LEE- Geomatik Mühendisliği-Yüksek Lisans
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 5 / 51
-
ÖgeEvaluating the temporal consistency of SAR and optical vegetation indices for cotton monitoring using sentinel-1 and sentinel-2(ITU Graduate School, 2025)Pamuk bitkisinin gelişim sürecinin izlenmesi, modern tarımın en kritik bileşenlerinden biri hâline gelmiştir. Bitki gelişiminin zamanında ve doğru bir şekilde takip edilmesi, hem tarımsal verimliliğin artırılmasına hem de çevresel sürdürülebilirliğin sağlanmasına doğrudan katkı sağlamaktadır. Günümüzde iklim değişikliği, artan su kıtlığı ve üretim maliyetlerindeki yükseliş gibi sorunlar, tarımsal üretimin planlanması ve yönetimi açısından büyük riskler teşkil etmektedir. Bu koşullar altında, hassas tarım uygulamalarının yaygınlaşmasıyla birlikte, uzaktan algılama teknolojilerinin tarımsal karar destek sistemlerinde oynadığı rol giderek daha belirgin bir hâle gelmiştir. Özellikle zamansal sürekliliğe sahip, çok kaynaklı uydu verileri sayesinde, tarla bazında bitki gelişiminin izlenmesi ve müdahale gerektiren durumların tespiti mümkün olmaktadır. Bu kapsamda yürütülen çalışmada, Türkiye'nin Ege Bölgesi'nde bulunan 11 farklı pamuk tarlasında, radar (Sentinel-1) ve optik (Sentinel-2) uydu verilerinin entegre şekilde değerlendirilerek pamuk gelişiminin izlenmesi amaçlanmıştır. Ege Bölgesi, iklim ve toprak özellikleri bakımından Türkiye'nin en verimli pamuk üretim alanları arasında yer almakta olup, yüksek kaliteli lif üretimiyle öne çıkmaktadır. Ancak bölgenin meteorolojik koşulları, özellikle ilkbahar aylarında yaşanan yoğun bulutluluk ve düzensiz yağışlar nedeniyle optik uydu görüntülerinde sıklıkla veri eksikliklerine neden olmaktadır. Bu durum, özellikle bitkinin erken gelişim dönemlerinde doğru müdahale kararlarının alınmasını engelleyebilmektedir. Bu bağlamda, çalışma optik verilerin eksik kaldığı dönemlerde radar verilerinin tamamlayıcı rolünü test etmeyi ve SAR verilerinin sağladığı süreklilik avantajından yararlanarak pamuk gelişiminin bütüncül bir şekilde izlenmesini amaçlamaktadır. Radar verileri, hava koşullarından bağımsız olarak veri sağlayabilme yetenekleri sayesinde, özellikle optik sistemlerin başarısız olduğu durumlarda önemli bir alternatif oluşturmaktadır. Böylece, tarımsal gözlem sürecinde hem zamanlama hem de veri kalitesi açısından iyileştirmeler sağlanmaktadır. Çalışmada kullanılan veri setleri, Sentinel-2 platformuna ait çok bantlı optik görüntüler ile Sentinel-1 radar görüntülerinden oluşmaktadır. Sentinel-2 verileri üzerinden NDWI ve NDRE gibi önemli vejetasyon indeksleri hesaplanmıştır. NDWI, bitki su içeriğini ölçmek için kullanılırken; NDRE, yaprak klorofil yoğunluğunu ve fotosentetik aktiviteyi izlemek amacıyla tercih edilmiştir. Bu indeksler, pamuk bitkisinin su durumu ve genel sağlık düzeyi hakkında doğrudan bilgi sunan parametreler olarak değerlendirilmiştir. Diğer yandan, Sentinel-1 verileri kullanılarak VV ve VH polarizasyonlarına ait geri saçılma katsayıları (backscatter coefficient) elde edilmiş, ardından polarimetrik analiz yöntemleri ile Entropi, Alfa Açısı, Anizotropi gibi daha gelişmiş radar parametreleri hesaplanmıştır. Bu parametreler, bitki örtüsünün yapısal karmaşıklığı, pürüzlülük seviyesi ve nem içeriği gibi fiziksel özelliklerini temsil etmektedir. Ek olarak, Stokes parametreleri (g0, g1, g2, g3) gibi ileri seviye göstergeler de elde edilerek analiz kapsamı genişletilmiştir. Bu sayede, yalnızca görsel gözlem değil, aynı zamanda fiziksel ve yapısal düzeyde yorumlama yapılması sağlanmıştır. Veriler, pamuk bitkisinin temel fenolojik evreleri olan çıkış, vejetatif büyüme, çiçeklenme ve koza oluşumu dönemlerine senkronize edilmiştir. Bu senkronizasyon, verilerin karşılaştırmalı olarak analiz edilebilmesi açısından büyük önem taşımaktadır. Ayrıca Sentinel-2'nin pencere sınıflandırma (SCL) katmanı yardımıyla bulutluluk tespiti yapılmış, bulutlu veya gölgeli piksellere sahip görüntüler analiz dışında bırakılmıştır. Bu işlem, veri kalitesini artırmak ve istatistiksel analizlerin güvenilirliğini sağlamak adına kritik bir adımdır. Tüm bu işlemler, Python programlama dili kullanılarak otomatikleştirilmiş bir iş akışı ile gerçekleştirilmiştir. Böylece hem zaman kazanımı sağlanmış hem de analiz tekrarlanabilir ve genişletilebilir bir yapıya kavuşturulmuştur. Elde edilen sonuçlara göre, özellikle Entropi ve Stokes parametrelerinin NDWI ve NDRE gibi optik indekslerle yüksek düzeyde korelasyon gösterdiği belirlenmiştir. NDWI ile olan korelasyonun, özellikle maksimum büyüme ve gelişimin en yoğun olduğu dönemlerde arttığı gözlemlenmiştir. Bu sonuç, SAR verilerinin bitki su durumu gibi fiziksel özellikleri güvenilir biçimde temsil edebildiğini ve optik verilerin bulunmadığı durumlarda etkili bir alternatif sunduğunu göstermektedir. Özellikle sulama uygulamalarının düzenli olduğu ve bitki yoğunluğunun yüksek olduğu alanlarda VH polarizasyonuna ait geri saçılma katsayısının, VV polarizasyonuna kıyasla daha güçlü bir sinyal sunduğu tespit edilmiştir. Bu durumun, bitki örtüsü içindeki hacim saçılımına duyarlılığın yüksek olmasından kaynaklandığı düşünülmektedir. Bununla birlikte, analizler erken gelişim evrelerinde radar verilerinin sınırlı temsil gücüne sahip olduğunu da ortaya koymuştur. Bu dönemde bitki örtüsü henüz yeterli yoğunluğa ulaşmadığından, radar sinyali büyük oranda toprak yüzeyinden yansımakta ve bu da bitkisel sinyallerin bastırılmasına neden olmaktadır. Bu bağlamda, radar verilerinin tek başına değil, optik verilerle birlikte tamamlayıcı şekilde kullanılması gerektiği sonucuna varılmıştır. Bu hibrit yaklaşım, hem verilerin zaman içindeki sürekliliğini sağlamakta hem de analiz boşluklarını minimize ederek daha güvenilir sonuçlar elde edilmesine imkân tanımaktadır. Çalışmanın diğer önemli boyutlarından biri de mekânsal tutarlılığın incelenmesidir. Her bir pamuk tarlası, farklı toprak türleri, sulama rejimleri ve mikroklimatik koşullara sahip olacak şekilde seçilmiş; böylece analiz sonuçlarının genellenebilirliği test edilmiştir. Her bir parametre için ortalama, standart sapma, çeyrekler arası açıklık (IQR) gibi istatistiksel dağılım ölçütleri hesaplanmış ve bu sayede hangi parametrelerin saha koşullarından daha az etkilendiği belirlenmiştir. Bu analizler, radar tabanlı göstergelerin yalnızca teorik olarak değil, pratikte de tutarlı çıktılar üretebildiğini göstermektedir. Uygulama açısından değerlendirildiğinde, radar ve optik uydu verilerinin entegre kullanımı, tarımsal karar destek sistemleri için güçlü bir temel oluşturmaktadır. Özellikle bulutluluğun yoğun olduğu sezonlarda bile kesintisiz gözlem yapılabilmesi, hastalık tespiti, sulama planlaması ve rekolte tahmini gibi pek çok alanda etkin kararlar alınmasına olanak sağlamaktadır. Ayrıca bu yöntemlerin mısır, soya, çeltik gibi farklı tarım ürünleri için de kolaylıkla uyarlanabilir olması, çalışmanın sektörel etki alanını genişletmektedir. Sonuç olarak, yürütülen çalışma; radar ve optik verilerin birleştirilmesiyle oluşturulan kapsamlı bir pamuk izleme yaklaşımı önermektedir. Sentinel-1'in hava koşullarından bağımsız veri sağlayabilme yeteneği ile Sentinel-2'nin yüksek spektral çözünürlüğe dayalı biyofiziksel analiz kabiliyeti bir araya getirilerek, hem zamansal hem de tematik olarak zengin bir izleme sistemi oluşturulmuştur. Bu yaklaşım, yalnızca akademik bilgi üretimi değil, aynı zamanda saha uygulamaları ve tarım politikalarının geliştirilmesi açısından da önemli katkılar sunmaktadır. İklim değişikliğine karşı dayanıklı bir tarımsal üretim modeli oluşturmak adına, bu tür bütüncül ve veri odaklı yaklaşımlara duyulan ihtiyaç giderek artmaktadır. Çalışmanın sunduğu yöntemler, sürdürülebilir tarım hedeflerine ulaşmada somut ve uygulanabilir bir yol haritası sunmaktadır.
-
ÖgeSocial vulnerability analysis of the cities affected by the february 6 kahramanmaras earthquakes(Graduate School, 2025-06-25)Natural disasters are generally defined as events occurring in nature—on land, in the air, or in water—that originate without human influence, cannot be stopped once they begin, and cause loss of life and property, severely impacting public health and disrupting daily life. Natural disasters, which date back to before the existence of humanity, have caused material and moral damage not only to structures and environments but also to living beings, regardless of their intensity during the period in which they occur. Despite centuries of research and efforts, the precise timing and location of natural disasters remain unpredictable, though they can be forecasted to some extent. The best way to cope with natural disasters is primarily to develop possible hazard scenarios and prepare accordingly, learn lessons from past experiences, conduct analyses, and develop strategic plans. These strategies must be accessible and implementable not only by local authorities but also by every individual within the society. Today, with the increasing population, irregular migration, unplanned urbanization, inadequate infrastructure, shrinking common spaces, hard-to-manage regions, use of low-quality construction materials to reduce costs, and construction services that have not undergone necessary inspections, earthquakes have become the foremost and most significant disaster threatening every region with residential areas, regardless of scale. The occurrence of earthquakes is fate, but the destruction they cause is not. Every event occurring within societies continues in a chain-like order. Therefore, the activities conducted before an earthquake are as important as those implemented afterward in terms of disaster management. Voluntary and mandatory migration from earthquake-affected cities to other regions creates demand gaps in those areas. Internal migration requires the presence of employment opportunities and a sufficient stock of resilient housing in the newly settled cities. Moreover, efforts must be made for vulnerable groups such as women, children, elderly, and disabled individuals in areas such as education, healthcare, and social reintegration. Social vulnerability analyses are of paramount importance and necessity for developing these strategies. The main objective of this study is to determine the social vulnerability levels of the provinces affected by the February 6 Kahramanmaraş earthquake—namely Adana, Adıyaman, Diyarbakır, Elazığ, Gaziantep, Hatay, Kahramanmaraş, Kilis, Malatya, Osmaniye, and Şanlıurfa—based on demographic, socio-economic, cultural, and humanitarian factors. Subsequently, the preparedness of local administrations and the public for disasters is analyzed, and social vulnerability maps are produced accordingly. Social vulnerability analysis serves as a critical tool for building more resilient societies against disasters and has been applied in detail across the 11 provinces affected by the February 6 earthquakes. Key questions addressed in this research include: To what extent did kinship relations influence evacuations and migration routes from the earthquake zone to other provinces? Which districts were preferred for resettlement by migrants? What were the primary reasons for migration? How did unemployment rates change in the abandoned cities? Is there a tendency among migrants to return? In which regions were aid activities concentrated? How quickly did aid reach these areas? How many different institutions and organizations provided assistance? Are the resettlement areas also regions receiving aid? For example, analysis of news content on a provincial basis revealed that migration did not only occur from the earthquake zone to other provinces in the country; temporary migration movements were also observed within the same cities—from rural to urban centers, from apartments to government dormitories, and even among earthquake- affected provinces facilitated by aid teams and volunteers. These findings reveal the complexity of the multifaceted social mobility emerging after the disaster. The research not only determined vulnerability levels but also evaluated the post-earthquake resolution processes and material and moral rehabilitation efforts. Using demographic, socio-economic, structural, and social capital data from the 11 provinces affected by the February 6 Kahramanmaraş earthquake, a social damage vulnerability analysis was conducted to test how closely district- and province-level applications correspond to existing outcomes and their usability in disaster prevention, monitoring, and response phases. The most vulnerable groups and regions were identified, and risk reduction recommendations were formulated. The comparability and accuracy of news topics produced by local news sources after the earthquake with real data were also examined. Geographic Information Systems (GIS), an essential tool in the geomatics field where location and information are intertwined, was used for social vulnerability analysis. Spatial distribution maps were produced and supported by various evaluation methods. During data collection, a total of 3,824 news articles published by Anadolu Agency and Cumhuriyet Newspaper between February 6, 2023, and February 6, 2024, were examined. These news items were categorized under 24 subheadings considering socio-economic, demographic, and other social dimensions to reveal the long-term impacts of the earthquake. The categorized news were divided into districts of the 11 provinces affected by the earthquake based on their location data. This allowed for answers to questions such as whether the district with the highest vulnerability coincides with the district producing the most news and whether there is a linear relationship between the news produced and vulnerability. The collected data were supported by official data shared by governmental institutions and transferred into ArcGIS software in Excel format. Thus, the data were spatially integrated with administrative boundaries of provinces provided by the Turkish General Directorate of Mapping. Visualization processes enabled a clearer demonstration of regional migration movements and social impacts. Using the Address-Based Population Registration System database of the Turkish Statistical Institute for the 11 provinces affected by the earthquake, social vulnerability at the district level was examined through indicators such as the elderly and child dependency ratios, average household size, female-headed households, and literacy rates. District-level vulnerability maps were created using these social indicators, and a comparative analysis was conducted with earthquake news data. This study holds significant importance for understanding social damage vulnerability indicators by both administrations and individuals. Unfortunately, many social indicators are not included in commonly collected and shared databases. In addition to tangible data such as building counts, indicators such as the number of slum residences, accessibility to health facilities in the region, and the number of households receiving social aid at the district level—often considered less influential—have proven to be critically important for vulnerability calculations. The most crucial first step to developing effective disaster response strategies is the systematic collection and processing of such social data for each district. The analysis revealed that social damage vulnerability does not arise solely from economic insufficiencies but is a multidimensional concept involving social capital, ethnic background, and other factors. Vulnerable groups such as the elderly, children, and disabled individuals are more severely affected by disasters, and strategies should primarily focus on these groups. Ensuring uninterrupted and coordinated access to resources and services during disaster management should be the initial step in disaster planning. Risk management and public awareness should not be underestimated as subsequent steps. Societies are dynamic systems functioning in an integrated manner, and this complexity must be recognized in disaster preparedness and response.
-
ÖgeEffect of digital elevation model accuracy on the geolocation accuracy of orthorectified sentinel-1 imagery(ITU Graduate School, 2025-06-27)This thesis investigates the impact of Digital Elevation Model (DEM) accuracy on the horizontal geolocation performance of orthorectified Sentinel-1 Synthetic Aperture Radar imagery. Given the critical role of elevation data in geometric correction processes, the study aims to assess how variations in vertical accuracy on horizontal positional errors in different DEM configurations. The scope includes a comparative evaluation of global, national and interferometrically derived DEMs over a low-relief study area in Turkey. The vertical accuracy of seven different DEMs was first assessed using ICESat-2 ATL08 elevation data as the reference. These models include global datasets such as SRTM 1 arc-second, SRTM 3 arc-second, and ALOS AW3D30; a national high-resolution DEM (HGM-YükPAF); and two InSAR-derived DEMs generated from Sentinel-1 SLC pairs, using Copernicus and SRTM 3 arc-second DEMs as reference surfaces during interferometric flow. The vertical Root Mean Square Error values varied significantly among the models, ranging from 2 to 3 meters (HGM-YükPAF, Copernicus) to over 12 meters for the InSAR-based products. In the next phase, the influence of DEM quality on horizontal accuracy was evaluated through the orthorectification of a Sentinel-1 GRD image. Range-Doppler Terrain Correction was applied using ESA's SNAP software, with only the DEM input varied. Ground Control Points were manually extracted from the HGM Küre reference system to quantify horizontal positional errors. The results showed that high-accuracy DEMs resulted in shorter and more consistent error vectors, while DEMs with poorer vertical performance produced more dispersed deviations. Nevertheless, the differences in horizontal RMSE values remained modest, generally below 15 meters across all configurations. To visualize the spatial distribution of geolocation errors, error vectors were plotted at each GCP location. These plots illustrated that high-quality DEMs tend to cluster closer to their true positions, while low-accuracy models introduced broader positional shifts. However, the absence of significant outliers or systematic bias in any configuration suggests that the orthorectification process was generally robust, likely due to the use of precise satellite orbit ephemerides and the topographic homogeneity of the study area. The findings confirm that, although DEM accuracy is important for SAR geolocation, its effect on horizontal positioning is moderated by terrain relief, imaging geometry and the accuracy of additional data. Consequently, even when less accurate DEMs were employed, the overall positioning accuracy remained within acceptable limits for many practical applications. The study emphasises the importance of selecting DEMs based on their vertical accuracy and the geometric context of the application area. While high-accuracy elevation models yield measurable improvements in flat terrain, their added benefit is more significant in areas with complex relief or where sub-pixel geolocation precision is required. These insights provide practical guidance on selecting DEMs for use in SAR processing workflows, particularly for time-series monitoring, land deformation studies and operational mapping tasks that require consistent geolocation reliability.
-
ÖgeEtkin bina emlak vergi değerinin belirlenebilmesi için makine öğrenme temelli bir değerleme modeli önerisi(Lisansüstü Eğitim Enstitüsü, 2025-06-16)Günümüz koşullarında, artan nüfus ve kentleşme dinamikleri taşınmazlara olan talebi arttırmış ve bu durum taşınmaz değerleme süreçlerini her zamankinden daha önemli hale getirmiştir. Özellikle büyük kentlerde yaşanan nüfus yoğunluğu arz-talep dengesini bozarak taşınmaz piyasasında fiyat farklılaştırmalarını arttırmakta ve bu durum da değerleme faaliyetlerinin daha stratejik ve hassas şekilde yürütülmesini zorunlu kılmaktadır. Taşınmaz değerinin adil ve nesnel bir şekilde belirlenmesi, bireysel mülkiyet hakkının korunması ve kamu gelirlerinin yönetimi açısından kritik bir gereklilik haline gelmiştir. Bununla birlikte, taşınmaz değerlemesi yalnızca bir ekonomik faaliyet değil, aynı zamanda sosyal adalet ve kentsel planlamanın temel yapı taşlarından biri olarak da değerlendirilmelidir. Emlak vergilendirme sisteminin doğru ve adil bir şekilde işleyebilmesi için taşınmazların gerçek (rayiç) değerinin belirlenmesi büyük önem taşımaktadır. Taşınmaz değerleme süreci, kapsamlı analizler gerektiren ve doğru veri kullanımıyla güvenilir sonuçlar elde edilmesini sağlayan profesyonel bir süreçtir. Bu süreçte kullanılan yöntemlerin bilimsel temellere dayanması, verilerin düzenli ve standart hale getirilmiş biçimde toplanması ve yorumlanması gerekmektedir. Doğru yöntemlerin uygulanmasıyla taşınmazların piyasa koşullarına uygun rayiç değerlerinin tespit edilmesini sağlamaktadır. Taşınmaz değerlemesi, kredi, sigorta, kamulaştırma ve vergi gibi birçok ekonomik ve hukuki sürecin temelini oluşturmaktadır. Taşınmazların doğru ve nesnel bir biçimde değerlenmesi, yalnızca bireysel alım-satım işlemleri için değil, aynı zamanda kamu gelirlerinin sürdürülebilir yönetimi açısından da kritik bir rol oynamaktadır. Türkiye'de taşınmazların emlak vergi değerleri belediyeler tarafından genellikle cadde veya sokak bazında belirlenmekte ve taşınmazların bireysel özellikleri göz ardı edilmektedir. Bu durum, farklı taşınmazlara benzer vergi oranlarının uygulanmasına neden olmakta ve vergi adaletsizliğine yol açmaktadır. Örneğin, aynı sokakta yer alan fakat kullanım alanı, fiziksel durumu, manzarası veya ulaşım olanakları açısından farklılık gösteren iki taşınmazın aynı vergi matrahına tabi tutulması, sistematik bir adaletsizliğe ve ekonomik kaynakların hatalı yönlendirilmesine sebep olmaktadır. Mevcut eksiklikler, tapu harcı, katma değer vergisi ve gelir vergisi gibi diğer vergi kalemlerinde de yanlış hesaplamalara yol açarak yıllık milyarlarca dolarlık kamu gelir kaybına neden olmaktadır. Anayasa'da vergilendirmeyle doğrudan ilişkili olan temel hüküm "Vergi Ödevi" başlıklı 73'üncü maddedir. Bu maddenin 1 ve 2. fıkraları "Herkes, kamu giderlerini karşılamak üzere, mali gücüne göre, vergi ödemekle yükümlüdür. Vergi yükünün adaletli ve dengeli dağılımı, maliye politikasının sosyal amacıdır." şeklindedir. Devletin vergilendirme konusunda adil olması gerektiği hususu göz önüne alındığında değerleri arasında fark olan taşınmazların standart bir şekilde eşit kabul edilerek vergilendirilmeleri adil olmayacaktır. Emlak vergisi mevzuatına göre, bina, arsa ve arazinin emlak vergi değeri, ilgili yasal düzenlemeler çerçevesinde yapılacak taşınmaz değerleme çalışmalarıyla belirlenmektedir. Adil bir emlak vergilendirmesi için her taşınmazın Emlak Vergisi'ne Matrah Olacak Vergi Değerlerinin Takdirine İlişkin Tüzük'te belirtildiği şekilde ayrı ayrı değerlendirilmesi gerekmektedir. Ancak, milyonlarca taşınmazın bu şekilde tek tek değerlemesinin yapılması pek de pratik olamamaktadır. Günümüzde dijitalleşme, büyük veri ve yapay zekâ teknolojilerindeki gelişmeler, bu sorunun üstesinden gelinmesine yönelik yeni fırsatlar sunmaktadır. Özellikle makine öğrenmesi, büyük ve karmaşık veri kümelerini işleyebilme yeteneği sayesinde taşınmaz değerlemesinde ölçeklenebilir, hızlı ve sistematik çözümler üretmeyi mümkün kılmaktadır. Taşınmaz değerleme süreçlerinin bilimsel ve sistematik yöntemlerle günümüz teknolojisiyle entegre olarak objektif bir şekilde yapılması sürdürülebilir taşınmaz yönetimi ve planlanması için oldukça önemlidir. Bu nedenle, daha etkili bir toplu değerleme modeli geliştirmek elzemdir. Makine öğrenmesiyle oluşturulan toplu değerleme modelleri, emsal karşılaştırma, gelir, maliyet vb. gibi geleneksel yöntemlere göre yüksek doğruluklu ve objektif sonuçlar elde etme potansiyeline sahiptir. Bu çalışmada, Kaggle'den elde edilen Polonya'nın başkenti olan Varşova şehrinde 2023 ve 2024 yıllarına ait 11,831 taşınmazı içeren bir veri seti kullanılarak farklı makine öğrenmesi algoritmalarının performansları karşılaştırılmıştır. Veri seti; taşınmazların fiziksel özellikleri, konumları, çevresel faktörleri ve piyasa koşullarını içeren çeşitli değişkenleri kapsamaktadır. Söz konusu veri seti, Varşova'daki taşınmazların konumsal çeşitliliğini ve piyasa dinamiklerini yansıtması açısından örneklem değeri taşımakta olup, modelin farklı özelliklere sahip veriler üzerinde performansını değerlendirmek için uygun bir test alanı sunmuştur. Model geliştirme sürecinde Doğrusal Regresyon, AdaBoost, Karar Ağaçları, Rastgele Orman, Bootstrap Aggregation (Bagging), Extreme Gradient Boosting (XGBoost), Coğrafi Ağırlıklı Regresyon (GWR) algoritmaları uygulanarak bu algoritmaların tahmin doğrulukları farklı eğitim ve test oranlarıyla analiz edilmiştir. Bu analiz sürecinde, modellerin R^2 (tahmin skoru), RMSE (kök ortalama kare hata), MAE (ortalama mutlak hata), düzeltilmiş R^2 ve MAPE (ortalama mutlak yüzde hata) gibi metriklerle performansları detaylı biçimde karşılaştırılmıştır. Özellikle, GWR gibi konumsal bağımlılıkları dikkate alan yöntemlerin taşınmaz değer tahmininde ne ölçüde etkili olduğu da sorgulanmıştır. Elde edilen bulgular, Rastgele Orman, Bagging ve XGBoost algoritmalarının, sırasıyla 0.8889, 0.8831 ve 0.8813 R^2 değerleriyle en yüksek tahmin doğruluğuna sahip olduğunu göstermektedir. Ayrıca, modelin yorumlanabilirliğini artırmak amacıyla SHapley Additive ExPlanations (SHAP) yöntemi kullanılmış ve bağımsız değişkenlerin taşınmaz değerleri üzerindeki etkileri analiz edilmiştir. Bu yöntem, modelin içsel mekanizmasının anlaşılmasına katkı sağlamış ve karar destek sistemlerinin geliştirilmesi için önemli bilgiler sunmuştur. Çalışma kapsamında elde edilen bulgular, makine öğrenmesi algoritmaları kullanılarak geliştirilen modellerin, geleneksel taşınmaz değerleme yöntemlerine kıyasla daha hızlı, düşük maliyetli ve nesnel bir değerleme süreci sunduğunu ortaya koymaktadır. Söz konusu model, taşınmaz değerleme süreçlerinin şeffaflığını artırarak, daha adil ve doğru bir emlak vergilendirme sistemi için bir değerleme modeli oluşturmayı; bu doğrultuda vergi politikalarının daha etkili bir şekilde uygulanmasıyle birlikte vergi kayıplarının önlenmesi ve kamu gelirlerinin arttırılmasına katkı sağlamayı amaçlamaktadır. Modelin uygulanabilirliği, sadece emlak vergilendirme açısından değil; aynı zamanda taşınmaz teminatlı kredilerde teminat değerinin tespiti, kentsel dönüşüm projelerinde kamulaştırma bedellerinin belirlenmesi gibi alanlarda da yaygınlaştırılabilir potansiyele sahiptir. Ayrıca çalışmadan elde edilen olumlu bulgular, önerilen modelin yalnızca emlak vergilendirme süreçleriyle sınırlı kalmayıp Tapu ve Kadastro Harçları, Veraset ve İntikal Vergisi, Kira Geliri Vergisi, Ecrimisil hesabı, belediyelerce tahsil edilen Harcamalara Katılma Payı gibi çeşitli uygulamalarda da emlak vergi değerinin tespitine yönelik yürütülen modelleme çalışmalarına hem teorik hem de uygulamalı katkı sunabileceğini göstermektedir. Bununla birlikte, Türkiye'de açık veri kaynaklarının artması ve emlak ilan verileri yerine gerçek piyasa değerlerinin kullanılmaya başlanması halinde, geliştirilen modelin doğruluk düzeyinin artacağı, böylelikle daha güvenilir sonuçlar üreteceği değerlendirilmektedir. Sonuç olarak, Türkiye'de ve diğer ülkelerde emlak vergilendirme sistemlerinin daha adil, şeffaf ve sürdürülebilir bir yapıya kavuşturulabilmesi için veri tabanlı değerleme modellerinin yaygınlaştırılması önerilmektedir. Gelecek çalışmalarda, daha büyük alanlara ait kapsamlı veri setleri ile farklı makine öğrenmesi algoritmalarının entegrasyonu ile modelin performansının artırılması hedeflenmektedir. Ayrıca, modelin zaman içinde değişen piyasa koşullarına adaptasyonunu sağlamak için dinamik veri güncelleme stratejilerinin ve gerçek zamanlı tahmin altyapılarının geliştirilmesi de önerilmektedir.
-
ÖgeFlood risk analysis with geospatial artifical intelligence techniques(Graduate School, 2025-06-16)In recent years, extreme precipitation events, rapid build-up in urbanization, and irregular land use have significantly increased flood risk. In order to mitigate risks and increase urban resilience, there is a need for the integration of innovative approaches to classical disaster management methods. In this context, Geographic Information Systems (GIS) offer robust spatial analysis workflow and data processing for efficient decision-making capability. This study uses geospatial artificial intelligence (GeoAI) methods to develop a flood risk analysis model in an open-source Python environment. The proposed methodology is applied in the Marmara Region of Türkiye as a case study highlighting flood risk. There are parameters that increase the risk of this disaster. Many factors, especially precipitation regime, dreinage density and distance to these waterways, population density in the region, topographic structure of the land, water flow direction and accumulation, affect the risk of floods and inundations. In this multi-parameter compound, determining the flood and inundation risks in the region is essential for effective disaster management. With the Python-based methods used, the dependency on GIS tools has been reduced and an automatable analysis process has been presented. As a result of the analyses conducted in the Python environment, the areas with high flood risk in the Marmara Region have been presented as an integration of the criteria determined for the hazard and vulnerability map. In this regard, spatial data processing, modeling and analysis are carried out in an integrated manner through open-source libraries. The vulnerability of the Marmara Region in this context, with its potential to work in harmony with which are XGBoost and Random Forest machine learning algorithms, positively affects flood management and offers an innovative perspective. In this context, the flood risk map of the Marmara Region is produced for eleven cities using open-source and governmental data gathered from official institutions to serve as an accessible guide for decision-makers. This study aims to estimate the flood hazard in the Marmara Region using Python-based multi-criteria analysis methods which is Analytic Hierarchy Process (AHP) method is used. Additionally in flood vulnerability context XGBoost and Random Forest machine learning algorithms are used. It is aimed to obtain a holistic high-resolution flood and inundation risk map by combining hazard and vulnerability evaluations. A hybrid model was adopted by examining flood hazard and flood vulnerability components together. A comprehensive flood risk estimation was carried out in the Marmara Region by creating maps using a machine learning-based method in the production of flood vulnerability maps and integrating these maps using the Python-based AHP method in the production of flood hazard maps. Hydrological data was integrated with spatial analysis. Historical disaster data and real-time meteorological parameters were associated using artificial intelligence algorithms. This comprehensive approach aims to develop strategies for the early detection of flood events that may occur in the Marmara Region by revealing how both Hazard and Vulnerability elements complement each other.