SavedAdd your journal

Journals / Veri Bilimi / 2024 / Cilt: 7 Sayı: 2

ORMAN YANGINLARININ TAHMİNİ İÇİN MAKİNE ÖĞRENİMİ YAKLAŞIMI: TÜRKİYE UYGULAMASI

Senem Baybaş(GAZİ ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)0009-0003-2249-7572
Özlem Akgün(GAZİ ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)0009-0003-8100-6542
Emir Deniz Cem Adıgüzel(GAZİ ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)0009-0005-0636-9938
Ehat Eser Gürvardar(GAZİ ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)0009-0005-4819-2130
Esra Gökpınar(GAZİ ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)0000-0003-2148-4940
Pages
1–10
Publication Date
2024-12-26
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Veri seti üzerinde en yüksek performansı Lojistik Regresyon modeli göstermiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Son yıllarda küresel ısınmanın etkisiyle artan hava sıcaklıkları, orman yangınlarının dünya genelinde yaygınlaşmasına neden olmuştur.
📊
Key Findings & Data:Türkiye’de bu durumdan ciddi şekilde etkilenmektedir.
💡
Conclusion & Impact:Veri seti üzerinde en yüksek performansı Lojistik Regresyon modeli göstermiştir.
🔬Design:Review & Systematic Survey
📍Scope:2022 Verileri
⚙️Variables:Türkiye’de Orman Yangınları · Yanan Alan Tahmini · Makine Öğrenmesi Yöntemleri

Özet

Son yıllarda küresel ısınmanın etkisiyle artan hava sıcaklıkları, orman yangınlarının dünya genelinde yaygınlaşmasına neden olmuştur. Türkiye’de bu durumdan ciddi şekilde etkilenmektedir. Bu sebeple, orman yangınlarına karşı önleyici tedbirler almak ve etkin mücadele stratejileri geliştirmek büyük önem taşımaktadır. Orman yangınlarının önceden tahmin edilmesi veya erken tespit edilmesi, hızlı müdahale ve zararları en aza indirmek için hayati öneme sahiptir. Literatürde, orman yangınlarını tahmin etmek amacıyla meteorolojik veriler ve uzaktan algılama verileri kullanılmaktadır. Bu çalışmada, T.C. Tarım ve Orman Bakanlığı'ndan alınan veriler kullanılarak, 2022 yılında Türkiye'de meydana gelen orman yangınlarının meteorolojik etkileri incelenmiş ve makine öğrenimi yöntemleriyle bir tahmin modeli geliştirilmiştir. Çalışmada Lojistik Regresyon, K-En Yakın Komşu, Random Forest ve Karar Ağacı algoritmaları kullanılmıştır. Veri seti üzerinde en yüksek performansı Lojistik Regresyon modeli göstermiştir.

🔖

Cite This Article

Baybaş, S., Akgün, Ö., Adıgüzel, E. D. C., Gürvardar, E. E., Gökpınar, E. (2024). ORMAN YANGINLARININ TAHMİNİ İÇİN MAKİNE ÖĞRENİMİ YAKLAŞIMI: TÜRKİYE UYGULAMASI. Veri Bilimi, Cilt: 7 Sayı: 2, 1–10. https://ajindex.com/articles/1575877

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (29)

  1. T.C. Orman ve Su İşleri Bakanlığı (2015). Türkiye Orman Varlığı. Orman Genel Müdürlüğü. [https://www.ogm.gov.tr/tr/ormanlarimizsitesi/TurkiyeOrmanVarligi/Yayinlar/2015%20T%C3%BCrkiye%20Orman%20Varl%C4%B1%C4%9F%C4%B1.pdf]. (Erişim Tarihi: 10 Kasım 2023)
  2. Ünal S. “Orman yangınlarından doğan zarar düzeyinin hesaplanması üzerine araştırmalar”. Journal of the Faculty of Forestry Istanbul University, 41(1), 2014.
  3. Dayananda PWA. “Stochastic models forest fires”. Ecological Modeling, 3, 309-313, 1977.
  4. Küçük Ö, Sağlam B. “Orman yangınları ve hava halleri”. Kastamonu Üniversitesi Orman Fakültesi Dergisi, 4(2), 220-231, 2004.
  5. Altan G, Türkeş M, Tatlı H. “Çanakkale ve Muğla 2009 yılı orman yangınlarının Keetch-Byram Kuraklık İndisi ile klimatolojik ve meteorolojik analizi”. In: 5th Atmospheric Science Symposium Proceedings Book: 263-274, 2011.
  6. Cortez P, Morais ADJR. “A data mining approach to predict forest fires using meteorological data”. 13th EPIA Portuguese Conference on Artifical Intelligence, 2007.
  7. Bayat G, Yıldız K. “Comparison of the machine learning methods to predict wildfire areas”. Turkish Journal of Science and Technology, 17(2), 241-250, 2022.
  8. Chen Y, Zhang Y, Xin J, Wang G, Mu L, Yi Y, Liu D. “UAV image-based forest fire detection approach using convolutional neural network”. IEEE conference on industrial electronics and applications (ICIEA), 2019.
  9. Beşli N, Tenekeci E. “Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 11(3), 899-906, 2020.
  10. Sayad YO, Mousannif H, Moatassime HA. “Predictive modeling of wildfires: A new dataset and machine learning approach”. Fire Safety Journal, 104, 130-146, 2019.
  11. Mohajane M, Costache R, Karimi F, Pham QB, Essahlaoui A, Nguyen H, Laneve G, Oudija F. “Application of remote sensing and machine learning algorithms for forest fire mapping in a Mediterranean area”. Ecological Indicators 129:107869, 2021.
  12. Kukuk SB, Kilimci ZH. “Comprehensive analysis of forest fire detection using deep learning models and conventional machine learning algorithms”. International Journal of Computational and Experimental Science and Engineering, 7(2), 84-84, 2021.
  13. Yıldırım O, Günay FB, Yağanoğlu M. “Makine öğrenmesi yöntemleriyle orman yangını tahmini”. Journal of the Institute of Science and Technology, 13(3), 1468-1481, 2023.
  14. Akıncı HA, Akıncı H. “Machine learning based forest fire susceptibility assessment of Manavgat district (Antalya), Turkey”. Earth Science Informatics, 16(1), 397-414, 2023.
  15. Iban MC, Sekertekin A. “Machine learning based wildfire susceptibility mapping using remotely sensed fire data and GIS: A case study of Adana and Mersin provinces, Turkey”. Ecological Informatics, 69, 101647, 2022.
  16. Kantarcioglu O, Kocaman S, Schindler K. “Artificial neural networks for assessing forest fire susceptibility in Türkiye”. Ecological Informatics, 75, 102034, 2023a.
  17. Kantarcioglu O, Schindler K, Kocaman S. “Forest Fire Susceptibility Assessment with Machine Learning Methods in North-East Turkiye”. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48, 161-167, 2023b.
  18. Ayanoğlu S, Dölarslan M, Gül E. “Sadece bir yangın mı? Ekolojik ve sosyo-ekonomik açıdan orman yangınları”. Türk Bilimsel Derlemeler Dergisi, 10(2), 32-35, 2017.
  19. Oğuzlar A. “Veri ön işleme”. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21, 2003.
  20. Keleş MB, Keleş A, Keleş A. “Makine öğrenmesi yöntemleri ile uçuş fiyatlarının tahmini”. Euroasia Journal of Mathematics, Engineering, Natural & Medical Sciences, 7(11), 72-78, 2020.
  21. Zilyas D, Yılmaz A. “Makine öğrenmesi yöntemleri ile eğitim başarısının tahmini modeli”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 14(3), 437-447, 2023.
  22. Kumaş E. “Türkçe twitter verilerinden duygu analizi yapılırken sınıflandırıcıların karşılaştırılması”. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 2(2), 1-5, 2021.
  23. Stojanova D, Panov P, Kobler A, Džeroski S, Taškova K. “Learning to predict forest fires with different data mining techniques”. In Conference on data mining and data warehouses, Ljubljana, Slovenia, 2006.
  24. Albayrak YS, Yılmaz ÖK. “Veri madenciliği: Karar ağacı algoritmaları ve İMKB verileri üzerine bir uygulama”. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52, 2009.
  25. Harrington P. Machine Learning In Action. Shelter Island: Manning Publications, 2012.
  26. Aydın SG, Aydoğdu G. “Makine öğrenmesi algoritmaları kullanılarak Türkiye ve AB ülkelerinin CO2 emisyonlarının tahmini”. Avrupa Bilim ve Teknoloji Dergisi, 37, 42-46, 2022.
  27. Parlak MS, Kayri M. “Öğretmenlerin e-öğrenme hazır bulunuşluk düzeylerini etkileyen faktörlerin rastgele orman algoritması yöntemi ile incelenmesi”. Van Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 19(3), 670-696, 2022.
  28. Harman G. “Destek vektör makineleri ve naive bayes sınıflandırma algoritmalarını kullanarak diabetes mellitus tahmini”. Avrupa Bilim ve Teknoloji Dergisi, (32), 7-13, 2021.
  29. Abdessemed F, Bouam S, Arar C. “Forest Fire prediction using Machine Learning Methods”, First National Conference in Computer Science Research and its Applications, 2023.