Jeokonumsal Değişkenlerin Tahmini İçin Makine Öğrenimi ve Kriging Yöntemlerini Temel Alan Hibrit Bir Yöntemin Geliştirimesi
Üniversitemiz Mühendislik Mimarlık Fakültesi Maden Mühendisliği Bölümü öğretim üyelerinden Araş. Gör. Gamze Erdoğan Erten ve Prof. Dr. Mahmut Yavuz’ un yazarları arasında bulunduğu “Combination of Machine Learning and Kriging for Spatial Estimation of Geological Attributes” başlıklı makale Natural Resources Research dergisinde yayınlandı.
Jeoistatistik, jeokonumsal değişkenleri doğru bir şekilde tahmin etmek için günümüzde kullanılan en yaygın yöntemdir. Ancak etkin bir şekilde uygulanabilmesi için verilere ilişkin durağanlık, yani çalışma sahası boyunca verinin ortalama ve kovaryansının sabit olması, ve değişkenler arasındaki ilişkinin doğrusallığı gibi bazı varsayımlara ihtiyaç duyulmaktadır. Bu varsayımlar; veri Gauss olarak dağılmıyor, değişkenler doğrusal ilişki içermiyor ve karmaşık bir yapıya sahip ise kriging tahmin esnasında düşük performans göstermektedir. Son yıllarda, makine öğrenimi yöntemleri jeokonumsal verilerin tahmininde özellikle durağan olmayan, Gauss dağılmayan ve doğrusallık içermeyen karmaşık koşullarda tahmin için verimli çözümler sunabildiklerinden giderek popüler olmaya başlamıştır. Makine öğrenimi yöntemleri genel olarak verileri anlamayı ve ondan anlam çıkarmayı amaçlayan istatistik, yapay zekâ ve bilgisayar biliminin kesiştiği bir araştırma alanıdır ve krigingin ihtiyaç duyduğu jeokonumsal varsayımlara gerek duymamaktadır. Ancak makine öğrenimi yöntemleri, veriler arasındaki konumsal ilişkiyi dikkate almamakta ve verileri kendi konumlarında yeniden üretememektedirler. Bu sebeple, jeokonumsal verilerin tahmininde her bir yöntemin dezavantajlarını azaltmak ve özellikle karmaşık koşullarda daha doğru ve tutarlı tahminler elde etmek için kriging ve makine öğrenimi yöntemlerini birleştiren hibrit bir yönteme ihtiyaç duyulmaktadır.
Üniversitemiz Mühendislik Mimarlık Fakültesi Maden Mühendisliği Bölümü öğretim üyesi Araş. Gör. Gamze Erdoğan Erten ve Prof. Dr. Mahmut Yavuz’un da aralarında bulunduğu araştırma ekibinin Natural Resources Research dergisinde yayınlanan “Combination of Machine Learning and Kriging for Spatial Estimation of Geological Attributes” başlıklı makalesi daha doğru, tutarlı ve tarafsız jeokonumsal tahminler üretebilmek için makine öğrenimi ve kriging yöntemlerini bir araya getiren hibrit bir yöntemin geliştirilmesini göstermektedir.
Araş. Gör. Gamze Erdoğan Erten ve Prof. Dr. Mahmut Yavuz’un da aralarında bulunduğu araştırma ekibi jeokonumsal verilerin makine öğrenimi yöntemleriyle tahmin edilebilmesi için birden fazla makine öğrenimi yöntemini birleştiren süper öğrenici yönteminden yararlanmıştır. Süper öğrenci yöntemi farklı kapasite ve öğreme stratejisine sahip 9 farklı makine öğrenimi yöntemini incelenen eğitim veri setlerinde katkılarına göre ağırlıklandırıp, daha sonra bu yöntemleri bir meta öğrenici kullanarak birleştirmektedir. Makalede “Süper öğrenici esasen çapraz doğrulama temelli yöntemdir ve makine öğrenimi yöntemlerini hata fonksiyonunu en aza indirmeye çalışarak ve iyi performans gösteren yöntemlerin güçlü yanlarına odaklanarak birleştirmektedir” ifadesine yer verilmektedir. Süper öğrenici yöntemi her zaman onu oluşturan makine öğrenimi yöntemleri kadar veya çoğunlukla onlardan daha iyi tahmin performası göstermektedir.
Hibrit yöntemde, makine öğrenimi ve krigingden elde edilen tahmin sonuçları, kriging varyansına dayalı bir ağırlıklandırma fonksiyonu ile birleştirilmekte ve ağırlıklar sıralı ikinci dereceden programlama kullanılarak optimize edilmektedir. Geliştirilen hibrit yöntem araştırma ekibi tarafından durağan ve Gauss olmayan sentetik veri setleri ve gerçek bir veri seti üzerinde test edilmiştir. Performans kriteri olarak, tahmin haritaları değerlendirilmiş ve hata kareler ortalamasının karekökü, R-kare ve ortalama mutlak hata gibi çeşitli istatistik ölçüm araçları kullanılmıştır.
Araş. Gör. Gamze Erdoğan Erten ve Prof Dr. Mahmut Yavuz’un da aralarında bulunduğu araştırma ekibi yaptığı araştırmada, hibrit yöntemin, ele alınan tüm veri setlerinde hem kriging hem de makine öğrenimi yöntemlerinden elde edilenlere kıyasla tahmin sonuçlarını iyileştirdiğini göstermiştir. Makalede belirtildiği üzere hibrit yöntemdeki makine öğrenimi yöntemi durağan olmayan, Gauss olmayan ve karmaşık özellikleri tahmine alırken, kriging veriyi loksayonlarında yeniden üretmiş ve tahminlere yansızlık sağlayıp konumsal ilişkiyi ekleyebilmiştir.
Makaleye erişim için: https://link.springer.com/article/10.1007/s11053-021-10003-w
