Makine öğrenimi algoritmalarını kullanarak jeokonumsal verilerin tahmini
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, Fen Bil.Enst.Md.Lüğü, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: İngilizce
Öğrenci: GAMZE ERDOĞAN ERTEN
Danışman: Mahmut Yavuz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Jeoistatistik, jeokonumsal değişkenleri doğru bir şekilde tahmin etmek için günümüzde kullanılan en yaygın yöntemdir. Ancak, etkin bir şekilde uygulanabilmesi için verilere ilişkin durağanlık ve doğrusallık gibi bazı varsayımlara ihtiyaç duyar. Son yıllarda, makine öğrenimi (ML) algoritmaları özellikle karmaşık koşullarda tahmin için verimli çözümler sunabildiklerinden giderek popüler olmaya başlamıştır. Bununla birlikte, bu algoritmalar: (1) verilerin birbirinden bağımsız olduğunu varsaymakta ve (2) verileri konumlarında yeniden üretememektedirler. Dahası, çoğu ML algoritması tahmin haritalarında koordinat yönleri boyunca önemli yapay görüntüler vermektedir. Bu tezde ML'yi temel alan iki yeni jeokonumsal tahmin yönteminin sunulması amaçlanmaktadır. Topluluk süper öğrenci (ESL) modeli olarak adlandırılan ilk yöntem, ML tahmin haritalarındaki yapaylıkları yönetmek için sunulmuştur. Bu model ML ile modelleme yapabilmek için süper öğrenci (SL) modelinden yararlanmakta ve bir koordinat rotasyon stratejisi ile orijinal veri setinden çok sayıda farklı eğitim seti oluşturmaktadır. İncelenen vaka çalışmaları; ESL modelinin durağanlık ve doğrusallık varsayımlarına ihtiyaç duymadan, tahmin doğruluğu açısından geleneksel jeoistatistiksel yöntemlerle karşılaştırılabilir sonuçlar verdiğini ve ESL modelinin anizotropiyi dikkate alıp, tahmin haritalarındaki yapaylıkları yönettiğini göstermektedir. Sunulan ikinci yöntem; kriging ve ML yöntemlerini, her iki yöntemin jeokonumsal verilerin tahminindeki dezavantajlarını azaltmak, daha doğru ve tutarlı tahminler elde etmek için biraraya getirmektedir. ML ve krigingden elde edilen tahmin sonuçları, kriging varyansına dayalı bir ağırlıklandırma fonksiyonu ile birleştirilmekte ve ağırlıklar sıralı ikinci dereceden programlama kullanılarak optimize edilmektedir. Birleştirilmiş yöntem çok sayıda benzetilmiş ve gerçek veri seti seti üzerinde test edilmiş ve sonuçlar bu yöntemin, Gauss veri seti dışındaki tüm veri setlerinde hem kriging hem de ML' den elde edilenlere kıyasla tahmin sonuçlarını iyileştirdiğini göstermiştir.