Yakın kıyı batimetri tahmini için ileri istatistiksel, gradyan arttırma ve sayısal model entegrasyonu

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Recep Tayyip Erdoğan Üniversitesi, Fen Bilimleri Enstitüsü, İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: HASAN OĞULCAN MARANGOZ

Danışman: Veli Süme

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Kıyı bölgelerinin özellikle nearshore (yakın kıyı) tabakası çeşitli doğal ve/veya yapay müdahalelerde sık sık değişime uğramaktadır. Bu değişimlerin yakalanabilmesi; kıyı dinamiğinin anlaşılabilmesi ve olumsuz etkilere karşı erken önlem alınabilme potansiyelinin sağlanabilmesi için kritik öneme sahiptir. Çok sığ derinlikler haricinde deniz tabanı ile ilgili görsel muhakeme yapabilmek güç olduğundan dalga dinamiğinin etkilerinin gözlenebilmesi için batimetrik ölçümlere ihtiyaç duyulmaktadır. Ancak bu ölçümler hem zahmetli hem de yüksek maliyetli olmaları nedeniyle sürdürülebilir anlamda verimsizdirler. Bu çalışma kapsamında gelecek zamanlı batimetrik haritaların arazi ölçümleri ile elde edilmesine gerek kalmadan matematik ve sayısal çözümleme teknikleri ile tahmin edilebilmesi amacıyla Doğu Karadeniz Bölgesi, Rize ili özelinde çeşitli araştırmalar yürütülmüştür. Çalışma bölgesinde, geçmiş yıllara ait batimetrik ölçümlerden yararlanılarak istatistiksel tahmin modelleri geliştirilmiş ve gelecekteki deniz tabanı değişimleri öngörülmüştür. Bu kapsamda, lineer regresyon (LR) ve polinomal regresyon (PR) gibi regresyon tabanlı istatistiksel yaklaşımlar ile zaman serisi modeli olan ARIMA kullanılmış; ayrıca Gradient Boosting algoritmaları (XGBoost, LightGBM, CatBoost, GBRT) gibi makine öğrenmesi (Machine Learning, ML) yöntemleri uygulanmıştır. Modeller, rüzgâr-dalga enerjisinin modele dahil edildiği ve edilmediği durumlar için karşılaştırmalı olarak değerlendirilerek, dalga enerjisinin deniz tabanı değişimleri üzerindeki etkisi analiz edilmiştir. Sonuçlar, makine öğrenmesi yöntemlerinin, klasik istatistiksel yaklaşımlara kıyasla daha yüksek doğrulukla batimetrik değişimleri öngörebildiğini göstermiştir. Regresyon ve zaman serisi tabanlı yöntemler içerisinde ise lineer regresyon modeli MAE = 0.342 m, RMSE = 0.754 m ve R² = 0.998 değerleriyle en düşük hata oranlarını sağlamıştır. Rüzgâr etkisinin dikkate alındığı CatBoost modeli ise MAE = 0.376 m, RMSE = 0.570 m ve R² = 0.99898 ile tüm modeller arasında en iyi performansı sağlamıştır. Bu nedenle uzun süreli batimetrik harita tahmininde bu model kullanılmıştır. Naif RMSE değeri bu modelde 1.2 metre olarak elde edilmiştir. Rüzgâr etkisinin dikkate alınmadığı XGBoost_NW modelinde ise tüm ML yöntemleri içerisinde en düşük doğruluk ve performans elde edilmiştir.