LEE- Coğrafi Bilgi Teknolojileri-Doktora
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 4 / 4
-
ÖgePeyzaj mimarlığında yapay zeka uygulamaları: Yapay zeka üretimi peyzaj tasarımlarının ekolojik performansının Sites kriterleri üzerinden değerlendirilmesi(Lisansüstü Eğitim Enstitüsü, 2024-07-25)Bu çalışmada Türkiye'de 2000-2023 yılları arası açılan Kentsel Tasarım Projesi Yarışmalarında kazanan projeler üretken yapay zeka araçlarının derin öğrenme sürecinde veri seti olarak olarak kullanılmıştır. Bu veri seti ile eğitilen üretken yapay zeka araçlarından alınan çıktılar Dünya'nın genelinde kabul gören derecelendirme sistemlerinden Sustainable SITEs'ın mekansal ve zamansal ölçeklere bağımlı kriterlerine göre ölçülmeyi hedeflemektedir. Tez araştırması; "İnsanlar tarafından tasarlanan vaziyet planları ile YZ tarafından tasarlanan vaziyet planlarını ekolojik kriterlere göre sistematik olarak nasıl karşılaştırabiliriz?" sorusuna cevap vermeyi ve yapay zekanın ekolojik verimliliğinin anlaşılmasını amaçlamaktadır. Çalışma kapsamında tanımlanan veri seti depolama, yazılım ve donanım araçları gibi tüm araştırma bileşenleri bulut ortamında yönetilmiştir. Açık kaynaklardan elde edilen kazanan projelerin vaziyet planları 35 tanesinden veri seti oluşturulmuş ve Google Drive adlı bulut ortamında depolanmıştır. Araştırmanın donanım ihtiyacını Google Colaboratory (Colab) T4 GPU (Graphical Processing Unit) karşılamaktadır. Colab içerisinde python 3 dilinde yazılan çalışmanın veri seti sayısı ile verimli çalışma yeteneğine sahip üretken yapay sinir ağlarından FastGAN ile derin öğrenme süreci gerçekleştirilmiştir. Arazi kullanım örüntüsü, oran ve ilişkilerini anlaması için eğitilen FastGAN modeli bulut ortamında saklanmış ve istenilen zamanda ve sayıda çıktı vermektedir. Üretken yapay sinir ağından alınan çıktılar Diffusion Modellerden, Stable Diffusion v1.6 kullanılarak öğrenilen örüntü, oran ve ilişkiler yüksek çözünürlüklü kolay okunan peyzaj planları haline getirilmiştir. Dünya'da önde gelen proje derecelendirme sistemlerinden olan Sustainable SITEs'ın tasarım, tasarım ve tasarım geliştirme aşamaları ile ilgili kriterleri arazi kullanım bilgileri üzerinden ölçülmektedir. Bu sayede veri seti olan projeler ve aynı sayıda projeye sahip üretken yapay zeka çıktıları Sustainable SITEs'ın ekolojik kriterleri üzerinden ölçülmüştür. Bu yöntem ile insan yapımı planlar ve yapay zeka üretimi planlar ekolojik kriterler üzerinden karşılaştırılmıştır. Çalışmanın bulguları insan üretimi planların, yapay zeka üretimi planlardan ekolojik olarak daha toplam puan olarak yüksek puan aldığıdır. Bazı kriter puanlarının eşit çıkması ilgi çekicidir. Yapay zeka üretimi planlarının insan üretimlerini geçtiği kriterler de bulunmaktadır. Yapay sinir ağının derin öğrenme aşamasında veya Diffusion Model aşamasında yeni veri setleri ve yazılım geliştirmeler ile yapay zeka üretiminin insan karşısında ekolojik olarak yüksek performanslı plan üretimi yapabileceği çalışma kapsamında anlaşılmıştır. Bu çalışma kapsamında peyzaj tasarımında yapay zeka'nın ekolojik katkısının anlaşılması ve potansiyellerinin keşfedilmesi gelecekte peyzaj mimarlığı alanında yapılacak çalışmalarda kritik rol oynaması beklenmektedir.
-
ÖgeDeep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images(Graduate School, 2023-03-30)Multiple Sclerosis (MS) is a chronic inflammatory, immune-mediated, neurodegenerative, and demyelinating disease that impacts the Central Nervous System (CNS). The disease can cause permanent damage or deterioration (demyelination) to the nerves in the CNS. This damage results in the formation of lesions or plaques in the nervous system, leading to a wide range of symptoms such as problems with vision, loss of coordination, muscle weakness, and cognitive impairment. Early diagnosis and monitoring of MS are crucial since diagnosing the disease in its advanced stages can be more challenging. Therefore, effective methods for diagnosing and monitoring MS in its early stages are needed to improve patient quality of life and treatment outcomes. Magnetic Resonance Imaging (MRI) is widely used for monitoring, measuring, detecting, and characterizing MS lesions. T1-weighted (T1-w), T2-weighted (T2-w), and Fluid-Attenuated Inversion Recovery (FLAIR) sequences are commonly exploited in MS diagnosis as they provide different information about the brain tissues and the presence of lesions. Thereby, MRI is a useful tool for diagnosing and monitoring MS. Recently, Deep Learning (DL) methods have achieved remarkable results in the automated segmentation of MS lesions from MRI data, potentially improving the accuracy and efficiency of MS diagnosis and monitoring. Although automated methods for MS lesion segmentation have usually been performed on individual MRI scans, tracking lesion activity for quantifying and monitoring MS disease progression, especially detecting new lesions, has become an important biomarker in recent years. This Ph.D. thesis aims to develop novel and fully automated DL approaches for detecting and segmenting MS lesions from a single time-point brain MRI of a patient and also new MS lesions between two time points brain MRI of a patient. DL techniques simplify the feature extraction process from the given input data. Therefore, in this thesis, DL approaches were investigated and examined, then exploited to improve the segmentation and detection of MS lesions for both challenging tasks. Accordingly, a novel dense residual U-Net model that combines Attention Gate (AG), Efficient Channel Attention (ECA), and Atrous Spatial Pyramid Pooling (ASPP) is proposed to enhance the performance of the automatic MS lesion segmentation using 3D MRI sequences. Similarly, a unique pipeline with a deep neural network that combines U-Net, attention gate, and residual learning is proposed to perform better MS new lesion segmentation using baseline and follow-up 3D FLAIR MR images for lesion activity determination. In the proposed novel dense residual U-Net model, convolution layers in each block of the U-Net architecture are replaced by residual blocks and connected densely. Then, AGs are exploited to capture salient features passed through the skip connections. The ECA module is appended at the end of each residual block and each downsampling block of U-Net. Later, the bottleneck of U-Net is replaced with the ASSP module to extract multi-scale contextual information. Furthermore, 3D MR images of FLAIR, T1-w, and T2-w are exploited jointly to perform better MS lesion segmentation. The proposed model is validated on the publicly available ISBI2015 and MSSEG2016 challenge datasets. This model produced an ISBI score of 92.75, a mean Dice score of 66.88%, a mean Positive Predictive Value (PPV) of 86.50%, and a mean Lesion-Wise True Positive Rate (LTPR) of 60.64% on the ISBI2015 testing set. Also, it achieved a mean Dice score of 67.27%, a mean PPV of 65.19%, and a mean sensitivity of 74.40% on the MSSEG2016 testing set. The results show that the proposed model performs better than the results of some experts and some of the other state-of-the-art methods realized related to this particular subject. Specifically, the best Dice score and the best LTPR are obtained on the ISBI2015 testing set by using the proposed model to segment MS lesions. On the other hand, the generated model for the lesion activity determination within the proposed pipeline has a similar architecture to U-Net and is formed from residual units which facilitate the training of deep networks. Networks with fewer parameters are designed with better performance through the skip connections of U-Net and residual units, which facilitate information propagation without degradation. AGs also learn to focus on salient features of the target structures of various sizes and shapes. The MSSEG-2 challenge dataset was used for training and testing the proposed pipeline, and the results were compared with those of other proposed pipelines of the challenge and experts who participated in the same challenge. According to the results obtained from the testing set, the lesion-wise F1 and Dice scores were obtained as a mean of 48 and 44.30%. For the no-lesion cases, the number of tested and volume of tested lesions were obtained as a mean of 0.148 and 1.488, respectively. The proposed pipeline outperformed 22 proposed pipelines and ranked 8th in the challenge for the Dice and F1 scores. It was also ranked 4th and 5th for the number of tested and volume of tested lesions, respectively.
-
ÖgeSunucusuz yazılım mimarisiyle coğrafi bilgi sistemi tasarımı ve uygulaması(Lisansüstü Eğitim Enstitüsü, 2022-06-16)Bulut bilişim teknolojileri her şeyin bir servis (Everything as a Service) olduğu bir anlayışla birlikte gelişmektedir. Her geçen gün ortaya konan yeni bir altyapı yönetim yaklaşımına da bu kapsamda isimler verilmiştir. Günümüzde bulut bilişim altyapısının yönetiminde farklılıklar sunan üç farklı servis modeli bulunmaktadır. Bu servis modelleri; Hizmet olarak Altyapı (HoA - Infrastructure as a Service), Hizmet olarak Platform (HoP - Platform as a Service), Hizmet olarak Yazılım (HoY - Software as a Service) şeklinde isimlendirilmektedir. Her bir servis modeli bir diğerine göre daha fazla bulut bilişim altyapısının yönetimini soyutlaştırarak farklılaşmaktadır. Bu üç modele ek olarak ortaya çıkan sunucusuz paradigması ise HoY ile HoP arasında konumlandırılabilir. Bu paradigma içerisinde ortaya konan sistem mimarileri de sunucusuz mimariler olarak adlandırılmaktadır. Sunucusuz kavramı ismen yanıltıcı olabilmekte ve kullanıcıda fiziksel veya sanal bir sunucu yok algısı oluşturmaktadır. Bu algının aksine uygulamalar ve hizmetler yine sunucular üzerinde çalışmakta ancak sunucunun tüm yönetimi bulut bilişim sağlayıcısı tarafından yapılmaktadır. Sunucusuz mimariler özellikle yüksek ölçeklenebilir uygulamalarda bilişim altyapısının yönetimi giderek zorlaşması nedeniyle daha çok tercih edilmektedir. Konteyner teknolojisi sunucusuz paradigmasının gelişmesinde büyük rol oynamıştır. Sanal makinelere göre uygulamaların başlama hızı, taşınabilirliği ve kullanılabilirliği daha iyileştirmiş olması nedeniyle konteyner kullanımı giderek yaygınlaşmıştır. Bu yeni akım farklı teknik zorlukları ve çözümlerini de beraberinde getirmiştir. Özellikle birden çok konteyner uygulamasının birlikte çalışması ve yüksek ölçeklenebilirliğin sağlanabilmesi problemi için konteyner orkestrasyon platformları çözüm olarak ortaya çıkmıştır. Bunlardan en bilinen konteyner orkestrasyon platformu Kubernetes olarak adlandırılmaktadır. Bulut bilişim sağlayıcıları hızla konteyner orkestrasyon platformlarını kendilerine dahil ederek hizmet olarak sunmaya başlamışlardır. Bu platformların getirdiği kolaylıklar beraberinde yeni gereksinimler de doğurmuştur. Konteyner orkestrasyon yazılımlarının doğru şekilde yapılandırılması ve sağlıklı çalışabilmesi için kullanıcıları için ileri düzey bulut bilişim altyapısı bilgisine sahip olma ve eğitiminin alınmasını gerektirmektedir. Sunucusuz hizmetler bu gereklilikleri ortadan kaldırarak kullanıcıların ileri düzey altyapı bilgisi sahibi olmadan da yüksek ölçeklenebilir uygulamaları bulut bilişim platformları üzerinde çalıştırabilmelerini sağlamaktadır. Sunucusuz mimarilerin giderek yaygınlaşması ve bulut bilişim sağlayıcıları tarafından benimsenmesi ile farklı bulut bilişim hizmet modelleri ortaya çıkmıştır. Herhangi bir yazılım sistemi mimarisinin tasarımında iki temel bileşen türü sıklıkla kullanılmaktadır. Bunlar hesaplama ve veri depolama bileşenleridir. Bu çalışmada da sunucusuz hizmet modelleri veri depolama ve hesaplama olarak iki grupta incelenmiştir. Böylece çalışmada sunulan sistem mimarilerindeki temel gereksinimler bu gruplardan karşılanmıştır. Çalışmada veri depolama hizmetleri de kendi içinde yapısal ve yapısal olmayan veriler için iki gruba ayrılarak incelenmiştir. İlk grupta incelenen yapısal veri depolama hizmetleri ise verilerin sorgulanma yeteneklerine göre iki alt grupta incelenmiştir. Yapısal veri türleri; belge, sütun ailesi, anahtar-değer (key-value) ve çizge (graph) türünde sınıflandırılarak incelenmiştir. Literatürde bu veri depolama türleri NoSQL adı altında toplanmaktadır. Bunun sebebi ise veri sorgulamanın SQL dili dışında özel geliştirilmiş diller veya API'larla sunulmasıdır. Sistem mimarilerinde yapısal veri depolama hizmetlerinin seçimine kullanım şekline bağlı olarak karar verilmelidir. Örneğin anahtar-değer veri tabanlarında anahtar alanı dışında sorgulama yapılmak istendiğinde sorgulama hızı diğer depolama türlerine göre oldukça yavaş ve verimsiz olacaktır. Çalışmada sunulan sistem tasarımlarında bu veri depolama hizmetleri kullanılarak CBS uygulamalarında nasıl katkı verebilecekleri gösterilmiştir. Bir diğer yapısal veri depolama alt grubunda ise ilişkisel veri depolama hizmetleri bulunmaktadır. Burada incelenen veri depolama hizmetleri ise verilerin SQL diliyle sorgulanmasını sağlamaktadır. Bir diğer karakteristik özelliği ise verilerin tablolar halinde saklanması ve tablolar arasında belirli anahtar değerler üzerinden ilişki kurulabilmesidir. İlişkisel veri tabanları birçok mevcut CBS sunucusu yazılımı tarafından desteklenmektedir. Bu nedenle bu hizmet türünün varlığı mevcut CBS mimarilerinin sunucusuz mimarilere taşınmasını kolaylaştırmaktadır. Yapısal olmayan veri depolama hizmetleri ise verilerin yapısından bağımsız olarak onları ikili (binary) objeler olarak saklanmasını sağlamaktadır. Literatürde saklanan bu verilere BLOB ismi verilmektedir. Ayrıca yapısal veri depolama hizmetlerinin klasik dosya sistemlerinden nasıl ayrıldıkları da açıklanmıştır. Depolanan objelere birer anahtar değer verilerek bu değerler üzerinden hızlı erişim sağlanmaktadır. Yapısal olmayan veri depolama hizmetlerinin bir diğer özelliği ise yüklenen HTML sayfalarını yardımcı dosyalarıyla birlikte web sitesi olarak sunabilmesidir. Çalışmada bu özellikten faydalanılarak bir web CBS uygulamasının yapısal olmayan veri depolama hizmeti üzerinde nasıl konumlandırılabileceği de açıklanmıştır. Çalışmada sunucusuz hesaplama hizmetleri de kendi içinde fonksiyon ve konteyner türünde iki gruba ayrılarak incelenmiştir. Çalışmada fonksiyon türündeki hizmetler Hizmet olarak Fonksiyon (HoF) ve konteyner türündeki hizmetler ise Hizmet olarak Konteyner (HoK) olarak isimlendirilmiştir. İki hizmet türü de temelde konteyner teknolojisini kullanmaktadır. Konteyner ve fonksiyon hizmet türü arasındaki fark kullanıcıların hangi seviyede geliştirme yapabilmesi üzerinden oluşmaktadır. Konteyner hizmet türündeki sunucusuz hesaplama hizmetleri kullanıcılara uygulamanın çalışacağı konteyneri özelleştirebilmesini de sağlar. Fonksiyon türündeki sunucusuz hesaplama hizmetleri kullanıcıların yükledikleri uygulama kodunu çalıştırırlar. Platforma bağlı olarak destek verilen programlama dilleri de değişiklik göstermektedir. Uygulamalar olay güdümlü olarak çalışırlar. Olayların kaynağı ise platform üzerindeki diğer bulut bilişim servisleri olabileceği gibi internet istekleri de olabilir. Çalışmada akıllı şehir mimarilerinde sıkça kullanılan nesnelerin interneti sensörlerinin olay kaynağı olarak fonksiyonları olay güdümlü olarak nasıl çalıştırabildiği bir örnekle açıklanmıştır. Çalışmada yapısal olmayan veri depolama hizmetlerinin sunucusuz hesaplama hizmetleri ile olan ilişkisi de incelenmiştir. Yapısal olmayan veri depolama hizmetleri üzerindeki objelere ait durum değişimleri ve yeni objelerin eklenmesi sonucu üretilen olaylar sunucusuz hesapla hizmetlerini tetikleyebilmektedir. Konteyner türündeki sunucusuz hesaplama hizmetleri ise kullanıcıların hazırladıkları konteyner imajlarını çalıştırırlar. Özellikle bir uygulamanın çalışması için işletim sistemine kurulması gereken bağımlılıkları varsa HoF modelinde bu bağımlılıkların kurulmasına izin verilmezken HoK bu konuda çözüm sunmaktadır. Mevcut CBS sunucusu yazılımları sunucusuz mimariye taşınırken daha özgür bir çalışma ortamı sunduğu için HoK modeli tercih edilmektedir. HoK modelinin bir diğer tercih nedeni ise HoF modeline göre daha uzun sürelerde çalışmayı sağlamasıdır. Her şeyin bir servis olduğu bulut bilişim dünyasında sunucusuz hizmetler sadece iki grup üzerinden düşünülmemelidir. Bir sistem mimarisinin ihtiyaç duyabileceği hata günlüklerinin tutulması, uygulama ayarlarının saklanması veya mesaj kuyrukları gibi hizmetlerde sunucusuz hizmetler çatısı altında sunulmaya başlanmıştır. Literatürde bu hizmetlere destek servisleri (back-end services) de denilmektedir. Çalışmada sunulan sistem mimarilerinde bu servisler de açıklanarak kullanılmıştır. Çalışmada en çok kullanılan iki bulut bilişim sağlayıcısının sunduğu sunucusuz hizmetler veri depolama ve hesaplama türlerine göre ayrı ayrı incelenmiştir. Sunulan hizmetlerin mekânsal bilişim özellikleri de kullanım şekilleriyle birlikte verilmiştir. Her bir bulut bilişim sağlayıcısının sunucusuz hizmetlerde uyguladıkları ekonomik model de açıklanmıştır. İki bulut bilişim sağlayıcısının sunucusuz hizmetleri karşılaştırmalı olarak da incelenmiş ve farklar irdelenmiştir. Sistem mimarilerinin değerlendirilmesi için kullanılan iki farklı değerlendirme yöntemi açıklanmıştır. Bu değerlendirme yöntemlerinin sunucusuz mimarilere uygulaması detaylı bir şekilde açıklanmıştır. Yöntemlere ait ölçüt ve prensiplerin sunucusuz mimariler için uygulanabilirlikleri değerlendirilmiştir. Çalışmada vektör karo harita servisi, raster karo harita servisi, mekânsal zekâ, olay güdümlü deprem bildirim servisi ve mekânsal analiz iş akışı sistemlerinin sunucusuz mimaride sistem tasarımları sunulmuştur. Her bir tasarım CBS kullanım senaryoları, roller ve gereksinimler açıklanarak desteklenmiştir. Tasarımlar seçilen bir bulut bilişim sağlayıcısı üzerinde uygulanarak açıklanmıştır. Tasarım ve uygulamalar çalışmada açıklanan 12 Faktör yöntemi ve bulut bilişim sağlayıcılarının mimari değerlendirme ölçütlerine göre değerlendirilmiştir. Mekânsal analiz iş akışı sistemi tasarımında kullanılmak üzere iş akışlarının tanımlanabilmesi için iş akışı ve iş akışı görev tanımları da geliştirilmiştir. Böylece kullanıcıların kolaylıkla sunucusuz mimaride çalışmak üzere mekânsal iş analizlerini tasarlamalarına imkân sunulmuştur. Sunucusuz mimariler CBS kullanım senaryoları üzerinden literatürde ilk kez bu kadar kapsamlı incelenmiştir. Çalışma kapsamında incelenen sunucusuz hizmet türlerinin mekânsal özellikleri literatürde ilk kez bir arada derlenerek incelenmiştir. Sunulan mekânsal analiz iş akışı sistemi ve sistemin ortaya koyduğu iş akışı tanımlama tasarımları da literatürde özgündür. Bu tez çalışmasının hedeflerinden biri de sunucusuz mimarilerin mekânsal bilişim sistemlerinde daha fazla kullanılmasına öncülük etmek ve mekânsal bilişim kullanıcıları içinde farkındalığının artmasını sağlamaktır. Çalışmada sunulan öncül tasarımların gelecekte yapılacak benzer çalışmalara kılavuz olması beklenmektedir.
-
ÖgeBütünleşik afet risk maruziyetine yönelik coğrafi veri modelinin belirlenmesi(Lisansüstü Eğitim Enstitüsü, 2021-03-17)Her yıl dünyanın değişik bölgelerinde ve Türkiye'de gerek fiziksel, gerekse beşeri etkenlere bağlı olarak farklı afet türleri ortaya çıkmaktadır. Oluşum mekanizması oldukça karışık ve anlaşılması güç olan afetlerin küresel iklim değişikliğinin getirdiği sonuçlarla ve beşeri etkenlerle karmaşa düzeyi artarak birçok olumsuz olaylara neden olmaktadır. Böylesine karışık sistemlerle ortaya çıkan ve sonuçları kestirilemeyen afetlerin oluşmasında, tehlikenin yanı sıra toplumun veya risk elemanlarının maruziyet durumları da etkili olmaktadır. İnsanların veya risk elemanlarının maruziyet durumları afetler karşısında farklılaşmaktadır. Bu durum risk elemanlarının değişik özelliklerine bağlı olarak gelişir. Maruziyeti değiştiren ve karmaşıklaştıran unsurlardan birisi de bazı durumlarda birden fazla afetin aynı zaman ve mekânda tesadüfi olarak birleşmesi veya bir afetin başka bir afetin oluşumunu tetiklemesi gibi durumlardır. Bu şekilde ortaya çıkan ve gelişen birden çok afet türü bileşik, bütünleşik veya ardalanmalı afetleri ortaya çıkarmaktadır. Oluşum mekanizması oldukça karışık olan afetler bu şekilde daha da karmaşıklaşmakta ve afetlerin ortaya çıkardığı zararın boyutu büyümektedir. Afet zararlarından dolayı ortaya çıkan maruziyetlerin azaltılması çalışmalarında kurum ve kuruluşların işbirliği ve koordinasyonunun etkisi çok büyüktür. Afetlerle ilgili çalışmalar yapan kurumların etkili bir şekilde olaylara müdahale edebilmesi ancak yeterli bilgi ve veriye dayalı olarak gerçekleştirilebilir. Eş güdüm, bütün kurumların koordineli olarak hareket edebilmesidir. Bu şekilde afetlerin ortaya çıkardığı olumsuz etkiler en aza indirilebilir. Türkiye'de afet yönetimi çalışmalarında birçok kurum ve kuruluş faaliyet göstermektedir. Zarar azaltma ve acil durum anında hangi tür verinin hangi formatta üretileceği, veri içeriklerinin ne olacağı ve üretilen verinin nasıl paylaşılabileceğine yönelik bu kurumların yapmış olduğu çalışmalar henüz istenen düzeyde gerçekleştirilememektedir. Bu çalışmaların başarıya ulaşması için afet öncesinde risk ve çoklu risk maruziyet çalışmalarında kurumların koordinasyonunu ve işbirliğini güçlendirecek yeni teknik ve metotlara ihtiyaç bulunmaktadır. Bu çalışmanın amacı; afet yönetimi zarar azaltma aşamasında, duyarlılık, maruziyet ve risk maruziyeti analiz aktivitelerinde, duyarlılık analiz sonuçlarının bütünleştirilmesi ve maruziyetle beraber irdelenmesi sonucu "Bütünleşik afet risk maruziyetine yönelik birlikte çalışabilir coğrafi veri modelinin belirlenmesidir." Bu amacı gerçekleştirmeye yönelik olarak; çalışmada, afet risk yönetimi çalışmalarında kullanılmak üzere farklı kaynaklardan toplanan verilerin kullanıldığı model yaklaşımı belirlenmiştir. Geliştirilen veri modeli; Türkiye'de en fazla görülen sel, heyelan, yangın, orman yangını, deprem ve ulaşım kazası gibi afetlerin duyarlılık, tehlike, zarar görebilirlik ve risk maruziyeti değerlendirmeleri için gereken veri içeriklerini belirtmekte ve bu afetlerin yönetimine uygun birlikte çalışılabilir niteliktedir. Model, Türkiye Ulusal Coğrafi Bilgi Sistemleri (TUCBS) ve ulusal coğrafi veri modelleri ile uyumludur. Veri modeli, birleşik modelleme dili (UML) ile nesneye yönelik ilişkisel biçimde; detayları, öznitelikleri, değerleri, sınıfları, diyagramları belirtir şekilde oluşturulmuştur. Model, ISO TC/211 Coğrafi Bilgi/Geomatik ve Açık Coğrafi Konsorsiyumu (OGC) ile de uyumlu ve Coğrafi işaret diline (GML) göre kodlanmıştır. Coğrafi veri modelinin geliştirilmesi için farklı afet duyarlılık, tehlike, zarar görebilirlik ve risk maruziyeti analizlerinde ihtiyaç duyulan veriler ve veri içerikleri belirlenmiştir. Mevcut veri yapısı ve afet risk maruziyeti veri gereklilikleri, TUCBS veri standartlarına ve aynı kavramsal rehberlere uygun olarak alınıp geliştirilmiştir. Coğrafi veri setleri bu standartlarla oluşturulduğunda, farklı kaynaklardan gelen veri setlerinin etkin kullanımı ve birlikte çalışabilirliği sağlanarak; etkin risk maruziyet haritalarının üretilmesi, afet öncesi ve sonrasındaki çalışmalarda kurumlar arası koordinasyonun yapılması kolaylaşacaktır. Veri modelinin geliştirilmesinden sonra çalışmanın uygulama aşamasına geçilmiştir. Taşımış olduğu iklimsel özellikler, topografik nitelikler, sel ve heyelan afetlerinin yaygın olarak görülmesinden dolayı çalışma alanı Rize İli Fındıklı İlçesi olarak belirlenmiştir. Bütünleşik afet risk maruziyetini belirlemek amacıyla sel ve heyelan afet tipleri seçilmiş, coğrafi veri modelinde kullanılan diğer dört afet türü (Deprem, yangın, orman yangını, ulaşım kazası) uygulamaya dâhil edilmemiştir. Sel ve heyelan afet türlerinin tesadüfi olarak bir arada görülebilme durumu seçilerek bütünleşik afet risk maruziyeti tespiti gerçekleştirilmiştir. Coğrafi Bilgi Sistemleri, Bulanık Mantık, Analitik Hiyerarşi ve Ağırlıklı Doğrusal Birleştirme gibi teknikler kullanılarak bütünleşik afet risk maruziyet analizi üç farklı aşamada gerçekleştirilmiştir. Bu aşamalar şu şekildedir: 1.Bütünleşik duyarlılık değerlendirmesi: Bu aşamada öncelikle heyelan ve sel duyarlılık analizleri ayrı ayrı yapılmıştır. Heyelan duyarlılığının belirlenebilmesi için eğim, yükselti, akarsuya uzaklık, yola uzaklık, jeoloji, bakı ve arazi kullanımı gibi faktörler ele alınmıştır. Bu faktör sınıflarının alt gruplarının birbirine göre ağırlık derecelerinin belirlenebilmesi için frekans oranı metodu kullanılmıştır. Bulanık mantık ve CBS teknikleri kullanılarak duyarlılık faktörlerinin üyelikleri CBS yazılım ortamında atanmıştır. Faktörlerin birbirine göre önem dereceleri ve faktör ağırlıkları Analitik Hiyerarşi yöntemi ile tespit edilmiş ve Ağırlıklı Doğrusal Birleştirme Yöntemi'nde bu değerler kullanılarak bu faktörler birleştirilmiştir. Sonuçta heyelan duyarlılık değeri 0-1 aralığında elde edilmiştir. Heyelan duyarlılık faktörlerinin ağırlıklarının güvenirliği ve tutarlılığı, tutarlılık analizi ile tespit belirlenmiş ve sonuçta belirlenen ağırlıklarının doğru bir şekilde seçildiği tespit edilmiştir. Sel duyarlılık analizi; eğim, yükselti, arazi kullanımı, drenaj yoğunluğu, toprak grupları gibi faktörler kullanılarak yapılmıştır. Her bir faktörün bulanık üyelikleri belirlenmiş, Analitik Hiyerarşi yöntemi yardımıyla da faktör ağırlık değerleri tespit edilmiştir. Duyarlılık faktörleri Ağırlıklı Doğrusal Birleştirme yöntemi ile birleştirilerek sel duyarlılık değerleri oluşturulmuştur. Sel duyarlılık faktörlerinin ağırlıklarının doğru seçilip seçilmediği duyarlılık analizi ile tespit edilmiştir. Ağırlık değişimi ile beraber geniş aralıklarda da temel duyarlılık haritası ile benzer sonuçlar çıktığı için faktör ağırlıklarının doğru ve güvenilir biçimde belirlendiği tespit edilmiştir. Heyelan ve sel duyarlılık analiz sonuç haritaları "AND" tipi durulaştırma operatörü ile üst üste bindirilmiştir. Böylece bütünleşik duyarlılık analizi gerçekleştirilerek 0 ve 1 aralığında bütünleşik duyarlılık değerleri elde edilmiştir. 2.Bütünleşik maruziyet analizi: Bu aşamada fiziksel ve sosyal maruziyet durumları değerlendirilmiştir. Yapı kullanım tipi, kat adedi, bina yüksekliği, bina tipi ve nüfus yoğunluğu gibi göstergeler maruziyet analizinde kullanılmıştır. Her bir faktörün bulanık üyeliği literatür araştırması yoluyla belirlenerek atanmıştır. Fiziksel maruziyet analizi için bindirme analizi çalışmasında "GAMMA" tipi durulaştırma operatörü kullanılırken, bütünleşik maruziyet çalışmasında "AND" tipi durulaştırma operatörü kullanılmıştır. Sonuçta 0 ve 1 arasında heyelan ve sel bütünleşik maruziyet değeri elde edilmiştir. 3.Bütünleşik afet risk maruziyet analizi: İki farklı yöntemle bütünleşik afet risk maruziyet analizi yapılmıştır. Birinci aşamada heyelan ve sel duyarlılık haritaları ayrı ayrı bütünleşik maruziyet değerleri haritası ile çakıştırılmıştır. Böylece heyelan ve sel risk maruziyet değer haritaları bağımsız olarak elde edilip sonrasında bindirme analizi ile bu haritalar birleştirilmiştir. İkinci aşamada ise heyelan ve sel duyarlılık haritaları çakıştırılarak bütünleşik maruziyet değerleri ile birleştirilmiştir. Sonuçta iki farklı bütünleşik afet risk maruziyet değer haritası elde edilmiştir. Bütünleşik risk maruziyet belirleme aşamasından sonra çalışma alanındaki risk elemanlarından olan yapıların bütünleşik afet risk maruziyet durumları konumsal sorgulamalarla belirlenip görselleştirme işlemleri yapılmıştır. Heyelan duyarlılık analizinin doğruluğunun test edilmesi için duyarlılık değeri beş farklı sınıfa (Çok düşük, düşük, orta, yüksek ve çok yüksek) doğal sınıflama yöntemi ile ayrılmış ve bu sınıflar heyelan envanteri ile çakıştırılmıştır. Sonuçta yüksek ve çok yüksek heyelan duyarlılık değerlerine ait alanda tespit edilen heyelanlı piksel yüzdesinin % 98 olduğu belirlenmiştir. Lojistik regresyon modeli ile de heyelan duyarlılık analizi yapılmıştır. Model sonucuna göre; eğim, yükselti, akarsuya uzaklık, arazi kullanımı, bakı değişkenleri heyelan olup olmaması sonucu ile ilişkili çıkmıştır. Heyelan olup olmaması eğim ve yükselti ile ters orantılı iken, akarsuya uzaklık ve bakı ile doğru orantılı gözükmektedir. Lojistik regresyon modeli ile elde edilen duyarlılık değerleri heyelan envanteri ile çakıştırılmıştır. İşlem sonucunda yüksek ve çok yüksek heyelan duyarlılılığı bulunan alanlardaki heyelanlı piksel yüzdesi % 57 olarak tespit edilmiştir. Sonuçta bulanık mantık modelinin duyarlılık doğruluk değeri belirlemesinde lojistik regresyon modelinden daha iyi performans gösterdiği tespit edilmiştir. Bütünleşik afet risk maruziyet değerlendirmesi farklı kaynaklardan gelen birçok verinin analizine dayalı olarak yapılmaktadır. Bütünleşik risk maruziyeti analizlerinde veri yapılarının doğasından, yöntem eksikliklerinden, veri toplamanın zorluğundan dolayı problemler yaşanmaktadır. Bu tür problemler birlikte çalışabilirliği zorlaştırmaktadır. Geliştirilen coğrafi veri modeli açık veri değişimini desteklediğinden dolayı çoklu kaynaktan gelen afetlerin risk maruziyet analizlerinde eşgüdüm ve birlikte çalışabilirlik sağlanacaktır. Bütünleşik risk maruziyet analizi modeli ile çoklu kaynaktan gelen afetlerin analizlerinde, sel ve heyelan örneğinde işlem adımları aşama aşama gösterilip bütüncül halde bu işlemlerin nasıl yapılabileceğine dair model geliştirilmiştir. ArcGIS model builder ortamında da işlemler otomatize edilip kullanıcıların kolaylıkla yazılım ortamında bu işlemleri yapabilmelerine destek sağlanmak istenmiştir. Böylelikle çoklu afet duyarlılıkları ve risk maruziyet analizleri daha kolay yapılabilecektir. Bunun sonucunda afetlerin ortaya çıkarabileceği zararlar azaltılabilecektir.