KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 40 Sayı: 3

Kır-kent ikileminde yeni arayışlar: K-means algoritması ile yerleşim birimlerinin kümelendirilmesi

Emine Baydan(ANKARA ÜNİVERSİTESİ, UYGULAMALI BİLİMLER FAKÜLTESİ, GAYRİMENKUL GELİŞTİRME VE YÖNETİMİ BÖLÜMÜ)0000-0001-5564-8507
Sevinç Bahar Yenigül(GAZİ ÜNİVERSİTESİ, MİMARLIK FAKÜLTESİ, ŞEHİR VE BÖLGE PLANLAMA BÖLÜMÜ)0000-0002-4310-5369
Zeynep Aslı Gürel(GAZİ ÜNİVERSİTESİ, MİMARLIK FAKÜLTESİ, ŞEHİR VE BÖLGE PLANLAMA BÖLÜMÜ)0000-0002-4811-1207
Sayfa
1467–1478
Yayın Tarihi
2025-08-21
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar, K-means algoritmasının planlama süreçlerinde çeşitli stratejilerin ve politikaların etkilerini değerlendirmek için kullanışlı olabileceğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, Ankara ili yerleşim birimlerini (mahalle) kır-kent ikilemi çerçevesinde analiz ederek, tanımlamayı amaçlamaktadır.
📊
Temel Bulgular & Veri:Çalışmada TÜİK (Türkiye İstatistik Kurumu) ve belediye meclis kararları ile ortaya konan iki farklı sınıflandırma yöntemi ile K-means algoritması kullanılarak elde edilen model karşılaştırılmıştır.
💡
Sonuç & Katkı:Sonuçlar, K-means algoritmasının planlama süreçlerinde çeşitli stratejilerin ve politikaların etkilerini değerlendirmek için kullanışlı olabileceğini göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:K-means · makine öğrenmesi · kümeleme

Özet

Bu çalışma, Ankara ili yerleşim birimlerini (mahalle) kır-kent ikilemi çerçevesinde analiz ederek, tanımlamayı amaçlamaktadır. Bu kapsamda K-means algoritması kullanılarak yerleşim birimleri kümeleme işlemine tabi tutulmuştur. Çalışmada TÜİK (Türkiye İstatistik Kurumu) ve belediye meclis kararları ile ortaya konan iki farklı sınıflandırma yöntemi ile K-means algoritması kullanılarak elde edilen model karşılaştırılmıştır. K-means algoritması ile geliştirilen yapay zekâ modeline göre Ankara ili yerleşim birimlerinin %9’u yoğun kır nitelikli (küme-2), %11’i yoğun kent nitelikli (küme-3), %38’i kırsal etkileşimli kentsel nitelikli (küme-0) ve %42’si kentsel etkileşimli kırsal nitelikli (küme-1) yerleşim birimleri olarak kümelenmiştir. Sonuçlar, K-means algoritmasının planlama süreçlerinde çeşitli stratejilerin ve politikaların etkilerini değerlendirmek için kullanışlı olabileceğini göstermektedir. Ancak, bu modelin belirli parametrelere bağımlılığı ve kısıtlılıkları göz önünde bulundurulmalıdır. Çalışmanın kentsel ve kırsal alanlar arasındaki ayrımın daha ayrıntılı bir perspektiften ele alındığı ve bölgesel planlama, kaynak yönetimi ve kamu hizmeti sunumu gibi konularda yeni bir anlayış sağlayabileceği öngörülmektedir.

🔖

Bu Makaleye Atıf Yap

Baydan, E., Yenigül, S. B., Gürel, Z. A. (2025). Kır-kent ikileminde yeni arayışlar: K-means algoritması ile yerleşim birimlerinin kümelendirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 40 Sayı: 3, 1467–1478. https://doi.org/10.17341/gazimmfd.1417659

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (33)

  1. Liu, H., He, Q., The effect of basic public service on urban-rural income inequality: a sys-GMM approach, Economic Research-Ekonomska Istraživanja, 32 (1), 3211-3229, 2019.
  2. Bibby, P., Shepherd, J., Developing a New Classification of Urban and Rural Areas for Policy Purposes–The Methodology, Defra, London, 2004.
  3. Dong, Y., Cheng, P., Kong, X., Spatially explicit restructuring of rural settlements: A dual-scale coupling approach, Journal of Rural Studies, 94, 239-249, 2022.
  4. Teljeur, C., Kelly, A., An urban–rural classification for health services research in Ireland, Irish Geography, 41 (3), 295-311, 2008.
  5. Yoloğlu, A., Zorlu, F., Türkiye’de kırsallığın ve kırsal alanların tanımlanması: Bir yöntem denemesi, Mersin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 3 (2), 145-176, 2020.
  6. John, F., John, M., The urban field, Journal of the American Planning Association, 31 (1), 312-320, 1965.
  7. Sylla, M., Lasota, T., Szewranski, S., Valuing environmental amenities in peri–urban areas: Evidence from Poland, Sustainability, 11 (3), 570, 2019.
  8. Gober, P., Burns, E.K., The size and shape of Phoenix’s urban–rural fringe. Journal of Planning Education and Research, 21 (4), 379–390, 2002.
  9. Sharp, J.S., Clark, J.K., Between the country and the concrete: Rediscovering the rural–urban–rural fringe, City & Community, 7 (1), 61–79, 2008.
  10. OECD. Redefining urban: a new way to measure metropolitan areas. https://www.oecd.org/regional/regional-policy/redefining-urban-9789264174108-en.html. Yayın tarihi Nisan 19, 2012. Erişim tarihi Aralık 5, 2023.
  11. Duranton, G., Growing through cities in developing countries, The World Bank Research Observer, 30 (1), 39-73, 2015.
  12. Imhoff, M.L., Zhang, P., Wolfe, R.E., Bounoua, L., Remote sensing of the urban heat island effect across biomes in the continental USA. Remote Sensing of Environment (Remote Sens. Environ.), 114, 504–513, 2010.
  13. Gao, Y., Feng, Z., Wang, Y., Liu, J., Li, S., Zhu, Y., Clustering urban multifunctional landscapes using the self–organizing feature map neural network model, Journal of Urban Planning and Development (J. Urban Plann. Dev.), 140 (2), 11, 2014.
  14. Dijkstra, L., Florczyk, A.J., Freire, S., Kemper, T., Pesaresi M., Schiavina, M., Applying the degree of urbanization to the globe: a new harmonized definition reveals a different picture of global urbanization, Journal of Urban Economics,125, 103312, 2021.
  15. Feng, Z., Peng, J., Wu, J., Using DMSP/OLS nighttime light data and K–means method to identify urban–rural fringe of megacities, Habitat International, 103 (95), 102227, 2020.
  16. Yu, J., Meng, Y., Zhou, S., Zeng, H., Li, M., Chen, Z.; Nie, Y., Research on spatial delineation method of urban-rural fringe combining POI and nighttime light data—taking Wuhan City as an example, International Journal of Environmental Research and Public Health (Int. J. Environ. Res. Public Health), 20 (5), 4395. 2023.
  17. Yenigül S.B., Metropoliten kent etkisindeki yerleşimlerin dönüşüm sürecinin çözümlenmesi: Ankara örneği, Doktora Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, 2009.
  18. Smet, Y.D., Montano Guzmán, l., Towards multicriteria clustering: An extension of the K-Means algorithm, European Journal of Operational Research (Eur. J. Oper. Res.), 158 (2), 390-398, 2004.
  19. Sanlı Ö., Kartal Z., Machine learning and mathematical programming based hybrid solution proposal for capacitated vehicle routing problem, Journal of the Faculty of Engineering and Architecture of Gazi University 39 (2), 741-755, 2024.
  20. Hatipoğlu A., Güneri, Y., Yılmaz E., A comparative predictive maintenance application based on machine and deep learning, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (2), 1037-1048, 2024.
  21. Chauhan, P., Shukla, M., A Review on Outlier Detection Techniques on Data Stream By Using Different Approaches of K-Means Algorithm. In 2015 International Conference on Advances in Computer Engineering and Applications, Ghaziabad-India, 580-585, Mach 19-10, 2015.
  22. Çınaroğlu S., Bulut H., New initialization approaches for the k-means and particle swarm optimization based clustering algorithms, Journal of the Faculty of Engineering and Architecture of Gazi University, 33 (2), 413-423, 2018.
  23. Sariman, G., Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: K-Means ve K-Medoids kümeleme algoritmalarının karşılaştırılması, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 15 (3), 192-202, 2011.
  24. Suwanda, R., Syahputra, Z., Zamzami, E.M., Analysis of euclidean distance and manhattan distance in the K-Means algorithm for variations number of centroid K, Journal of Physics: Conference Series (J. Phys. Conf. Ser.), 1566 (1), 012058, 2020.
  25. Birkalan, A.Ö., Tekeli, R., Determining Türkiye's Place Among Oecd Countries in Terms of Tax Wedge With The K-Means Method, XII. International Conference on Social Research and Behavioral Sciences, Antalya-Turkey, 260-270, November 12-13, 2022.
  26. Kılıç, G., Budak, İ., Organ, A., Using K-Means cluster analysis for assessment of environmental services of municipalities, Eskişehir Osmangazi University Journal of Economics and Administrative Sciences, 15 (1), 209-230, 2020.
  27. Jain, A. K., Murty, M. N., Flynn, P.J., Data clustering: a review, ACM computing surveys (ACM Comput. Surv.), 31 (3), 264-323, 1999.
  28. Likas, A., Vlassis, N., Verbeek, J.J., The global K-Means clustering algorithm, Pattern recognition (Pattern Recognit.), 36 (2), 451-461, 2003.
  29. Işık, M., Çamurcu, A.Y. K-means, k-Medoids ve bulanık C-Means algoritmalarının uygulamalı olarak performanslarının tespiti, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 6 (11), 31-45, 2007.
  30. T.C. Ankara Valiliği. Nüfus ve idari durum. http://www.ankara.gov.tr/nufus-ve-idari-durum. Yayın tarihi Mayıs 11, 2023. Erişim tarihi Aralık 12, 2023.
  31. Türkiye İstatistik Kurumu (TÜİK). Kent-kır nüfus istatistikleri, 2022. https://data.tuik.gov.tr/Bulten/Index?p=Kent-Kir-Nufus-Istatistikleri-2022-49755#:~:text=(1)%20Yo%C4%9Fun%20kent%2C%20n%C3%BCfusun,ya%C5%9Fad%C4%B1%C4%9F%C4%B1%20yerle%C5%9Fim%20yerlerini%20ifade%20etmektedir. Yayın tarihi Mayıs 11, 2023. Erişim tarihi Ocak 3, 2024.
  32. Keleş, R., Mengi, A., Kent Hukuku, İmge Kitapevi, Ankara, Türkiye, 2017.
  33. Duan, Y., Chen, S., Zhang, L., Wang, D., Liu, D., Hou, Q., Spatial distribution characteristic and type classification of rural settlements: a case study of Weibei Plain, China, Sustainability, 15, 8736, 2023.