Geri Dön

Wildfire susceptibility mapping using ensemble boosting and metaheuristic-optimized MLP

Topluluk güçlendirme ve metaheuristik optimizasyonlu MLP kullanarak yangın duyarlılık haritalaması

PDF İndir

  1. Tez No: 999963
  2. Yazar: AHMED ABUSEARIAH
  3. Danışmanlar: YRD. DOÇ. DR. NEHAD T.A RAMAHA, YRD. DOÇ. DR. SOHAIB K M ABUJAYYAB
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Coğrafya, Ormancılık ve Orman Mühendisliği, Computer Engineering and Computer Science and Control, Geography, Forestry and Forest Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Karabük Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Orman yangınları, Akdeniz ekosistemlerini etkileyen en yıkıcı doğal tehlikelerden biridir. Türkiye'nin son yıllarda artan sıklık ve şiddette orman yangınları yaşamasıyla birlikte, bu durum çevresel ve sosyo-ekonomik bağlamlarda temel endişelerden biri haline gelmiş; bir yangının meydana gelme olasılığı olarak tanımlanan orman yangını duyarlılık haritalamasını, proaktif arazi yönetimi ve afet azaltmanın kritik bir parçası kılmıştır. Bu tez, Çok Katmanlı Algılayıcıyı (MLP) topluluk artırma (boosting) algoritmalarıyla (XGBoost, LightGBM, GBM ve AdaBoost) entegre eden ve ayrıca modifiye edilmiş bir MLP üzerinde meta-sezgisel Parçacık Sürü Optimizasyonu (PSO) algoritmasını uygulayan yeni bir hibrit modelleme çerçevesi önermeyi amaçlamaktadır. Modellerin eğitimi ve test edilmesi Adana, Kahramanmaraş ve Osmaniye illerinde gerçekleştirilmiş; önerilen yöntemleri değerlendirmek ve duyarlılık haritaları oluşturmak amacıyla uzaktan algılama ve CBS uygulamaları kullanılarak elde edilen topografik, iklimsel, bitki örtüsü ve insan kaynaklı faktörleri içeren 18 değişkenli bir veri seti kullanılmıştır. Sonuçlar, MLP topluluk tabanlı modellerin tekil (standalone) MLP modelinden daha iyi performans gösterdiğini doğrulamıştır. PSO'nun artırma (boosting) yöntemleriyle birleştirilmesiyle performansta daha fazla iyileşme gözlemlenmiş; PSO destekli XGBoost-MLP ve LightGBM-MLP modelleri, sırasıyla %93,3'e yakın doğruluk ve 0.979 AUC değerleri ile en iyi sonuçları vermiştir. Buna karşılık, tek başına PSO-MLP modelinin sonuçları, standart MLP modeline göre daha düşük doğruluk göstermiştir. Üretilen orman yangını duyarlılık haritaları, geçmiş yangın kayıtları ve bölgelerin coğrafi özellikleri ile karşılaştırıldığında tutarlı ve doğrulanmış sonuçlar sunmaktadır. Osmaniye ili, yüzölçümüne oranla nispeten daha yüksek duyarlılık alanlarına sahipken; Adana, konumu ve yangın kayıtlarının sayısı göz önüne alındığında daha dengeli bir yangın duyarlılık dağılımı sergilemektedir. Bu gözlemler, topluluk öğrenme yaklaşımlarının sinir ağları ile birleştirilmesinin, tahminsel geçerliliği ve mekânsal tutarlılığı artırdığını göstermektedir. Bu çalışma, yangın riski taşıyan arazilerin yönetimi ve yangınların önlenmesi adına pratik çıkarımlar sunmanın yanı sıra, sağlam yangın duyarlılık haritaları üretmek için yenilikçi topluluk makine öğrenmesi yöntemlerinin kullanımına katkı sağlamaktadır.

Özet (Çeviri)

Wildfires are one of the most destructive natural hazards affecting Mediterranean ecosystems. With Türkiye experiencing an increasing frequency and intensity of wildfires in recent years, it has now become one of the key concerns in environmental and socio-economic contexts, making wildfire susceptibility mapping, defined as the likelihood of a fire occurring, a critical part of proactive land management and disaster mitigation. This thesis aims to propose a novel hybrid modeling framework that integrates the Multilayer Perceptron (MLP) with ensemble boosting algorithms (XGBoost, LightGBM, GBM, and AdaBoost) as well as implementing a metaheuristic Particle Swarm Optimization (PSO) algorithm in a modified MLP, The training and testing of the models were conducted on Adana, Kahramanmaraş, and Osmaniye areas and utilized a dataset with 18 wildfire influencing factors including topographic, climate, vegetation, and human factors gathered using remote sensing and GIS applications to evaluate the proposed methods and generate susceptibility maps. The results confirmed that the MLP ensemble-based models outperform the standalone MLP model. There was further improvement when PSO was combined with the boosting method, as the XGBoost-MLP and LightGBM-MLP models, which utilized PSO, produced the best results, with accuracies and AUCs close to 93.3% and 0.979, respectively. In contrast, the results for the PSO-MLP were less accurate than those of the standalone MLP. The produced wildfire susceptibility maps are validated and consistent when compared with previous fire event records, as well as the geographic information of regions. Osmaniye contains relatively more areas of higher susceptibility than its geographic area; however, the result of Adana indicates a relatively balanced distribution of fire susceptibility, considering its location and number of fire records. These observations suggest that combining ensemble learning approaches with neural networks improves predictive validity and spatial consistency. The study offers practical implications for the prevention and management of lands with wildfire risk, as well as the use of innovative ensemble machine-learning methods to produce robust wildfire susceptibility maps.

Benzer Tezler

  1. Tez No

    522727

    Çok kriterli karar analizi ile orman yangını risk haritalarının oluşturulması: Karabük örneği

    Forest fire risk mapping using multi criteria decision analysis method: The case of Karabük

    MERCAN HACISALİHOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Jeodezi ve FotogrametriZonguldak Bülent Ecevit Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞENOL HAKAN KUTOĞLU

  2. Tez No

    853251

    Spatio-temporal modelling of landslide occurrences accounting for wildfires' effects using machinelearning

    Başlık çevirisi yok

    CANNUR EROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    BiyoteknolojiUnıversıty Of Twente

    DR. LUİGİ LOMBARDO

    DR. BASTİAN VAN DEN BOUT

  3. Tez No

    876344

    Development of QCM sensors for measuring particulate matter concentration

    QCM sensörlerinin partikül madde konsantrasyonunu ölçmek için geliştirilmesi

    MAJID JAVADZADEHKALKHORAN

    Doktora

    İngilizce

    İngilizce

    2024

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. LEVENT TRABZON

  4. Tez No

    450361

    Van gölü havzası yumuşak çekirdekli meyve türlerinin ateş yanıklığı (Erwinia amylovora (Burr.) Winslow et al.) hastalığına dayanklılığında anaçların etkisinin belirlenmesi

    Levels of fire blight (Erwinia amylovora (Burr.) Winslow et al. ) susceptibility on different rootstocks of apple and pear genotypes from lake van basin

    ARİF SEMİH TAŞDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    ZiraatYüzüncü Yıl Üniversitesi

    Bahçe Bitkileri Ana Bilim Dalı

    DOÇ. DR. KORAY ÖZRENK

  5. Tez No

    614570

    Firesense: Wildfire detection using Wireless Sensor Networks

    Firesense: Kablosuz Duyarga Ağlar ile orman yangınlarının tespiti

    BİLGİN KOŞUCU

    Yüksek Lisans

    İngilizce

    İngilizce

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. GÜRHAN KÜÇÜK

Geri Dön