Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.11851/3960
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorAcar, Aktar-
dc.contributor.authorKoç, Mustafa-
dc.date.accessioned2020-12-22T07:32:11Z
dc.date.available2020-12-22T07:32:11Z
dc.date.issued2020
dc.identifier.citationKoç, M. (2020). Investigation of urban climate and built environment relations by using machine learning. Ankara: TOBB ETÜ Fen Bilimleri Enstitüsü. [Yayınlanmamış yüksek lisans tezi]en_US
dc.identifier.urihttp://hdl.handle.net/20.500.11851/3960-
dc.description.abstractİklim değişikliği, bütün türlerin karmaşık bir etkileşim ağının öğesi olduğu doğada, tek organizma ölçeğinden ekosistem ölçeğine kadar bir etkiler zincirine sebep olabilir; bu nedenle her ölçekteki her etkinin değişimdeki rolü çok büyüktür. Bu ağların özellikleri, dünyadaki bütün ekosistemlerde belirleyici role sahiptir, bu nedenle iklim değişikliğinden nasıl etkileneceği ciddi araştırmalar sonucunda ortaya çıkacaktır. Kentsel alanlar, Dünya yüzeyinin küçük bir kısmını oluşturmasına rağmen iklim değişikliği üzerinde önemli etkiler yaratmaktadırlar ve bu etkilere karşın, kentleşmenin iklim ve ekosistemler üzerindeki etkileri yeterince çalışılmamıştır. Bu arada, kentleşme dünya genelinde artmaya devam etmektedir ve 2030'da nüfusun 2/3'ünün kentsel alanlarda yaşaması ve bu oranın zamanla artması beklenmektedir. Kentleşmeyi arttırmak, kentsel klimatolojiyi anlamayı ve gelecekteki senaryoları tahmin etmeyi iklim değişikliği konusunda önemli bir sorun haline getirmektedir. Günümüzde bu alandaki analitik araçların kullanımı artmış ve çok sayıda yazılım geliştirilmiştir. Bu yazılımları kullanmak, iklim değişikliğinin etkilerine göre kentsel alanlar oluşturmak için iklimi ve özellikleri hakkında kavrayışımızı geliştirecektir. Diğer yandan, gelişen teknoloji ile birlikte, model oluşturma ve simülasyon yapmada kullanılabilecek araçlar da artmakta ve gelişmektedir. Bu araçlardan biri, bilgisayardaki veri bilimlerinde otomatik olarak tanınmasıyla ilgilenen bilgisayar bilimi dalı olan makine öğrenmesi algoritmalarıdır. Makine öğrenmesi algoritmalarının kullanılmasının, iklimi anlama ve öngörmede büyük avantajlar sağlaması hedeflenmektedir. Büyük veriye dair hesaplama gücü ve doğrusal olmayan davranışları yakalama, yeni veriler geldiğinde öğrenme vb. özellikleri, makine öğrenmesini iklimin anlaşılması ve kentsel planlamanın geliştirilmesi için uygun bir araç haline getirecektir. Bu çalışmada açık kaynaklı bir makine öğrenmesi algoritması ele alınarak, iklim parametrelerinin geleceğe yönelik tahminlerini yapmak için modifiye edilmiştir. Bu anlamda, bu çalışmanın amacı, iklim tahmini yapmak için çalışan "recurrent neural network" algoritması elde ederek makine öğrenmesi algoritmalarının avantajlarını ve kullanılabilirliğini göstermek, bunun üzerinden makine öğreniminin tasarım elemanı olarak etkin bir şekilde kullanılması üzerine ve iklimin anlaşılması üzerine olası durumları tartışmaktadır.tr_TR
dc.description.abstractClimate change can cause a cascade of effects from the individual organisms to ecosystem-scale where in nature all species are elements of complex networks of interactions so every effect on every scale has great role. The properties of those networks are decisive on ecosystems all around the world so how they will be modified by climate change needs serious studies. Urban areas' vast population exert significant effects on the climate change even though they cover a small proportion of the Earth's surface, however, impacts of the urbanization on climate and ecosystems remain inadequately understood. In the meantime, urbanization continues to increase and in the 2030, 2/3 of the population is expected to be living in urban areas and this rate will increase in time. It is of importance to elaborate the studies investigating the relations between the urbanization and climate. In this respect, the use of information technologies with an extensive computational capacity is one of the cornerstones of the climate and urban studies. Machine learning algorithms is a branch of computer science that deals with automated recognition of patterns from data. The use of the machine learning algorithms can bring great advantages to both understanding and predicting the climate. The computational power with big data and ability to capture nonlinear behavior, learn as new data arrive, etc. make the machine learning favorable tool for understanding climate and developing urban planning. In this sense, purpose of this study is showing the advantages of machine learning algorithms by achieving working recurrent neural network algorithm to make climate predictions, and through this achievement, stating possible effects of machine learning on design and its contribution to understanding the climate.en_US
dc.language.isoenen_US
dc.publisherTOBB ETÜ Fen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectArchitectureen_US
dc.subjectClimateen_US
dc.subjectUrban Designen_US
dc.subjectClimate Changeen_US
dc.subjectMachine Learningen_US
dc.subjectMimarlıktr_TR
dc.subjectİklimtr_TR
dc.subjectKentsel Tasarımtr_TR
dc.subjectİklim Değişikliğitr_TR
dc.subjectMakine Öğrenmesitr_TR
dc.titleInvestigation of urban climate and built environment relations by using machine learningen_US
dc.title.alternativeKentsel iklim ve yapılı çevre ilişkilerinin makine öğrenimi ile incelenmesien_US
dc.typeMaster Thesisen_US
dc.departmentInstitutes, Graduate School of Engineering and Science, Architecture Graduate Programsen_US
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Mimarlık Ana Bilim Dalıtr_TR
dc.relation.publicationcategoryTezen_US
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextopen-
item.fulltextWith Fulltext-
item.openairetypeMaster Thesis-
item.cerifentitytypePublications-
item.languageiso639-1en-
Appears in Collections:Mimarlık Yüksek Lisans Tezleri / Architecture Master Theses
Files in This Item:
File Description SizeFormat 
641336 (1).pdfMustafa Koç_Tez7.05 MBAdobe PDFThumbnail
View/Open
Show simple item record



CORE Recommender

Page view(s)

272
checked on Mar 25, 2024

Download(s)

32
checked on Mar 25, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.