Makine Öğrenmesi Yöntemleri ile Deprem Sonrası Bina Hasar Sınıfı Kestirimi: İzmir Örneği
Türk Deprem Araştırma Dergisi · 30.04.2026 · 8 (1) · 92-103
DOI: 10.46464/tdad.1802507 ↗Kurz gefasst
Fachartikel in der Zeitschrift Türk Deprem Araştırma Dergisi, online erschienen am 30.04.2026. Verfasst von Derya Yalçın und 1 weiteren Autor:innen. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 26 Literaturangaben.
Abstract (Originalsprache)
Bu çalışmada, 30 Ekim 2020 Sisam Adası (Seferihisar-İzmir) depremi sonrasında Bayraklı ve Bornova ilçelerinde saha gözlemlerine dayalı olarak belirlenen bina hasar sınıflarının, makine öğrenmesi yöntemleriyle tahmin edilmesi amaçlanmıştır. Düşük, orta ve yüksek olmak üzere üç hasar sınıfından oluşan veri seti, belirgin sınıf dengesizliği içermektedir. Bu nedenle model performansları, dengesiz veri setlerine duyarlı ölçütler kullanılarak değerlendirilmiştir. Karar ağacı (DT), rastgele orman (RF), yapay sinir ağları (ANN), destek vektör makineleri (SVM) ve Aşırı Gradyan Artırma Algoritması (XGBoost), algoritmaları karşılaştırmalı olarak analiz edilmiştir. En iyi performansı sağlayan modelin çıktıları Coğrafi Bilgi Sistemleri ortamına aktarılmış ve mekânsal hasar kestirim haritası üretilmiştir. Elde edilen bulgular, makine öğrenmesi yöntemlerinin deprem sonrası bina hasarlarının mekânsal örüntülerini modellemede etkili bir araç sunduğunu göstermektedir.
Zitieren
APA
Yalçın, D., & Aktuğ, B. (2026). Makine Öğrenmesi Yöntemleri ile Deprem Sonrası Bina Hasar Sınıfı Kestirimi: İzmir Örneği. Türk Deprem Araştırma Dergisi, 8(1), 92-103. https://doi.org/10.46464/tdad.1802507
Vancouver
Yalçın D, Aktuğ B. Makine Öğrenmesi Yöntemleri ile Deprem Sonrası Bina Hasar Sınıfı Kestirimi: İzmir Örneği. Türk Deprem Araştırma Dergisi. 2026;8(1):92-103. doi:10.46464/tdad.1802507
BibTeX
@article{Yaln2026,
author = {Yalçın, Derya and Aktuğ, Bahadır},
title = {Makine Öğrenmesi Yöntemleri ile Deprem Sonrası Bina Hasar Sınıfı Kestirimi: İzmir Örneği},
journal = {Türk Deprem Araştırma Dergisi},
year = {2026},
volume = {8},
number = {1},
pages = {92--103},
doi = {10.46464/tdad.1802507}
}
EUVIMED