Bu çalışma kapsamında meydana gelebilecek olası bir sel olayının gerçekleşebileceği yerin önceden tahmini ve tespiti için makine öğrenmesi yöntemleri kullanılarak coğrafi bilgi sistemleri (CBS) tabanlı bir sel duyarlılık haritalama modeli oluşturulması amaçlanmıştır. Çalışma kapsamında incelen bölge olarak ise Türkiye’nin metropol kenti olan İstanbul ili seçilmiştir. Literatürden elde edilen sel envanteriyle oluşturulan örneklem kümesi önce sel olmayan noktaların rastgele oluşturulması ile genişletilmiş olup, ardından sınıf dengesizliği rastgele alt örnekleme (RUS) tekniği ile giderilmiştir. Bu yaklaşım Türkiye’ de gerçekleştirilen sel duyarlılık haritalamaları çalışmaları için ilk kez uygulanmıştır. Rastgele orman (RF), stokastik gradyan artırma (SGB) ve XGBoost algoritmaları olmak üzere üç farklı makine öğrenmesi algoritmasının performans karşılaştırmaları gerçekleştirilmiştir. En yüksek model performansının XGBoost ile elde edildiği, bu metodu ise sırasıyla SGB ve RF’nin takip ettiği sonucuna ulaşılmıştır. Ayrıca, RF ve SGB modellerinin sel olmayan noktaların neredeyse tamamını doğru olarak bulduğu, sel olan noktalarda ise %90.67’lik bir başarı sergilediği görülmüştür. Fakat, çalışmanın esas amacını kapsayan sel gerçekleşen noktaların belirlenmesinde XGBoost modeli %92.00’lik bir başarı ile diğer iki metoda üstünlük sergilediği tespit edilmiştir. Sel olayını etkileyen parametreler incelendiğinde ise İstanbul için seli en önemli parametrenin yağış olduğu sonucuna ulaşılmış olup, yağışı sırasıyla drenaj ağına uzaklık ve eğri numarası takip etmiştir. Sonuç olarak çalışma kapsamında İstanbul’da gerçekleştirilen sel duyarlılık haritalamaları çalışmaları için ilk kez uygulanan bu çerçevenin kullanımının sayısı ve etkileri giderek artırılarak sel olaylarına karşı daha yaygın alanlara uygulanması gelecek vadedici bir yaklaşım olacaktır.
The main objective of the current study is to generate a flood hazard map by using the machine learning algorithms hybridized with the geographic information systems (GIS). In this regard, the province of Istanbul, which is the metropolitan city of Turkey, was selected as the focal region within the scope of the study. The class imbalance was tackled through the commonly used random under sampling (RUS) technique in order to create a fair comparison datum line. It is worth mentioning that this is the first time this approach has been used for flood hazard mapping studies in Turkey. Random forest (RF), stochastic gradient boosting (SGB), and XGBoost algorithms were used. The best predictive performance was obtained with the XGBoost algorithm, followed by SGB and RF, respectively. The RF and SGB models showed a 90.67% success rate in determining the inundation points, while the XGBoost model outperformed its counterparts with a 92.00% success rate in determining the inundation points. In this research, the importance levels of the flood triggering variables were further investigated in order to enliven the comprehensibility of the obtained results. Thus, the most important variable was the precipitation, followed by the distance to the drainage network and the number of curves, respectively. Finally, it is suggested that flood vulnerability mapping attempts can be considered as promising approaches against increasing flood incidents over the years.
