Meta öğrenme modeliyle şehirlerin 15 dakikalık şehir kavramına olan uyumlarının değerlendirilmesi: istanbul örneği
Assessment of urban compliance with the 15-minute city concept through a meta-learning model: the case of İstanbul
- Tez No: 987437
- Danışmanlar: PROF. DR. HANDE DEMİREL
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Geodesy and Photogrammetry, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Coğrafi bilgi sistemleri, Geographical information systems
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde şehirler, hızla artan nüfus ve buna bağlı olarak genişleyen şehirlerin geometrik sınırları, plansız yerleşim alanlarının ortaya çıkması, sosyal eşitsizliklerdeki derinleşme, ekonomik kırılganlıkların artışı, trafik yoğunluğu ve hava kirliliği gibi çok yönlü kentsel zorluklarla karşı karşıyadır. Bu kentsel zorluklar, şehirlerin yalnızca fiziksel yapısını değil, toplumsal ve çevresel sürdürülebilirliğini de önemli ölçüde etkilemektedir. Bu sorunlarla mücadele edebilmek için, erişebilirliği ve aktif hareketliliği önceliklendiren yaşanabilir, kapsayıcı ve sürdürülebilir yaşam alanlarının oluşturulmasına yönelik çeşitli şehir planlama yaklaşımları geliştirilmiştir. Bu şehir planlama yaklaşımlarından biri Prof. Dr. Carlos Moreno tarafından 2016 yılında ortaya çıkarılan“15 Dakikalık Şehirler”kavramıdır. 15 Dakikalık Şehirler yaklaşımı, şehir sakinlerinin günlük yaşamlarında ihtiyaç duydukları temel hizmetlere evlerinden en fazla 15 dakikalık bir yürüyüş ya da bisiklet yolculuğu ile erişebilmesini amaçlayan bir şehir planlama anlayışıdır. 15 Dakikalık Şehir yaklaşımında amaç, çok merkezli ve birbirine yakın yaşam alanlarının oluşturulması olduğundan, erişebilirlik kavramın temel bileşenlerinden birini oluşturmaktadır. Bu tez çalışmasının iki amacı bulunmaktadır. Birincisi şehirlerin karakteristik özelliklerinin tespit edilebilmesi ve erişebilirlik performanslarının değerlendirilmesi için çerçeve tasarlanmasıdır. İkincisi ise şehirlerin 15 Dakikalık Şehir kavramına olan uyumlarının karşılaştırılmalı olarak değerlendirilmesi ve bütüncül bir çerçeve modelinin geliştirilmesidir. Bu bağlamda Avrupa genelinde 15 Dakikalık Şehir kavramına halihazırda uygun olan veya uygun olabilmesi için gerekli çalışmaların yapıldığı sekiz şehir seçilmiştir. Seçilen şehirler Amsterdam, Barselona, Bolonya, Madrid, Milan, Münih, Paris ve Viyana'dan oluşmaktadır. Bu seçilen şehirler ile İstanbul'a ait mekansal analizlerde ihtiyaç duyulan verilerin elde edilebilmesi için Python programlama dili kullanılarak bir veri toplama ve işleme programı geliştirilmiştir. Geliştirilen bu program aracılığıyla mekansal veriler OSMnx kütüphanesinden temin edilmiştir. Bu mekansal veriler yol ağı, ilgi noktaları (Point of Interest – POI) ve bina verilerinden oluşmaktadır. Dahası, şehirlerin topoğrafyalarına ait bilgiler NASADEM Küresel Dijital Yükseklik Modeli (Global Digital Elevation Model – GDEM)'nden elde edilmiştir. Gerekli verilerin elde edilmesinin ardından mekansal analizlerinin yapılabilmesi için bu veriler üzerinde ön işleme adımları uygulanmıştır. Ön işlemede ilk olarak tüm verilerin koordinat sistemi projeksiyon koordinat sistemine dönüştürülmüştür. Veri setinde bulunan bozuk geometriye sahip veriler ve tekrarlı veriler veri setinden çıkarılmıştır. Ön işleme adımlarının ardından veriler gerçekleştirilecek mekansal analizler için hazır hale getirilmiştir. Bu bağlamda öncelikli olarak yol veri setinde gerekli düzenlemeler yapılmıştır. Tez çalışmasının amacı yürüme temelli 15 Dakikalık Şehir analizi olduğundan, yol veri setinden yayaların yürümesine engel olan veya yayaların yürüyebilmesi için yeterli altyapıya sahip olmayan yol verileri yol veri setinden çıkartılmıştır. Bu sayede yürünebilir yol ağı elde edilmiştir. OSMnx kütüphanesinden elde edilen POI verilerine yeni bir sınıflandırma yöntemi uygulanarak eğitim, günlük ihtiyaçlar, günlük diğer ihtiyaçlar, kamu hizmetleri, küçük sanayi alanları, kültürel faaliyetler, sağlık hizmetleri, sosyal altyapı, spor alanları, ticaret ve ekonomi, ulaşım ve rekreasyon alanları olarak isimlendirilen 12 sınıf altında POI verileri sınıflandırılmıştır. Bir şehir sakininin gündelik hayatında ihtiyaç duyabileceği her işlevsel hizmet noktasını içeren bu sınıfların belirlenmesinde literatürden ve Mekansal Planlar Yapım Yönetmeliği'nden yararlanılmıştır. Elde edilen POI verileri şehirlere göre karşılaştırıldığında İstanbul'un diğer şehirlere göre en fazla POI verisine sahip olduğu, özellikle sağlık, sosyal altyapı, ticaret ve ekonomi ile ulaşım sınıflarında yoğunlaştığı görülmüştür. Tüm şehirlerde en fazla POI, günlük ihtiyaçlar sınıfında yer alırken, küçük sanayi alanlarına ait veriler OSMnx kütüphanesinde yeterli öznitelik bilgisi bulunmadığından elde edilememiştir. Devamında, alan veri türünde OSMnx kütüphanesinden elde edilen bina verilerinin alanları hesaplanarak bu veriler nokta veri türüne dönüştürülmüştür. Çalışma kapsamında İstanbul'un seçilen ilçelerinin 15 Dakikalık Şehir kavramına olan uyumlarının değerlendirilmesi için ızgara yüzeyler kullanılmıştır. Her bir şehir için bu ızgara yüzeyleri Sony Computer Science Laboratories Roma (Sony CSL) tarafından gerçekleştirilmiş 15 Dakikalık Şehir analizlerlerinden alınmıştır. Izgara yüzeyleri, mekansal çözünürlüğü 200 metre olan altıgen şekillerden oluşmaktadır. Bu yüzeylerin tez çalışması kapsamında kullanılmasının sebebi kurulacak meta öğrenme modelinin doğrulanmasının sağlanmasından kaynaklanmıştır. Seçilen çalışma alanlarının 15 Dakikalık Şehir kavramına olan uyumlarının belirlenebilmesi amacıyla iki düzeye sahip Anahtar Performans Göstergeleri (APG) oluşturulmuştur. İlk düzeyde yakınlık, yoğunluk, ulaşım seçeneklerinin türel dağılımı, ulaşım ağı yapısı ve topoğrafya olarak isimlendirilen kümeler bulunmaktadır. Bu kümeler kendi içlerinde alt APG olarak isimlendirilen farklı mekansal analizleri içermektedir. Bu analizler erişebilirliğin ve şehirlerin karakteristik özelliklerinin kapsamlı bir şekilde incelenebilmesine olanak sağlamaktadır. Her bir ızgara hücresi için alt APG değerleri hesaplanmış ve dahil oldukları kümelerin değerleri bu alt APG değerlerine Entropi Ağırlık Yöntemi (EAY)'nin uygulanmasıyla elde edilmiştir. Her ızgara hücresi için hesaplanan beş ana düzey APG değeri, Sony CSL tarafından aynı hücreler için elde edilen yürüme temelli ortalama erişebilirlik süreleriyle birleştirilerek makine öğrenmesi modellerinin eğitimi için kullanılacak veri seti oluşturulmuştur. Ayrıca, Sony CSL tarafından sağlanan ortalama erişebilirlik süreleri üzerinde ikili sınıflandırma gerçekleştirilmiştir. Bu kapsamda, erişebilirlik süresi 15 dakikanın altında olan hücreler“15 Dakikalık Şehir”, 15 dakikanın üzerinde olanlar ise“15 Dakikalık Şehir Değil”olarak etiketlenmiştir. Veri setinin oluşturulma sürecinde, çalışma kapsamında seçilen şehirlerden İstanbul dışındaki diğer şehirlerden elde edilen ızgara hücresi verileri kullanılmıştır. Üretilen eğitim seti Rastgele Orman (Random Forest – RF), XGBoost (eXtreme Gradient Boosting), CatBoost (Categorical Boosting), LightGBM (Light Gradient-Boosting Machine) ve Yapay Sinir Ağları (Artificial Neural Networks – YSA) tabanlı Çok Katmanlı Algılayıcılar (Multilayer Perceptron – MLP) yöntemlerinde kullanılmış, makine öğrenmesi modelleri eğitilmiş ve performans metrikleri ile değerlendirilmiştir. Makine öğrenmesi modellerine ait performans metrikleri incelendiğinde, tüm modellerin sınıflandırma doğruluğunun %86 ile %89 arasında değiştiği görülmüştür. Doğruluk bakımından en iyi sonuç XGBoost modeliyle (%88,8), en düşük sonuç ise CatBoost ile (%86,9) elde edilmiştir. RF ve LightGBM benzer ve dengeli bir başarı sergilerken, kesinlik ve duyarlılık ölçütleri XGBoost'un 15 Dakikalık Şehir kapsamında uygun hücreleri belirlemede en etkili model olduğunu göstermiştir. RF modeli ise uyumsuz hücreleri ayırt etmede diğerlerine göre daha başarılı olmuştur. MLP 15 Dakikalık Şehir kapsamında uygun hücreleri belirlemede yüksek kesinlik sağlamasına karşın, CatBoost'un simetrik ağaç yapısı mekansal karmaşıklığı diğer modellere kıyasla daha zayıf yakalamıştır. Devamında makine öğrenmesi yöntemlerinden Lojistik Regresyon yöntemi kullanılarak meta öğrenme modeli oluşturulmuştur. Bu modellerden elde edilen çıktılarla kurulan meta öğrenme modeli, 15 Dakikalık Şehir uyumluluğunu sınıflandırmada oldukça yüksek bir performans ortaya koymuştur. Dengeli doğruluk değeri %92'ye ulaşmış; ROC-AUC (Alıcı Çalışma Özelliği Eğrisi – Eğri Altında Kalan Alan) (0,9806) ve PR-AUC (Kesinlik Duyarlılık AUC) (0,9886) değerleri modelin sınıfları güçlü bir ayrımla tanımladığını göstermiştir. F1 skoru (0,9445), kesinlik (0,9409) ve duyarlılık (0,9483) değerlerinin birbirine yakınlığı ise, modelin hem uyumlu hem de uyumsuz hücreleri dengeli biçimde tespit edebildiğini ortaya koymuştur. Ardından meta öğrenme modeli İstanbul'un farklı ilçelerinde uygulanmış ve Sony CSL sonuçlarıyla karşılaştırılmıştır. Fatih ve Kadıköy'ün her iki yönteme göre de büyük ölçüde 15 Dakikalık Şehir kavramına uyumlu olduğu görülmüştür. Her iki yöntemin de benzer sonuçlar vermesine rağmen Ümraniye'nin kuzey kesimlerinde meta öğrenme modeli ile Sony CSL sonuçları arasında farklılıklar görülmüştür. Bu farkların temel sebebi çalışma kapsamında geliştirilen kapsamlı mekansal analizlerdir. Bu analizler sayesinde meta öğrenme modeli ızgara hücrelerinin özelliklerini detaylı inceleyerek daha doğru sonuçlar üretebilmiştir. Fakat, meta öğrenme modelinin sınıflandırma doğruluğunun yüksek olmasına rağmen bazı ızgara hücrelerinin yanlış sınıflandırılığı görülmüştür. Bunun temelinde topoğrafyanın bazı ızgara hücrelerinde ki aşırı etkisinden kaynaklanmıştır. Üsküdar ilçesinde de her iki yöntem arasında farklılıklar görülmüştür. İlçenin güney kısımında erişebilirliği kısıtlayan yapılar olmasına rağmen Sony CSL çalışmasında bu ızgara hücreleri 15 Dakikalık Şehir alanı olarak elde edilmiştir. Meta öğrenme modeli ise bu alanların uyumsuz olduğunu başarıyla tespit etmiştir. Ayrıca iki model Üsküdar ilçesinin kuzey kesimlerinde önemli farklılıklar içermektedir. Sony CSL çıktılarında neredeyse Üsküdar'ın kuzey kesimlerinin tamamı 15 Dakikalık Şehir kavramına uyumsuzdur. Fakat meta öğrenme modeli bu alanların büyük bir bölümünü uygun olarak tespit etmiştir. Benzer şekilde bu alandaki hücrelerin bir kısmının meta öğrenme modelinde uyumlu olarak tespit edilmesinin nedeni topoğrafyanın sonuçlara olan etkisinden kaynaklanmıştır. Beyoğlu ilçesi meta öğrenme modelinde neredeyse tamamen 15 Dakikalık Şehir kavramına uyumlu olarak elde edilirken, Sony CSL çıktıları ilçenin kuzey batı kesimlerinde aynı sonuçları vermemiştir. En önemli farklardan bir tanesi Ataşehir Ferhatpaşa Mahallesi'nde yaşanmıştır. Mahallenin sanayi, depolama ve toptan ticaret işlevlerine sahip olmasından dolayı sahip olduğu geniş yollar ve yol yoğunluğu, bu alanların 15 Dakikalık Şehir olarak elde edilmesine neden olmuştur. Sony CSL ise bu alanları uyumsuz olarak tespit etmiştir. Maltepe'de sonuçlar incelendiğinde Sony CSL'in Başıbüyük Mahallesi'nde doğru sonuçlar vermediği görülmüştür. Farklı hizmet noktalarını içeren bu mahalle meta öğrenme modelinde uyumlu olarak elde edilmiştir. Son olarak Sarıyer ilçesinin büyük bir kısmı Sony CSL sonuçlarında uyumsuz olarak elde edilmesine karşı, özellikle ilçenin konut, ticaret ve eğitim alanlarını içeren güney kesimlerinin meta öğrenme modelinde 15 Dakikalık Şehir kavramına uyumlu olduğu görülmüştür.
Özet (Çeviri)
Cities today are undergoing profound transformations driven by globalization, technological change, climate pressures, and shifting socio-economic dynamics. These processes have intensified long-standing urban problems while generating new forms of spatial, social, and environmental inequality. Within increasingly constrained spatial and institutional contexts, cities are expected to balance competing demands related to housing, mobility, economic productivity, and environmental sustainability, leading to complex challenges such as rapid population growth, urban sprawl, social inequality, congestion, and environmental degradation. In response, urban planners have developed various strategies aimed at enhancing accessibility and promoting active mobility, all with the goal of creating livable, inclusive, and sustainable urban environments. A prominent approach among these is the“15-Minute City”concept, proposed by Professor Dr. Carlos Moreno in 2016. This framework envisions an urban design in which residents can reach essential daily services within a 15-minute walk or bicycle ride from their homes. By promoting polycentric and well-connected urban areas, accessibility emerges as a fundamental component that must be evaluated in a comprehensive manner. This thesis has two principal objectives. The first is to establish a framework that identifies the essential characteristics of cities and evaluates their accessibility performance. The second objective is to assess the extent to which cities conform to the 15-Minute City concept and to develop a comprehensive framework model for this evaluation. For this analysis, eight European cities that either currently embrace the 15-Minute City concept or are actively pursuing this goal have been selected for comparison. These cities are Amsterdam, Barcelona, Bologna, Madrid, Milan, Munich, Paris, and Vienna. A data collection and processing program, developed using the Python programming language, was created to acquire the spatial datasets necessary for conducting comparative analyses between these cities and Istanbul. This program retrieved spatial datasets from the OSMnx library, which encompasses road networks, points of interest (POIs), and building footprints. Additionally, topographical information for the cities was sourced from the NASADEM Global Digital Elevation Model (GDEM). Following the acquisition of the necessary data, several preprocessing steps were conducted to prepare the datasets for spatial analysis. Initially, all datasets were projected into an appropriate coordinate system. Furthermore, geometrically invalid features and duplicate entries were removed from the dataset. Once preprocessing was finalized, the data was prepared for subsequent spatial analyses. The road network was further refined to evaluate walkability in the context of the 15-Minute City. As part of this process, road segments that hinder pedestrian access or lack adequate pedestrian infrastructure were removed, resulting in a walkable road network. The POI dataset obtained from OSMnx was reclassified into 12 categories: education, daily needs, other daily needs, public services, small-scale industrial areas, cultural facilities, healthcare services, social infrastructure, sports areas, commerce and economy, transportation, and recreation. These categories encompass essential service points that urban residents may require in their daily lives. Their definitions were based on both existing literature and Turkey's Spatial Plans Construction Regulation. A comparison of the POI datasets across the selected cities revealed that Istanbul has the highest number of POIs, particularly in the categories of health, social infrastructure, commerce and economy, and transportation. In all cities, the majority of POIs were found in the daily needs category. Unfortunately, data for small-scale industrial areas could not be obtained due to a lack of sufficient attribute information in the OSMnx library. Lastly, building footprints retrieved as polygon data were converted into point features by calculating their areas, which allowed for their integration into subsequent analyses. In this study, grid-based surfaces were employed to evaluate the extent to which selected districts of Istanbul adhere to the 15-Minute City concept. These grid surfaces were derived from analyses conducted by Sony Computer Science Laboratories Rome (Sony CSL) specifically for the 15-Minute City framework. Comprising hexagonal cells with a spatial resolution of 200 meters, the grids were utilized in this thesis to enable the validation of the developed meta-learning model. To assess the compatibility of the selected study areas with the 15-Minute City concept, a framework of Key Performance Indicators (KPIs) was established, consisting of two levels. The first level comprises five indicator groups: proximity, density, modal distribution of transport options, transport network structure, and topography. Each group includes several spatial analyses known as sub-KPIs, which facilitate a comprehensive evaluation of accessibility and the distinct characteristics of urban areas. Sub-KPI values were computed for each grid cell, and the main KPI values were derived by employing the Entropy Weight Method (EWM) on the corresponding sub-KPIs. The five main KPI values calculated for each grid cell were then integrated with the walking-based average accessibility times generated by Sony CSL for those same cells. This integration formed the dataset used to train the machine learning models. Furthermore, a binary classification was applied to the average accessibility times provided by Sony CSL: grid cells with accessibility times below 15 minutes were classified as“15-Minute City,”while those exceeding 15 minutes were labeled“Not a 15-Minute City.”During the dataset construction, grid data from cities beyond Istanbul were also utilized. The training dataset was leveraged to develop a range of machine learning models, including Random Forest (RF), XGBoost (eXtreme Gradient Boosting), CatBoost (Categorical Boosting), LightGBM (Light Gradient Boosting Machine), and Artificial Neural Networks based Multilayer Perceptron (MLP). These models underwent training and evaluation based on specific performance metrics. The evaluation results indicated that the classification accuracies of all models ranged from 86% to 89%. XGBoost achieved the highest accuracy of 88.8%, while CatBoost recorded the lowest at 86.9%. Both RF and LightGBM displayed comparable and stable performance levels. In terms of precision and recall, XGBoost emerged as the most effective model for identifying grid cells compatible with the 15-Minute City concept, whereas RF excelled at distinguishing incompatible cells. Although MLP showed high precision in recognizing compatible cells, the symmetric tree structure of CatBoost was less adept at capturing spatial complexity compared to the other models. A meta-learning model was developed using Logistic Regression. This model, which was built from the outputs of individual machine learning models, showed excellent performance in classifying compatibility with the concept of a 15-Minute City. The model achieved a balanced accuracy of 92%, while the ROC-AUC score was 0.9806 and the PR-AUC score was 0.9886, indicating a strong ability to discriminate between different classes. Additionally, the F1-score (0.9445), precision (0.9409), and recall (0.9483) values were very close to each other, demonstrating that the model effectively and consistently identified both compatible and incompatible grid cells. The meta-learning model was employed to assess various districts of Istanbul, and its findings were compared with those derived from Sony CSL. Both methodologies indicated that the districts of Fatih and Kadıköy largely align with the 15-Minute City concept. While the overall outcomes of the two approaches were similar, significant discrepancies arose in the northern regions of Ümraniye. These differences can be attributed to the comprehensive spatial analyses conducted within this study, which enabled the meta-learning model to evaluate grid cell characteristics in greater detail. Despite the high classification performance of the meta-learning model, some grid cells were misclassified, primarily due to the pronounced influence of topography in specific areas. In Üsküdar, further discrepancies between the two methods were observed. In the southern parts of the district, where various structures impede accessibility, Sony CSL classified certain grid cells as compatible. In contrast, the meta-learning model successfully identified these areas as incompatible. Additionally, the models exhibited significant differences in Üsküdar's northern regions: while Sony CSL deemed almost the entire northern area as incompatible, the meta-learning model classified a substantial portion of this region as compatible. Again, this discrepancy is attributed to the topographic factors influencing the meta-learning model's results. In Beyoğlu, the meta-learning model classified nearly the entire district as compatible, whereas Sony CSL marked the northwestern sections as incompatible. A particularly notable difference was identified in Ataşehir's Ferhatpaşa neighborhood. Due to its industrial, storage, and wholesale commercial functions, this neighborhood features wide roads and a dense street network, which led the meta-learning model to classify it as compatible. In contrast, Sony CSL assessed it as incompatible. In Maltepe, Sony CSL underestimated the compatibility of the Başıbüyük neighborhood; however, the meta-learning model accurately identified this area as compatible due to its diverse array of service points. Lastly, in Sarıyer, Sony CSL classified the majority of the district as incompatible, while the meta-learning model recognized the southern sections—characterized by residential, commercial, and educational functions—as compatible with the 15-Minute City concept. While the resulting meta-learning model generally exhibited superior performance compared to the findings from Sony CSL, certain limitations were noted in the classification outcomes. These limitations were attributed to the significant influence of topography on the model, the tendency for accessibility levels to be overstated in grid-based urban forms, and occasional misclassifications of areas where POIs are densely clustered. To enhance the model's accuracy, it is essential to expand the training dataset by incorporating data from cities across various countries. This approach would facilitate the development of a more robust meta-learning model that captures a broader range of urban characteristics and morphological features, thereby improving classification accuracy. Furthermore, refining the topographic indicators and other spatial analyses utilized in the study would contribute to a more accurate representation of urban characteristics. More detailed spatial and urban analyses would ultimately enable the model to provide more reliable results in future applications.
Benzer Tezler
- Ferrokrom fabrikasında çalışan işçilerde stogenetik çalışmalar
Başlık çevirisi yok
AYNUR ACAR
Doktora
Türkçe
1985
Tıbbi BiyolojiAkdeniz ÜniversitesiTıbbi Biyoloji ve Genetik Ana Bilim Dalı
DOÇ. DR. GÜVEN LÜLECİ
- Çatışmacı toplum paradigması: Teorik ve meta-teorik düzeylerin ilişkisi
Conflict paradigm of society
ADNAN TÜREGİN
- Çat barajı (Malatya) sulama tünelinin jeoloji ve mühendislik jeolojisi incelemesi
Başlık çevirisi yok
RECAİ TOKER
Yüksek Lisans
Türkçe
1985
Jeoloji Mühendisliğiİstanbul ÜniversitesiJeoloji Ana Bilim Dalı
YRD. DOÇ. DR. ALİ MALİK GÖZÜBOL