Data mining and machine learning in environmental informatics

Çevresel enformatik, günümüzde, veri işleme ve analizi için veri madenciliği ve makine öğrenimi tekniklerinin sıklıkla kullanıldığı alanlardan biridir. Bu tezde, farklı konulardaki çevresel verileri içeren birkaç vaka çalışması, veri madenciliği ve makine öğrenmesi kapsamında farklı görevlerde (sınıflandırma, regresyon, kümeleme, birliktelik kuralı madenciliği, zaman serileri) incelenmiştir. Hava kalitesi izleme istasyonlarından elde edilen veriler ve meteorolojik veriler incelenerek belirli bir hava kalitesi izleme istasyonunun hangi istasyon tipine (endüstriyel, kırsal veya kentsel) ait olduğunun belirlenmesi, istasyonların benzerliklerine göre en doğru şekilde kümeleme uygulamasının yapılması deneysel çalışmaların belirli bir kısmını oluşturmaktadır. Ayrıca, hava kirletici maddeler ve meteorolojik faktörler arasındaki ilişkiler birliktelik analizi kapsamında detaylı bir şekilde incelenerek ilişki kuralları çıkarılmıştır. Diğer yandan, çeşitli derinliklerde toprak sıcaklığı tahmini için regresyon ve zaman serisi analizleri yapılmıştır. Hava ve toprak kaynaklı problemleri çözmek için önerilen yöntemler şu şekildedir: (i) yeni bir topluluk öğrenmesi yöntemi olan Geliştirilmiş Torbalama (eBagging), (ii) yarı denetimli yeni bir yöntem olan Kendi Kendine Eğitim Yoluyla Toprak Sıcaklığı Tahmini (STST), (iii) birden fazla görevi birlikte ele almak için önerilen Çoğunluk Oylamasına Dayalı Çok Görevli Kümeleme (MV-MTC), (iv) yeni bir ağırlıklı birliktelik kuralı madenciliği türü olan WARM ve (v) yeni bir toprak yönetim uygulaması olan Çok Görünümlü Çok Derinlikli Toprak Sıcaklığı Tahmini (MV-MD-STP)'dir. Deneysel sonuçlara bakıldığında, önerilen yeni yöntemlerin karşılaştırıldıkları son teknoloji yöntemlerden daha iyi performans gösterdiği ve çevre sorunlarına etkili çözümler sunduğu açıktır.