Geomatik Mühendisliği Lisansüstü Programı - Yüksek Lisans

Bu koleksiyon için kalıcı URI

Gözat

Son Başvurular

Şimdi gösteriliyor 1 - 5 / 204
  • Öge
    Overview of deformation monitoring techniques: A case study of structural displacement analysis
    (fen Bilimleri Enstitüsü, 2020) Hussein, Rihab Tawfeeq ; Erol, Bihter ; 637393 ; Geomatik Mühendisliği
    The study aims to monitor the health and safety of structures that subject to changes in operational and environmental conditions, which make it difficult to detect and assess damage of structure. The objective of study is to preceive damages by applying structural health monitoring (SHM) to existence of these progressions in operational and environmental conditions. A case study is a simulation experiment of test-bed structure in a laboratory consists of three-story building subject to lateral excitation by electromagnetic shaker. The data has been collected, recorded by Los Alamos National Laboratory Elói Figueiredo, Engineering Institute in US and shared to scientific community for research purposes. The mentioned data were analysed in the content of this study by using Fast Fourier Transform method to measure the displacement of each story. The displacement of the three-story structure under excitation load was measured in different states condition to convert time domain into the frequency domain. The testing was repeated for different structural state conditions and measurement were recorded for each state to perceive deformation when the structure has experienced basic change caused by operations and environment impacts for this purpose seventeen state condition were set up. The results were interpreted in the conclusion section.
  • Öge
    Türkiye'de geomatik / harita mühendislik eğitim-öğretimi üzerine bir inceleme
    (Fen Bilimleri Enstitüsü, 2020) Elmas, Özgür ; Çelik, Rahmi Nurhan ; 637623 ; Geomatik Mühendisliği ; Geomathic Engineering
    Diğer mesleki alanlarda olduğu gibi, geomatik/harita mühendislik alanında da gelişmişlik düzeyi ve istihdam olanakları mesleki eğitim ile yakından ilişkilidir. Bu tez çalışmasında, geomatik/harita mühendislik öğrenci ve mezunlarının üniversite eğitim - öğretiminden beklentileri bir anket çalışmasıyla belirlenirken, üniversitelerin yeterlilik düzeyleri bilgi formları oluşturularak incelendi. Ayrıca, 2014-2018 yılları arasında 70 farklı mesleğe ait mezuniyet bilgileri ve çalışan bilgileri eşleştirilerek oluşturulan veri setleri kullanılarak, geomatik/harita mühendisliğinin istihdam olanakları ve diğer meslek grupları arasındaki durumu istatistiksel olarak değerlendirildi. Anket çalışmasında üniversite seçiminde önem taşıyan kriterler sorgulandığında; "kaliteli eğitim seçeneği" %93,7 oranla ilk sırada önemsenmiştir. Bunu, "üniversitenin sıralamada iyi bir yerde olması, prestijli marka değeri ve tanınmışlığın olması" seçeneği %85,7 sıklıkla ve "mezunlarının işe alınma oranın yüksek olması, işverenlerle bağlantısı olması" seçeneği %85,7 sıklıkla takip etmiştir. Diğer önemsenen seçenekler, "üniversitenin kütüphane, internet, spor salonu, vb. sosyal tesis ve imkanlarına sahip olması" seçeneği %82,5 sıklıkla, "eğitim müfredatı ve laboratuvar kalitesi" seçeneği %71,4 sıklıkla takip etmiştir. Üniversiteye gitmede önem taşıyan kriterler sorgulandığında; "daha iyi şartlarda yaşamama katkı sağlayacağı" seçeneği %81 sıklıkla, "daha iyi bir iş bulmada önemli olması" %79,4 sıklıkla ön plana geçmiştir. Bir üniversitenin iyi bir eğitim-öğretim sağladığını gösteren kriterler sorgulandığında; "öğretim kadrosunun kalite ve sayısal bakımdan iyi olması seçeneği" %95,2 sıklıkla, "eğitim-öğretimde güncel teknolojinin kullanılması seçeneği" %92,1 sıklıkla ön sırada tercih edilmiştir. Geomatik/harita mühendislik lisans ve lisansüstü katalogları incelendiğinde; 26 üniversitede geomatik/harita mühendislik programının bulunduğu ve aktif eğitime devam ettiği, toplam kontenjan sayısının 1345 civarında olduğu belirlenmiştir. Az sayıda üniversitenin geomatik/harita mühendislik lisans eğitim programını akredite (ABET, MÜDEK veya EUR-ACE) ettiği belirlenmiştir. Üniversitelerin geomatik/harita mühendislik bölümü öğretim üyesi sayısı bakımından incelendiğinde, 30'un üstünde öğretim üyesi olan 2 üniversite, 10-19 arası öğretim üyesi olan 4 üniversite, 7 ile 9 arası öğretim üyesi olan 7 üniversite, 6'dan az öğretim üyesi olan 13 üniversite olduğu belirlenmiştir. Geomatik/harita mühendislik programlarında her öğretim üyesi başına düşen öğrenci sayısının 2 ile 41 arasında dengesiz bir dağılım gösterdiği belirlenmiştir. Geomatik/harita mühendislik bölümünün sahip olduğu anabilim dalı sayısı, laboratuvar imkanları, öğrencilerin sosyal ve eğitim amaçlı faydalanabileceği sosyal medya imkanları bakımından da önemli derecede farklılıklar mevcuttur. Geomatik/harita mühendisliği ile diğer meslek grupları istihdam oranı, iş bulma süresi, ücret, nitelik uyuşmazlığı ve kamuda işe yerleşme oranı gibi değişkenlikler bakımından karşılaştırıldığında, harita mühendisliği lehine istatistiksel olarak anlamlı (p<0,05) sonuçlar elde edilmiştir. Sonuç olarak; Eğitim-öğretim programları günün gereklerine uygun olarak oluşturulurken öğrenci ve mezunların geri bildirimleri belirleyici bir rol oynamaktadır. Üniversitelerin geomatik/harita mühendislik programlarında yer alan öğretim üyesi sayısı ve altyapı olanakları önemli düzeyde değişkenlikler göstermekte, bu durum eğitimi ve öğretim olumsuz yönde etkilemektedir. Ülke çapında standart bir eğitim - öğretim modeline kavuşmak için akreditasyon çalışmalarının hızla yaygınlaştırılması, öğrenci kontenjanlarının üniversite imkanları ve istihdam olanakları dikkate alınarak belirlenmesi önem taşımaktadır.
  • Öge
    Contribution of airborne gravimetry to regional geoid determination by least squares collocation
    (Fen Bilimleri Enstitüsü, 2020) Koç, Öykü ; Erol, Bihter ; Barzaghi, Riccardo ; Geomatik Mühendisliği
    Uzun yıllar boyunca, dünya yüzeyinde bulunan bir noktanın ortometrik yüksekliği nivelman yöntemiyle elde edilmiş olan noktalar arasındaki yükseklik farklarına dayanarak hesaplanmıştır. Nivelman yönteminin doğası ve pratik sınırlamaları, bu yöntemin zorlu, kullanımının kısıtlı ve maliyetli olmasına sebep olmuştur. Teknolojinin gelişmesiyle birlikte Küresel Uydu Navigasyon Sistemleri (GNSS) kullanımı daha yaygın bir hale gelerek, konum ve yüksekliklerin belirlenmesinde önemli bir araç olmuştur. Ancak, bu uydu sistemleri ile elde edilen yüksekliklerin referans yüzeyi elipsoit olmasından dolayı pratik uygulamalarda ihtiyaç duyulan ortometrik yükseklik bilgisinin sağlanmasında yetersiz kalır. Bu sisteme dayanarak yüksek doğruluklu, verimli ve düşük maliyetli bir yükseklik sisteminin kurulabilmesi için yüksek doğruluklu bir gravimetrik geoit modeline ihtiyaç duyulur. Bu gravimetrik geoit model sayesinde elde edilmiş yüksekliklerin GNSS yöntemi kullanılarak elde edilmiş olan elipsoit yüksekliklerinden çıkarılması ile pratik uygulamalarda ihtiyaç duyulan ortometrik yükseklik bilgisi elde edilebilmektedir. Geoidin tanımı yapılacak olur ise, fiziksel anlamda ortalama deniz yüzeyine yakınsayan ve karaların altından devam ettiği varsayılan özel bir eş potansiyel yüzeyi olarak yapılabilir. Bir eş potansiyel yüzey olan geoidin belirlenmesi, yeryüzünde konumu bilinen noktaların geoit yüksekliği bilgisinin sayısal olarak elde edilmesidir. Bu modellemenin yapılabilmesi için jeodezik sınır değer probleminin geoit yüzeyine indirgenmiş ölçülerin Stokes integrali veya benzer formüller yardımıyla çözülmesi gerekir. Bununla birlikte, teoride geoit yüksekliklerine benzer bir başka yükseklik tanımı daha yapılmaktadır. Ancak bu yükseklikler, geoit yüksekliklerine kıyasla, referans yüzeyi ortalama deniz seviyesini değil, topoğrafyayı takip eder. Bu yüksekliklerin referans yüzeyine quasi-geoit denir. Topoğrafya ile bu referans yüzeyi olan quasi-geoit arasındaki mesafeye ise yükseklik anomalisi denir. Geoit yükseklikleri ile elipsoit yüksekliklerinin arasında kurulan ilişki gibi benzer bir ilişki yükseklik anomalileri ile elipsoit yükseklikleri arasında da kurulabilir. Bu noktadan ve Bouger gravite anomalilerine dayanarak geoit yükseklikleri ile yükseklik anomalileri arasında bir ilişkinin de kurulması mümkündür. Bu yükseklik anomalilerinin hesaplanmasında, geoit için geçerli olan yöntemlere bazı modifikasyonların yapılması yeterli olmaktadır. Yeryüzündeki her noktada tam ve sürekliliği sağlayan gravite ölçüsünün varsayımı gerçekçi ve mümkün değildir. Bu durum, pratikte lokal alan için verilen noktalarda çözüm yapılarak sağlanır. Geoit modelleme sırasında jeofiziksel yapıyı daha iyi belirtebilmek için veri sıklığı ve dağılımı büyük önem taşır. Gelişen teknoloji ile birlikte, gravite ölçmelerini kolaylaştıran farklı yöntemler ortaya çıkmaya başlamıştır. Özellikle son yıllarda kullanımı artan hava gravimetresi (airborne gravimetry), değişken topografya yapısına sahip, yersel ölçüm yapılamayan yerlerde veri elde etmek için kullanılmaya başlanmıştır. Bu anlamda bölgesel geoit hesaplarına oldukça büyük katkılarda bulunarak, doğruluğun arttığı görülmüştür. Uçaktan gravite ölçülerinin topoğrafyaya indirilip, yersel veri ile birleştirilmesi, yüksek doğruluklu gravimetrik geoit hesabı için ihtiyaç duyulan verinin oluşturulması anlamında büyük önem taşır. Bununla birlikte, yersel ve hava gravite verilerinin çözünürlük, bu verilerin kapladıkları alan ve gravite ölçmelerinin yapıldığı yükseklikler gibi birçok yapısal farkları uyuşumsuzluklara neden olabilir. Bu nedenle, bu iki veri setinin uygun bir şekilde birleştirilmesi geoit belirleme için önemli bir basamaktır. Bu tez kapsamında, yukarıda belirtilenlere dayanarak yersel ve hava gravite veri kombinasyonunun yapılması ve hava gravimetrisinin geoit belirlemede olan katkısı incelenmiştir. Bu çalışmada, halihazırda bulunan artık yersel ve topoğrafyaya indirgenmiş airborne gravite anomalileri kullanılarak Colorado/ABD bölgesinde En Küçük Kareler Kollokasyonu yaklaşımı ile geoit modellemesi yapılmıştır. Bu artık gravite anomaliler, global jeopotansiyel modelden elde edilen uzun ve topografik veriden elde edilen kısa dalga boyu katkılarının çıkarılması ile elde edilmiştir. Sadece yersel, sadece hava gravimetresi ve bu verilerin kombinasyonundan oluşan bir veri seti kulanılarak üç adet quasi-geoit modeli hesaplanmıştır. Hesaplamalar En Küçük Kareler Kolokasyonu (EKK) yöntemi ile gerçekleştirilmiştir. Hesaplamalarda EKK metodunun kullanmasının sebebi, bu yöntemin bozucu potansiyele bağlı herhangi bir fonksiyonun tahmininde farklı veri tipleri, bir diğer anlamda farklı karakteristik özelliklere sahip olan veriler ve seyrek noktalardan oluşan veri setleri ile çalışabilmesidir. Bunun yanı sıra, ampirik değerlere dayanarak çözüm için veriye uygun bir model sunuyor olması da bu yöntemin kullanılmasındaki önemli noktalardan biridir. Hesaplamalar için elde edilmiş kovaryans modeli, hem yersel hem topoğrafyaya indirgenmiş airborne artık gravite anomalilerinin ampirik kovaryans değerlerine uyum sağlamasından dolayı, veri kombinasyonu ve quasi-geoit hesaplamalarının hepsinde bu kovaryans modeli kullanılmıştır. Öncelikli olarak sadece yersel ve sadece hava gravimetresine dayanan modeller 36- 38 N ve 251.5- 257 E sınırları içerisinde kalan 2x2 grid üzerinde hesaplanmıştır. Sadece hava gravite verilerine ve sadece yersel verilere dayanarak hesaplanan yükseklik anomalilerinden sonra temizlenmiş yersel gravite anomalileri, topoğrafya yüzeyinde bulunan artık airborne gravite anomalileri ile yine EKK yöntemi kullanılarak, 36- 38 N ve 251.5- 257 E sınırları içerisinde kalan 2x2 grid üzerinde birleştirilmiştir. Fakat bu birleştirilmiş veriye dayanan modelin hesabında, olası kenar etkilerinden kaçınmak için veri birleşiminde kullanılan alan sınırları, 36.2 - 37.8 N ve 251.8- 256.8 E şeklinde değiştirilmiştir. Elde edilen modeller, bölgedeki bağımsız bir veri seti olan arşivsel GPS/Nivelman nokta ağı içindeki 87 nokta kullanılarak test edilmiştir. Bunun için hesaplanmış yükseklik anomalileri, bu noktalarda geoit yüksekliklerine dönüştürülmüştür. Sonuç olarak belirtilen 87 nokta üzerinde, sadece yersel, sadece hava gravimetresi ve birleştirilmiş veri ile hesaplanan modellerden sırası ile 6.6 cm, 6.4 cm ve 6.3 cm doğruluk elde edilmiştir. Elde edilen istatistiklerde de görüldüğü üzere en iyi sonuç birleştirilmiş veri setinden hesaplanan modelden alınmıştır. Bu durum, hava gravimetresinin kendisinden beklenen katkıyı sağladığını göstermektedir. Özellikle dağlık bölgelerde bu katkı gözlenmektedir. Bunun sebebi ise, hızlı değişen topoğrafyanın yersel gravite ölçmelerini kısıtlamasıdır. Fakat arşivsel GPS/Nivelman noktaları 5-6 cm'nin altındaki sonuçları test etmek için yeterli doğruluğa sahip değildir. Bu doğruluk probleminden dolayı daha net bir yourm ve kıyaslama sunulamadığı için, elde edilen modeller bu bölgede test amaçlı ölçülmüş yeni veri seti ile test edilmelidir.
  • Öge
    İstanbul'da deprem sonrası toplanma alanlarının kapasitelerinin ve erişilebilirliklerinin CBS yardımıyla analizi ve değerlendirilmesi
    (Fen Bilimleri Enstitüsü, 2020-07-23) Özkılıç, Elif Nisa ; Karaman, Himmet ; Geomatik Mühendisliği Programı
    Afetler genellikle aniden meydana gelen ve beraberinde can, mal, ekonomik ve sosyal kayıplara yol açan olaylardır. Afetin verdiği zararlar nüfus yoğunluğu, az gelişmişlik, afet bölgelerindeki kontrolsüz ve hızlı yapılaşma, güvenliksiz yapı yoğunluğu, toplumun bilinçsizliği ve afet öncesi alınmayan tedbirler nedeniyle büyük boyutlara ulaşmaktadır. Neden olduğu ağır hasarlar dolayısıyla en büyük afetlerden olan deprem yer kabuğundaki kırılmalar ve sarsmalar sonucu çeşitli hasarlar meydana getiren doğal afetlerdendir.Yerkabuğunu oluşturan levhaların birbirini ittiği zonlar deprem bölgelerini oluşturmaktadır. Levhaların hareket halinde olması nedeniyle birbirini itmesi ve levhalar arasında oluşan sürtünme katsayısının aşıldığı zamanlarda kısa zamanda sarsıntı dalgaları meydana gelmekte ve bu sırada yeryüzünde kilometrelerce uzanabilen arazi kırıkları yani faylar oluşmaktadır. Türkiye sınırları içinde Kuzey Anadolu Fay Hattı (KAF), Doğu Anadolu Fay Hattı(DAF) olması nedeniyle deprem kuşağında bulunmaktadır. En etkin deprem kuşaklarından birinin üzerinde bulunan Türkiye topraklarının %93'ü ve nüfusunun %98'i deprem etkisi altındadır. Türkiye'de gerçekleşen depremler tektonik ve sığ depremlerdir.Bu depremler derinlikleri 0-60km arasında, dar alanda hissedilen ancak büyük hasarlar bırakan depremlerdir. Geçmişte yaşanan büyük hasarlara neden olan birçok büyük deprem olduğu gibi gelecek de yaşanacak depremlerin büyük can ve mal kaybına neden olacağı öngörülmektedir. Türkiye'nin en yoğun nüfusa sahip ili olan İstanbul'da Kuzey Anadolu Fay hattı üzerindedir ve geçmişten günümüze birçok deprem yaşamakla birlikte özellikle 1900 sonrası günümüze kadar 6 üzeri 20 üzerinde deprem yaşamıştır. Deprem tehlikesiyle karşı karşıya olan İstanbul' da büyük bir depremin gerçekleşeceği beklenmektedir. Deprem gibi büyük afetlerde, afetin önlenmesi, zararların azaltılması ve afetlere etkin, zamanında ve hızlı müdahale etmek, hazırlıklı olmak amacıyla afet öncesi, anında ve sonrası gerekli tedbir ve önlemlerin alınması ve afetzedelere güvenilir yaşam çevresi oluşturmak amacıyla gerekli tüm adımları içeren sürece afet yönetimi denir.
  • Öge
    Identification of tea plantation areas using Google cloud based random forest and deep learning
    (Institute of Science And Technology, 2020-06-15) Özen, Berkay ; Erten, Esra ; 501171668 ; Geomathic Engineering ; Geomatik Mühendisliği
    With the increasing population, food has become the most important parameter that determines international relations. Agricultural areas, which are the source of livelihood of the farmer, turn into urban areas with increasing population and face the danger of decrease with the pressure of construction. In addition to population growth, climate change threatens sustainable agriculture. Turkey is located in the areas affected by climate change. Moreover, as a result of the wrong and unconscious agricultural field management, increasing population and industrialization seen in recent years, the danger is much higher. If this condition continues, the environmental problems facing Turkey, will reach much more serious. Change of agricultural land, and these changes can not be managed correctly, it is just one of the most important issues in Turkey but all over the world in recent years. In this case, considering the spatial and temporal features, satellite images become a unique tool for monitoring the change in agricultural areas. Monitoring with satellite images allows analysis of agricultural activities of all sizes (from farm scale to basin scale), taking into account differences in environmental conditions, and even variations in the field. In this study, the livelihoods of more than 1 million people in Turkey, which ranks fifth in worldwide production of black tea plantation monitoring is investigated using remote sensing technologies. The main aim of the thesis is to identify the cultivated tea plantations with a satellite image obtained at time t. Although experience has been gained in monitoring of agricultural lands with satellite images, there is not much study on the detection of tea plantations. The main reason for this is tea plants has very similar spectral reflections with other agricultural products in the Eastern Black Sea region, where it grows. This classification problem is tried to be solved by advanced machine learning methods. However, especially deep learning methods require hardware with high computing power. In addition, the difficulty is further increased when the size of remote sensing images is added. Google has offered researchers the opportunity to solve these challenges with cloud computing. GEE is a cloud system that contains satellite data in petabyte scale and users can process this data using the JavaScript and Python programing languages. It makes possible to process satellite images without downloading and by using parallel calculation method using Google infrastructure. In addition, GEE can connect with Google's other cloud services (Drive, Cloud Storage) and the TensorFlow open source library for machine and deep learning can easily read and process data on it. In line with these developments, the thesis aims to evaluate the prediction of tea fields by using GEE and other services and the future role of GEE in this sense. As a method, both machine learning and deep learning were evaluated. For the Eastern Black Sea region, the study area, there is only access to satellite images that are free of charge via GEE. For this reason, Sentinel-2 data in GEE with the best spatial resolution was preferred for the study. Training and test data are needed for both mentioned classification methods. For this reason, binary annotated data previously created from high resolution orthophoto images were used as the ground truth data of the study area. These data were transferred to the cloud after they were converted to the appropriate format and then used. A total of 10 thousand points were selected from these location accuracy data and labeled via GEE. Afterwards, 50\% of these data were randomly allocated for training and 50\% for testing and exported to the cloud. Random Forest (RF) classification algorithm was chosen as machine learning. First, the best model evaluation for RF was made and the result was determined as 500 trees and 1 split in each tree. Vegetation Indices (VI) have been taken as additional features since tea fields in the study area will be difficult to classify using only spectral features in RF. These indices are Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI, EVI2), Infrared Percentage Vegetation Index (IPVI), Chlorophyll Vegetation Index (CVI), Soil Adjusted Vegetation Index (SAVI). In addition to the spectral properties, the texture properties of the tea plants that were monitored were used to increase the performance of the RF classification method with the Gray Level Co-occurrence Matrix (GLCM). 3 different matrix has been selected for this, 3x3, 5x5, 7x7. RF algorithm was prepared in GEE environment by using the training points data set previously prepared with these parameters, and then output results were obtained in GEE environment. According to the data obtained, when using RF classification using only spectral bands (DN), overall accuracy was achieved at 74.45%. Similarly, when using DN + indices, the result did not change and 74.46% overall accuracy was obtained. In addition, when GLMC values are added to these data, it has been observed that the accuracy is increased for both DN and DN + Indices data. This increase was accomplished by all GLCM matrices. However, the highest accuracy value was achieved with Indices, DN, and GLCM created with a 5x5 matrix and has an accuracy rate of 76.43%. Also, as a result of this classification, the feature ranking was obtained and when this ranking was examined, it was observed that the Green band was the highest. Due to the prevalence of green in the region, the change in values in the reflection will affect the result of the classification. On the other hand, U-NET artificial neural network was used for the deep learning method and Colab application was used together with GEE. Then, the same training and test data generated randomly for the RF algorithm were used. In the following processes, region of interest obtained from the satellite image and training / test data were transferred to the Drive environment in tfrecord format and the data structure was determined by re-reading in the colab environment. As an additional feature, the previously specified indices are also added to the data. The best parameters are determined for the most suitable model after some tests. As a result of this parameter selection, the number of epoch is 150, the number of steps per epoch is 20, the number of batch is 20, the learning rate is 0.001 and Adam Optimizer is chosen as an optimizer. The Tensor Process Unit (TPU) provided by Colab for faster reading and processing of tfrecord data has been identified as the working environment. The model created with these parameters was trained and the model tested as a result of the training provided a high accuracy of 94.69%. The biggest reason for this is the U-NET architecture, which can provide success even with low resolution and a small amount of training data. Especially designed for the segmentation of biomedical images, this network architecture is quite successful in classifying partially low resolution images such as Sentinel-2. Research has revealed that the colab and GEE cloud infrastructure used in deep learning has greatly accelerated the training and prediction processes and revealed that it has great potential for operational studies. As high resolution satellite images, which ar