Heyelan duyarlılık analizinde eğitim seti boyutunun harita doğruluğuna etkilerinin araştırılması
Küçük Resim Yok
Tarih
2020
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/closedAccess
Özet
İnsanlar tarafından yapılan altyapılara zarar veren ve birçok yönden insan hayatını olumsuz bir biçimde etkileyen heyelanlar tarihte en yıkıcı doğal afetlerden birisi olarak nitelendirilmektedir. Afet yönetimindeki büyük önemi nedeniyle doğruluğu yüksek ve güncel heyelan duyarlılık haritalarının üretilmesi küresel ve yerel ölçekli çalışmalar için esas teşkil etmektedir. Literatürde, heyelan duyarlılık haritalarının üretiminde çeşitli stratejiler, algoritmalar, yöntemler ve bunların farklı kombinasyonlarının kullanımı önerilmektedir. Buna karşın heyelan duyarlığının değerlendirilmesinde birtakım sınırlamalar ve belirsizlikler mevcuttur. Duyarlılık metotlarının tahmin edebilme kabiliyeti genellikle geçmiş heyelan olaylarına ilişkin envanter verisine dayalıdır. Envanter verisini temsil eden örnekleme boyutunun (eğitim veri seti boyutu) duyarlılık haritası üretiminde ve tahmin doğruluğu üzerine etkileri heyelan duyarlılık haritası üretiminde önemli bir araştırma konusudur ve ihtiyaç duyulan örnek boyutunun yüzdesi veya oranı henüz ortaya koyulmamıştır. Bu çalışmanın temel amacı heyelan duyarlılık analizinde eğitim veri seti boyutunun tematik harita doğruluğuna olan etkilerinin araştırılmasıdır. Bu amaca uygun olarak, literatüre uygun olarak 12 farklıboyutta eğitim verisi oluşturulmuş ve söz konusu veri setleri ile duyarlılık haritaları üretilmiştir. Oluşturulan farklı boyuttaki eğitim veri setleri kullanarak heyelan duyarlılık haritaları üretilmesinde lojistik regresyon (LR) ve rastgele orman (RO) algoritmaları kullanılmıştır. Performans analizinde genel doğruluklar, AUC (Area under the ROC Curve) ve ROC eğrileri (Receiver Operating Characteristic Curve) kullanılmış ve tahmin doğrulukları arasındaki farklılıklar Wilcoxon’s işaretli sıralar testi yardımıyla değerlendirilmiştir. Çalışma sonuçları, LR ve RO algoritmalarının tahmin performanslarının eğitim veri seti boyutuna duyarlıolduğunu, RO ve LR için istatistiksel olarak en uygun örnekleme oranının 70:30 ve 30:70 olduğu belirlenmiştir. Bununla birlikte, ileri tahmin algoritmasıolan RO algoritmasının performansı klasik yöntem olan LR algoritmasına göre tüm durumlarda istatistiksel olarak daha üstün performans sergilediği görülmüştür.
Açıklama
Anahtar Kelimeler
Kaynak
Harita Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
86
Sayı
164
