Bayata, Halim Ferit; Mazlum, Yunus Emre; Bas, Fatih Irfan; Çolak, Muhammed Ali

The twin earthquakes in Kahramanmara & scedil; in 2023 revealed the necessity of disaster coordination and pre-disaster situation analysis. To cope with such disasters and prevent possible losses, a comprehensive preparation process is required, such as evaluating a city's building stock in terms of earthquake risks and assessing the adequacy of the transportation network, emergency gathering points, and temporary shelter areas. This study selected Erzincan province, which has been destroyed by many major earthquakes, as the study area. It aimed to create risk maps by determining earthquake-risk buildings using rapid visual screening methods based on Geographic Information Systems (GIS), conducting building performance evaluations, and choosing safe transportation routes in case of a possible disaster. A total of 3,199 reinforced concrete and masonry buildings with two or more stories in the city center of Erzincan, constructed before 2000, were identified. In a possible earthquake, transportation infrastructure was analyzed, and maps of traffic density, emergency gathering, and temporary shelter areas were created. The analyses showed that the capacity of emergency gathering, and temporary shelter areas needed to be increased. In the scenarios of increased traffic density, it has been determined that the existing roads in all ten neighborhoods are unsuitable for disaster-emergency situations.

Konakoglu, Berkant; Akar, Alper

Turkish National Permanent GNSS Network-Active ( TNPGN-Active) Project serves their users with a total of 158 permanent stations, including the Turkish Republic of Northern Cyprus and Turkey. The movements caused by earthquakes can be determined effectively with this GNSS network. It was thought that the earthquakes, occurred on the Eastern Anatolian Fault Zone (DAFZ) on April 04, 2019 (5.2 MW), December 27, 2019 (4.8 MW) and January 24, 2020 (6.5 MW), affected TNPGN-Active stations located in neighbouring provinces close to this fault zone. In this context, a local GNSS network (ADY1, ARPK, BING, DIYB, ELAZ, ERGN, MALY, SIV1 and TNCE) were created from existing TNPGN-Active points and the movements of the stations in the network are periodically examined. theta(2) Criteria and IWST (Iterative Weighted Similarity Transformation), which were geodetic static deformation models, were used to determine movement amounts and directions. As a result of the evaluation, it was determined that both methods gave similar results. The largest movement was determined at the ELAZ station between the periods of January 03, 2019 and January 25, 2020 in the horizontal direction about 5.5 cm (southwest) and in the vertical direction about 3 cm (up). It was also determined that other TNPGN-Active stations were affected by the earthquake of 6.5 MW in particular on January 24, 2020 and there were movements in these stations up to 1-2 cm in horizontal direction.

Akar, Özlem; Görmüş, Esra Tunç

Çalışmada spektral özellikleri birbirine yakın arazi sınıflarını birbirinden ayırarak, Göktürk-2 uydugörüntülerinden daha doğru bir arazi kullanım haritasının üretilmesi amaçlanmıştır. Bunun için Hyperion EO1hiperspektral uydu görüntüsünün, yüksek spektral çözünürlüğünden yararlanılmıştır. Çalışma alanı olarakspektral özellikleri birbirine yakın arazi sınıflarına sahip olan Trabzon Akçaabat ilçesinin Büyükoba yaylasıseçilmiştir. Çalışmada Göktürk-2 Multispektral (GMS), Göktürk-2 Pankromatik (GPAN) ve Hyperion EO-1hiperspektral uydu görüntüleri kullanılmıştır. Öncelikle Hyperion EO-1 hiperspektral uydu görüntüsü içinatmosferik ve radyometrik düzeltmeler yapılmış, bozuk ve kullanılmayan bantların temizlenmesi için bantindirgeme işlemleri uygulanmıştır. Bant indirgeme işlemi için dalgacık tabanlı Ampirik Kip Ayrıştırma (AKA)yöntemi kullanılmıştır. Sonrasında tüm görüntüler rektifiye edilerek aynı koordinat sisteminde olmasısağlanmıştır. Görüntüler ön işlemden geçirildikten sonra GPAN, GMS ve indirgenmiş Hyperion EO- 1(DHYP) görüntüleri ile Gram Schmidt (GS) ve Principle Component (PC) gibi görüntü kaynaştırmayöntemleri kullanılarak kaynaştırılmıştır. Kaynaştırma yöntemleriyle elde edilen kaynaştırılmış görüntülerüzerinden sınıflandırmada kullanılacak arazi kullanım sınıfları belirlenmiştir. Bu görüntüler yükseksınıflandırma doğruluğu veren Rastgele Orman (RO) ve Destek Vektör Makineleri (DVM) yöntemleriylesınıflandırılmıştır. Her bir sınıflandırma sonucu için doğruluk analizleri yapılmış ve elde edilen doğruluklarkarşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunun, PCkaynaştırma yöntemine göre kaynaştırılmış ve RO sınıflandırıcısı ile sınıflandırılmış görüntülerden eldeedildiği gözlenmiştir. PC ile kaynaştırılmış GPAN ve GMS görüntüsü ile GPAN ve DHYP' nin kaynaştırılmışgörüntüsünün RO ile sınıflandırılması sonucu genel sınıflandırma doğrulukları sırasıyla %72.13 ve %83.06olarak elde edilmiştir. Bu sonuçlara göre sınıflandırma doğruluğu % 11 oranında artırılmıştır. Son olarak enyüksek sınıflandırma doğruluğuna sahip olan tematik görüntü kullanılarak arazi kullanım haritası üretilmiştir.

Akar, Özlem; Görmüş, Esra Tunç

Çalışmada yaygın olarak kullanılan farklı boyut indirgeme yöntemlerinin performanslarının HeadwallHyperspec VNIR Kamerası ile elde edilen hiperspektral hava fotoğrafı için analizi amaçlanmıştır. Bunun içinHarita Genel Müdürlüğü tarafından, BHİKPK-Bilimsel Araştırma ve Koordinasyon Komisyonunca (BARKOK)2017 yılında Bergama bölgesinde 2100 metre ortalama yükseklikten Headwall Hyperspec VNIR kamerası ileelde edilen hiperspektral hava fotoğrafı kullanılmıştır. Çalışma alanı olarak, çekimin gerçekleştiği Bergamabölgesinde kentsel ve kırsal arazi kullanım sınıflarını barındıran pilot bir bölge seçilmiştir. Çalışmada öncelikliolarak hiperspektral hava fotoğrafına atmosferik ve radyometrik düzeltmeler yapılmıştır. Ardından bozuk vekullanılmayan bantların temizlenmesi için yaygın olarak kullanılan Temel Bileşen Analizi (PCA), AyrıkDalgacık Dönüşümü (DWT), Faktör Analizi (FACTORNAL), Çok Boyutlu Ölçekleme yöntemi (MDS –Multidimensional Scaling) ve En Fazla Daralan Metrik Öğrenme (MCML-Maximally Collapsing MetricLearning) gibi 5 farklı yöntemle bant indirgeme işlemi uygulanmıştır. Sonrasında tüm görüntülerin geometrikdüzeltmeleri yapılarak aynı koordinat sisteminde olması sağlanmıştır. Görüntüler ön işlemden geçirildiktensonra indirgeme yöntemlerinin performanslarının analizi için yaygın olarak kullanılan ve yüksek sınıflandırmadoğruluğu sağlayan makine öğrenme yöntemlerinden Destek Vektör Makineleri (DVM) ve Rastgele Orman(RO) sınıflandırıcıları kullanılmıştır. Sınıflandırma işlemi sonucunda elde edilen tematik görüntüler içindoğruluk analizleri yapılmış ve elde edilen doğruluklar karşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde,en yüksek sınıflandırma doğruluğunu % 91.67 (RO) doğrulukla DWT boyut indirgeme yönteminin sağlandığıgözlemlenmiştir. Genel olarak bakıldığında RO ile elde edilen sonuçlarda genel sınıflandırma doğruluklarıyüksekten düşüğe sırasıyla DWT, MCML, MDS, FACTORNAL ve PCA olarak elde edilmiştir. DVMsonuçlarına göre bu sıranın ise DWT, MCML, MDS, PCA ve FACTORNAL olduğu gözlenmiştir. Buna göreher iki sınıflandırma yönteminde de en yüksek doğruluğu DWT' nin, en düşük sınıflandırma doğruluğunu daFACTORNAL ve PCA yöntemlerinin verdiği görülmüştür. Çalışma sonucu göstermektedir ki, bu hiperspektralhava fotoğrafı için denenen yöntemler arasında en uygun boyut indirgeme yöntemi DWT 'dir.