Düşük hesaplama maliyetine sahip miyopik olmayan adaptif örnekleme ve çevresel izleme için Monte Carlo arama ağacı ve dallanma sınırlama yöntemlerinin uygulanması

Çevresel izleme, doğal kaynakların sürdürülebilir kullanımı ve ekosistem sağlığının korunması açısından son derece önemlidir. Bu tez çalışmasında, su parametrelerinin gerçek zamanlı izlenmesi için Gauss süreçleri (GP) yöntemi kullanılarak gerçekleştirilen çalışmalar incelenmiştir. Tez, dört farklı aşamada ele alınmıştır. Birinci aşamada, eğitim verilerinin konumlarının, GP algoritmasının tahmin performansı üzerinde kritik bir rol oynadığı belirlenmiş ve sınırlı bir bütçeyle tüm alandan örnek toplamak için yeni bir güzergah planlama algoritması geliştirilmiştir. Bu algoritma, 10 farklı veri kümesinde test edilmiş ve literatürde mevcut diğer yaklaşımlarla karşılaştırıldığında üstün performans sergilediği görülmüştür. İkinci aşamada, yaygın olarak kullanılan ödül fonksiyonları (Entropi, UCB ve Seviye Belirleme) kullanılarak İlgi Alanı (ROI) bölgeleri tespit edilmiştir. Bu fonksiyonların keşif ve sömürü dengelerindeki başarıları değerlendirilmiştir. Entropi ödül fonksiyonunun, karmaşık olmayan veri setlerinde belirsizliği en aza indirerek ROI alanlarını daha hızlı keşfettiği belirlenmiştir. Seviye Belirleme ödül fonksiyonunun ise kompleks veri setlerinde daha başarılı sonuçlar verdiği görülmüştür. UCB ödül fonksiyonunun, yüksek belirsizlik içeren haritalarda daha başarılı olduğu ancak düşük belirsizlik durumlarında yerel maksimumlara takılma riskinin bulunduğu tespit edilmiştir. Üçüncü aşamada, gezgin satıcı problemini çözmek amacıyla Monte Carlo arama ağacı (MCTS) ve Dallan ve Sınırla Tekniği (BnB) bir araya getirilmiştir. BnB algoritmasında alt sınır, MCTS algoritması kullanılarak belirlenmiş, bu sayede optimal rota belirleme süresi önemli ölçüde kısaltılmıştır. Algoritma, gerçek bir veri seti üzerinde test edilmiş ve MCTS ile yorucu arama ve adaptif örnekleme algoritmaları (ESAS) karşısında üstün performans sergilemiştir. Bu algoritma, üç farklı hiperparametreye sahip veri setlerinde de başarılı sonuçlar elde etmiştir. Ayrıca, önerilen algoritma literatürdeki farklı alt sınır ve üst sınır belirleme yöntemleriyle karşılaştırılmıştır. Bu karşılaştırmalar sonucunda hesaplama süresinin en kısaya yakın çıkarken, doğruluğun da en düşük RMSE oranına yaklaştığı gözlemlenmiştir. Son aşamada ise MCTS-BnB algoritmasının hesaplama süresini azaltmak amacıyla seyrek temsili girişler kullanılmış ve bu girişler 5 farklı kümeleme yöntemi ile belirlenmiştir. K-Means kümeleme algoritması, en iyi kümeleme performansını göstererek hesaplama süresini önemli ölçüde azaltmıştır. Tez çalışmasının genel bulguları, Gauss süreçleri ve ödül fonksiyonları kullanılarak su parametrelerinin etkili bir şekilde gerçek zamanlı olarak izlenebileceğini göstermektedir. Ayrıca, MCTS ve BnB yöntemlerinin birleştirilmesi, güzergah planlamada önemli iyileştirmelere yol açarak çevresel izlemeye yönelik daha optimal çözümler sunabileceğini ortaya koymaktadır.