Heyelan Duyarlılık Analizinde Eğitim Seti Boyutunun Harita Doğruluğuna Etkilerinin Araştırılması

Abstract

Nsanlar tarafından yapılan altyapılara zarar veren ve birçok yönden insan hayatını olumsuz bir biçimde etkileyen heyelanlar tarihte en yıkıcı doğal afetlerden birisiolaraknitelendirilmektedir.Afetyönetimindekibüyük 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 farklıkombinasyonlarınınkullanımıönerilmektedir.Buna karşın heyelan duyarlığının değerlendirilmesinde birtakımsınırlamalarvebelirsizliklermevcuttur.Duyarlılıkmetotlarınıntahminedebilmekabiliyetigenellikle geçmiş heyelan olaylarına ilişkin envanter verisinedayalıdır.Envanterverisinitemsiledenörneklemeboyutunun(eğitimverisetiboyutu)duyarlılıkharitasıüretimindevetahmindoğruluğu 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 sıralartestiyardımıyladeğerlendirilmiştir.Çalışma sonuçları, LR ve RO algoritmalarının tahmin performanslarınıneğitimverisetiboyutunaduyarlıolduğunu, 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 LRalgoritmasınagöretümdurumlardaistatistikselolarak daha üstün performans sergilediği görülmüştür.