frequency noise sources in range-rate observations of GRACE/GFO K/Ka Band Ranging (KBR) as well as the orbit configurations. This is why the estimated geopotential differences (GPD) from EBA have direct relations to range rate dataset due to applied KBR alignment approach. Under these circumstances, the temporal models are estimated to have comparable accuracy with other institution models for up to degree/order (d/o) 20, but are less accurate for higher degrees of SHCs. In order to mitigate these error and noise sources, KBR empirical parameter estimation or the Bayesian filter (BF) is applied to estimated GPDs. When the number of empirical parameters are increased (from one to three cycle-per-revolution (CPR)), the heavier effect of North-South (N-S) stripes is drastically reduced, particularly in months with poor orbit configuration. However, this results in a loss of strength in the long-wavelength component of the gravitational signal. On the other hand applying both the forward filtering (FF) and backward smoothing (BS) steps of BF to the GPD residuals, high-frequency noises caused by the satellite's temperature changes are reduced and there is no signal loss in SHCs estimated by these filtered and smoothed GPDs. However, this result did not lead to any improvement in the mitigation of high-degree SHC correlations. Since the estimated GPDs are also highly sensitive to orbital configurations to represent mass variations, it is concluded that a regularization process is required in the gravity inversion step to eliminate correlations in higher-order SHCs and reduce N-S stripes in an unconstrained solution without signal loss. In the second step, the TWSA that are calculated from estimated SHCs are downscaled from monthly and 100 km resolutions to daily and 25 km resolutions using in-house developed DL, i.e., ResDCAE and SR-ResDCAE, applying step-by-step simulations from lower to higher resolutions. Internally, the performance of each GRACE-like TWSA simulation is validated using mathematical metrics such as root mean squared error (RMSE) and Nash-Sutcliffe efficiency (NSE), as well as comparisons to previous studies. Contrary to internal validation, the simulated TWSAs are also externally validated by comparison to the performance of filling the gap between GRACE and GFO missions and to non-GRACE datasets, such as the El Nino/La Nina sea surface temperature index and global mean sea level (GMSL) changes. In addition, the capability of the daily simulations to detect long- and short-term variations in the TWSA signal caused by natural disasters such as the 2011 and 2019 Missouri River Floods, Hurricane Harvey, and the 2012–2017 drought in California for Contiguous United States (CONUS) region is investigated. The droughts experienced in Türkiye during the GRACE/GFO time period, which occurred in 2007–2008 and 2013–2014, are also evaluated using daily simulations considering Fırat Dicle Basin (FDB) and Konya Close Basin (KCB), separately. Both the filling of TWSA data gaps and the simulation of daily time series using the ResDCAE algorithm have been successfully simulated. Nevertheless, the spatial downscaling step of the SR-ResDCAE algorithm requires additional physical investigation regarding the establishment of spatio-temporal correlations during training. In addition, leakage bias effects have emerged as a result of the post-processing filters used to eliminate errors in time-varying gravity field models obtained unconstrained by the EBA method. Due to post-processing filters, the true signal magnitude of TWSA is diminished. Therefore, the temporal and spatial pattern of the simulated TWSA time series is comparable to that of the other compared simulations and models, but signal power loss is readily apparent.