Hava kali̇tesi̇ ve ki̇rli̇li̇k sınıflandırması i̇çi̇n bi̇rleşi̇k bi̇r yöntem

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: İngilizce

Öğrenci: NISREEN MOHAMMED MAHMOOD

Danışman: FATMA ÖZGE ÖZKÖK

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışma, dengesiz bir hava kirliliği görüntü veri seti kullanılarak çok sınıflı sınıflandırma için geleneksel makine öğrenmesi, derin öğrenme ve optimizasyon tabanlı stacking modellerini değerlendirmektedir. Random Forest, XGBoost, LightGBM, SVC, ANN, DNN, CNN ve GA, ABC, PSO ve GWO ile optimize edilmiş stacking topluluk modelleri dahil olmak üzere birçok algoritma, artırma (augmentation) uygulanmadan ve artırma uygulanarak olmak üzere iki farklı koşul altında test edilmiştir.Birinci veri seti için, sınıf dengelemenin performansı önemli ölçüde artırdığı ve aşırı uyumu (overfitting) azalttığı görülmüştür. PSO, GA ve ABC ile optimize edilen stacking modelleri %95'in üzerinde doğruluk elde ederken, ANN, DNN ve CNN modelleri %97'nin üzerinde doğruluk değerlerine ve neredeyse mükemmel ROC–AUC sonuçlarına ulaşmıştır. Linear Regression modeli ise %98.54 doğruluk ile en yüksek başarıyı göstermiştir. Önerilen artırılmış çerçeve, Hindistan ve Nepal Hava Kirliliği Görüntü Veri Seti için raporlanan önceki kıyaslama sonuçlarını da aşmıştır.İkinci veri setinde ise, veri setinin küçük olması nedeniyle artırma işlemi kritik bir gereklilik olarak belirlenmiştir. Artırma öncesinde, SMOTE ile birlikte kullanılan GWO tabanlı stacking modeli en iyi sonucu vermiş ve %64.52 doğruluk ile 0.7937 ROC–AUC değerine ulaşmıştır. Ancak artırma sonrasında derin öğrenme modelleri en iyi performansı göstermiş; %98.54 doğruluk, %98.55 F1-skoru ve 0.9996 ROC–AUC değeri elde edilmiştir. Genel olarak sonuçlar, artırma yönteminin derin öğrenme ve optimizasyon tabanlı stacking yaklaşımlarıyla birleştirilmesinin, özellikle ciddi sınıf dengesizliği bulunan durumlarda hava kirliliği görüntülerinin sınıflandırılması için güçlü bir çözüm sunduğunu ortaya koymaktadır.