1 of 51

2 of 51

  • Brezilya’lı artist Mundano’nun orman yangın küllerinden yapmış olduğu eser.

3 of 51

  • 2024-2025 yıllarında küresel sıcaklık +1.2 dereceye çıkacak meteorolojik doğal afetlerin sıklığı daha da artabilir.

Dünya Sıcaklık Sapmaları (World Temperature Deviations)

4 of 51

1997-2017 Çıkış Nedenlerine Göre Yangın Sayıları (Number Of Fires Exit Causes)

  • Orman yangınlarının % 89’u ihmal , kazadır ve kasıttır

5 of 51

2020 yılında 20.971 hektar orman alanı yanmıştır.

En yüksek yanan alan miktarı 1994 yılında 30.828’dir

30 yıllık ortalamamız ise 10.695’dir.

​

1990-2020 Orman Yangınlarında Yanan Alan Miktarı(Amount Of Area Burned İn Forest Fires)

​

6 of 51

Türkiye'de orman yangını sayısı giderek artmaktadır. Buna karşılık yıllık yanan orman alanı miktarı son 25 yıldır (2000, 2008 ve 2020 hariç) 12 bin ha'ın altında kalmıştır. 1937-2020 yılları arasında 114.494 yangında toplam 1,7 milyon ha orman alanı yanmıştır.

1937-2019 Orman Yangın Sayısı(Number Of Forest Fire)

7 of 51

İllere Göre Orman Yangınlarının Dağılımı, 2020(Distribution Of Forest Fires by Province)�

8 of 51

Türkiye’nin toplam orman kaplı alanı ise yüzde 30 olarak görülürken, bu oranın Avrupa Birliği ülkelerinde ortalama yüzde 43 olduğu görülmüştür.

Küresel Orman Kaynakları Değerlendirmesi (FRA) 2020 Raporu'na göre Türkiye orman alanları bakımından dünyada 7. sırada. İlk sırada  815 milyon hektarla Rusya Federasyonu var. İkinci sırada Brezilya 496 milyon hektar ormanlık alana sahip. Sonra sırasıyla Kanada 346 milyon hektar, Amerika Birleşik Devletleri ABD 309 milyon hektar, Çin 219 milyon hektar, Avusturya 134 milyon hektar ve Türkiye 22.2 milyon hektar.

9 of 51

Küresel ısınma sürdükçe orman yangınları artacak!

10 of 51

Veri Seti Hakkında(About The Dataset)

  • 163 yıl boyunca (1850-2013 yılları arasında) 239177 gözlem içeren 49 ülkeye ait gözlem değerleri Kaggle havuzundan seçilmiştir. Veri setinde Tarih, ortalama sıcaklık, ortalama sıcaklık belirsizliği, şehir, ülke, enlem ve boylam bilgisi yer almaktadır.
  • İlk veriler ziyaret süresindeki herhangi bir değişikliğin ölçümleri etkilediği cıva termometreleri kullanılan teknisyenler tarafından toplandı . 1940’larda havaalanlarının inşasası birçok meteoroloji istasyonun taşınmasına neden oldu. 1980 yıllarda ise elektronik termometreye geçiş oldu.
  • Berkeley Earth yüzey sıcaklığı çalışması önceden var olan 16 arşivden alınan, 1,6 milyar sıcaklık raporu birleştirilmiştir.
  • Veri setlerinde alıntı yapılan arşivler NOAA, MLOST, NASA, GISTEMP ve İngiltere HadCrut’dur
  • Veri setinde güncelleme en son 5 yıl önce yapılmıştır.

https://www.kaggle.com/berkeleyearth/climate-change-earth-surface-temperature-data

​

​

ClimateCgange:Earth Surface Temperature Data(İklim Değişikliği: Dünya Yüzey Sıcaklığı Verileri)

11 of 51

Veri Tipleri (Data Types) Ve Betimsel İstatatistik Değerleri (Descriptive Statistics Values )�

  • Veri Tipleri(Data Types)
  • Betimsel İstatatistik(Desciptive Statistics Values)

12 of 51

Kayıp Değerler (Missing Values)

13 of 51

Keşfedici Veri Analizi (Exploratory Data Analysis)

  • Sağdaki grafikte ülkelerin veri setindeki frekans bilgileri yer almaktadır. Kırmızı çizgimiz ortalamadır ve ortalamayı geçen ülkeler tespit edilmiştir.
  • Soldaki grafikte ülkelere ait şehir adet bilgileri yer almaktadır. Kırmızı çizgimiz ortalama değerdir

14 of 51

Küresel Ortalama Sıcaklık(Global Average Temprature)

  • Dünya ortalamasında ortalama sıcaklık 19 derece olarak görülmüştür.
  • Ortalama üstünde olan ülke ve şehir bilgilerinin ilk 20 ülke grafikte yer almaktadır.

15 of 51

Dünya İklim Değişikliği Zaman Seri Analizi (Time Series Analysis Using Climate Change)�

16 of 51

Dünya Ortalama Mevsimsel Sıcaklık Zaman Serisi Analizi (Avg.temperature in each season)

17 of 51

Now , let's study the climate of my country , Turkey.

18 of 51

Türkiye'nin Sıcaklık Eğilimi (Temperature Trend of Turkey)

19 of 51

Türkiye'nin Sıcaklık Dağılım Grafiği(Turkey's Temperature Distribution Chart)�

  • Dağılım sola çarpıktır ve sivridir.
  • Sıcaklık derecemiz ortalama üstünde dağılım gösterdiği görülmektedir.

​

20 of 51

Türkiye Mevsim Ortalama Sıcaklık(Turkey Average temperature in each season)

21 of 51

Türkiye'de Aylık Ortalama Sıcaklık (Average Temperature per Month in Turkey)

22 of 51

İstanbul Sıcaklık Trendi(Istanbul Temperature Trend)

23 of 51

İstanbul Mevsim Ortalama Sıcaklık(Istanbul Average Temperature In Each Season)

24 of 51

İstanbul'da Aylık Ortalama Sıcaklık(Average Temprature per Month in Istanbul)

25 of 51

Ankara Sıcaklık Trendi (Ankara Temperature Trend)

26 of 51

Ankara Mevsimsel Ortalama Sıcaklık (Ankara Average temperature in each season)

​

27 of 51

Ankara Aylık Ortalama Sıcaklık (Average Temperature Per Month In Ankara)

28 of 51

İzmir Sıcaklık Trendi(Izmır Temperature Trend)

29 of 51

İzmir Mevsimsel Sıcaklık Trendi(Izmir Average Temperature In Each Season)

30 of 51

İzmir Aylık Ortalama Sıcaklık(Average Temperature Per Month In Izmir)

31 of 51

İstanbul-Ankara-İzmir Karşılaştırmalı Sıcaklık Verisi(comparative temperature data)

32 of 51

Zaman Seri Tahminleme(Time Series Forecasting)

  • Facebook Prophet Model with Python kütüphanesi kullanımı yapılarak Türkiye sıcaklık değerleri tahminleme yapılmıştır.
  • Prophet, Facebook tarafından yayınlanan, ayrıştırılabilir (trend+mevsimlik+tatil) modellere dayanan açık kaynak kodlu bir kütüphanedir . Basit sezgisel parametreleri kullanarak iyi bir doğrulukla zaman serisi tahminleri yapmamızı sağlar ve özel mevsimsellik ve tatillerin etkisini dahil etme desteğine sahiptir!

​

33 of 51

Türkiye Sıcaklık Tahminleme(TemperaTure Forecasting)

34 of 51

Türkiye Sıcaklık Tahminleme(Temperature Forecasting)

35 of 51

Türkiye Sıcaklık Tahminleme(Turkey Heat Forecasting)

36 of 51

Orman yangınlarının tahmini ve modellemesinin, makine öğrenmesi ile yapılması

​

37 of 51

  • P. Cortez ve A. Morais. Meteorolojik Verileri Kullanarak Orman Yangınlarını Tahmin Etmek İçin Bir Veri Madenciliği Yaklaşımı. 13. EPIA 2007- Portekiz Yapay Zeka Konferansı Bildirilerimde Aralık, 2007 ‘de kullanılmıştır. UCI havuzundan halka açık olan bir seti kullanılmıştır
  • Veri setinde örneklem sayısı 517’dir. Nitelik sayısı 13’dir.
  • Bu veri setinde, mekânsal bilgi (X,Y), Zamansal Bilgi(month, day)

FWI(orman yangın hava durum endeksi), Meteorolojik (temp, wind, RH, wind, rain)

https://archive.ics.uci.edu/ml/datasets/forest+fires

​

​

​

​

Forest Fires Data Set-Orman Yangınları Veri Seti

Veri Seti Hakkında(About The Dataset)

38 of 51

Veri Tipleri (Data Types) Ve Betimsel İstatatistik Değerleri (Descriptive Statistics Values )�

  • Veri Tipleri(Data Types)
  • Betimsel İstatatistik(Desciptive Statistics Values)

39 of 51

Kayıp Değerler (Missing Values)

40 of 51

Aykırı Değer(Anomalous Values)�

41 of 51

Keşfedici Veri Analizi (Exploratory Data Analysis)

42 of 51

Keşfedici Veri Analizi (Exploratory Data Analysis)

43 of 51

Korelasyon Matrisi(correlation matrix)

44 of 51

MODEL SEÇİMİ(MODEL SELECTION)

  • Bu bölümde 5 tane sınıflandırma algoritması incelenmiştir lakin performansa göre en iyisini seçeceğiz.

​

Model Seçimi:

  1. Logistic Regrosyon
  2. SVMs(Support vector machines )
  3. Decision Tree(Karar Agacı )
  4. Gaussian Naive Bayes
  5. K-Nearest (K-En Yakın Komşu Algoritması )

​

​

​

45 of 51

1-Lojistik Regresyon(Logistic Regression)�

  • Amaç sınıflandırma problemi için bağımlı ve bağımsız değişkenler arasındaki ilişkiyi tanımlayan doğrusal bir model kurmaktır. Doğrusal regrosyon aranan varsayımlar burada aranmadığı için daha esnektir.
  • Precision ve recall skorların ortalamasını alarak denge skoru üretir.
  • F1 skoru bir testin doğruluğunun ölçümüdür. Kesinlik ve duyarlılığın harmonik ortalamasıdır. Maksimum 1 minimum 0 değerine sahip olur. Genel olarak modelimizin sağlamlığının bir ölçüsüdür.

46 of 51

2- K-En Yakın Komşu Algoritması (K-Nearest )�

  • KNN algoritması sınıflandırılmak istenen bir veriyi daha önceki verilerle olan yakınlık ilişkisine göre sınıflandıran bir algoritmadır.

​

47 of 51

3-SVMs(Support vector machines)�

  • Destek vektör makinesi, eğitim verilerindeki herhangi bir noktadan en uzak olan iki sınıf arasında bir karar sınırı bulan vektör uzayı tabanlı makine öğrenme yöntemi olarak tanımlanabilir

48 of 51

4-Gaussian Naive Bayes��

  • Naïve Bayes sınıflandırıcı, örüntü tanıma problemine ilk bakışta oldukça kısıtlayıcı görülen bir önerme ile kullanılabilen olasılıksal bir yaklaşımdır.

49 of 51

5- Karar Ağacı(Decision Tree )�

  • Karar ağaçları – sınıflama, özellik ve hedefe göre karar düğümleri (decision nodes) ve yaprak düğümlerinden (leaf nodes) oluşan ağaç yapısı formunda bir model oluşturan bir sınıflandırma yöntemidir

50 of 51

Model Karşılaştırma(Model Comparison)�

  • Modellerin ‘Accuracy’ skorları (doğrulluk ) kıyaslanmıştır. Modelimize en uygun model tercih edilecektir.
  • En başarılı modelimiz SVMs(Support vector machines ) ‘dir.

​

51 of 51