Sürdürülebilir Kalkınma Amaçları

• 2
• 2

• MakaleAçık Erişim2026/r/gumushane/19452
  Gümüşhane’nin Heyelan Duyarlılığının Makine Öğrenmesi Algoritmaları Kullanılarak Değerlendirilmesi

  Bostancı, Hasan Tahsin

  Gümüşhane, jeolojik yapısı, engebeli topografyası ve iklimsel özellikleri nedeniyle ülkemizde heyelan, kaya düşmesi ve çığ gibi kütle hareketlerinin sıkça yaşandığı illerden biridir. 2021 yılında hazırlanan il afet risk azaltma planında il genelinde meydana gelen doğal afetlerin %49’unu heyelanların oluşturduğu belirtilmiştir. Dolayısıyla bu çalışmada, makine öğrenmesi algoritmaları kullanılarak Gümüşhane’nin Merkez ilçesinin heyelan duyarlılık haritalarının üretilmesi amaçlanmıştır. Çalışmada makine öğrenmesi algoritmaları olarak lojistik regresyon (LR), yapay sinir ağları (ANN) ve destek vektör makineleri (SVM) tercih edilmiştir. Adı geçen algoritmalarla oluşturulan duyarlılık modellerinde; bakı, drenaj ağlarına uzaklık, yola uzaklık, yükseklik, arazi örtüsü, litoloji, plan eğriliği, profil eğriliği, eğim ve topografik nemlilik indeksi (TWI)’nden oluşan 10 faktör kullanılmıştır. Modellerin eğitim ve doğrulama aşamasında MTA Genel Müdürlüğünden temin edilen heyelan envanter haritası kullanılmıştır. LR, ANN ve SVM modellerinin performansı ROC eğrisi altında kalan alan (area under the ROC curve - AUC) metriği kullanılarak değerlendirilmiştir. LR, ANN ve SVM modellerinin AUC değerleri, sırasıyla, 0.784, 0.865 ve 0.888 olarak belirlenmiştir. Bu sonuçlar SVM modelinin diğer modellerden daha iyi performans gösterdiğini ortaya koymuştur. Ayrıca, çalışma alanında heyelanların meydana gelmesinde en etkili faktörlerin sırasıyla eğim, yükseklik, TWI ve yola yakınlık olduğu belirlenmiştir. 

  • 
  • 
  AtıfOpenAlex1·TR Dizin1

  İncele
• MakaleYalnız künye2025/r/gumushane/19769
  Vision Foundation Models and Rule-Based Approaches for Roof Surface Segmentation and Photovoltaic Potential Analysis in Urban Areas

  Özdemir, Samed; Yavuzdoğan, Ahmet

  This study presents two methods for rapidly and effectively determining the photovoltaic (PV) potential of building roofs in urban areas using aerial photographs and point cloud data. In the first method, the Segment Anything Model (SAM) and Contrastive Language Image Pre-Training (CLIP) models are used to detect roof surfaces and obstacles from aerial photographs. In the second method, the Random Sample Consensus (RANSAC) and Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithms are employed to identify roof surfaces from Light Detection and Ranging (LiDAR) point clouds. Through the first proposed method, the performance of current deep learning approaches in 2.5D PV potential analysis is investigated, while the second approach examines the performance of 3D PV potential analysis compared to the 2D approach. In PV potential analysis, the Photovoltaic Geographical Information System (PVGIS) Application Programming Interface (API) was utilized. The analysis is conducted based on roof parameters obtained through both proposed methods. In building detection, the first approach achieved an Intersection over Union (IoU) score of 94.29%, whereas the second approach attained an IoU score of 91.23%.

  İncele
• MakaleAçık Erişim2023/r/gumushane/20378
  İstatistiksel Yöntemlerle Yukarı Karasu Havzası'nın Kuzeydoğu Bölümünün (Erzurum) Heyelan Duyarlılık Analizi

  Dağ, Serhat; Aydogan, Erdem

  Bu çalışmada, Erzurum ilinde Yukarı Karasu Havzası’nın kuzeydoğu bölümünün heyelan duyarlılık analizi gerçekleştirilmiştir. Arazi çalışmaları ile 334 adet heyelan tespit edilerek heyelan envanter haritası oluşturulmuştur. Mevcut heyelanların %80’i analizlerde kullanılırken, rastgele seçilen %20’si ise duyarlılık performansının değerlendirilmesinde kullanılmıştır. Çalışma alanı koşulları göz önünde bulundurularak jeolojik, topoğrafik ve çevresel ilişkin parametreler analizlerde değerlendirilmiştir. Çalışmada hem frekans oranı yöntemi (FO) hem de Bayes olasılık modeli (BO) kullanılarak 5 farklı duyarlılık sınıfından oluşacak şekilde heyelan duyarlılık haritaları üretilmiştir. Daha sonra haritalar mevcut heyelanlarla karşılaştırılarak performans analizi gerçekleştirilmiştir. Frekans oranı yöntemine göre çalışma alanının %55.02’si, mevcut heyelanların ise %89.1’i yüksek ve çok yüksek duyarlı alanlar olarak belirlenmiştir. Bayes olasılık modeli ile üretilen duyarlılık haritasında ise çalışma alanının %41.21’i, mevcut heyelanların ise %76.45’i yüksek ve çok yüksek duyarlı alanlarda tespit edilmiştir. Bu sonuç çalışmada her iki yöntemle elde edilen heyelan duyarlılık haritalarının mühendislik projelerinin tasarımı ve mekânsal planlama çalışmalarında kullanılabilir nitelikte olduğunu göstermektedir.

  • 
  • 
  AtıfOpenAlex9·TR Dizin7

  İncele