Kentsel Dönüşüm Sürecinde Binaların Mekânsal Veri Madenciliği Yöntemleri ile Tespiti

Abstract

1950’lerden itibaren Türkiye’de sanayileşmenin hız kazanmasıyla birlikte özellikle büyük kentlerde ciddi bir işgücü talebi oluşmuş ve dolayısıyla hızlı bir iç göç hareketi ortaya çıkmıştır. Göç hareketinin sonucunda büyük şehirlerde düzensiz büyüme ve yerleşme faaliyeti başlamıştır. Düzensiz olan bu yerleşme neticesinde başta altyapı sorunları olmak üzere birçok sorun ortaya çıkmıştır. Bu sorunların çözümünde kentsel dönüşüm projeleri önemli bir yer edinmektedir. Kentsel dönüşüm projeleri alan ilanı ile başlayıp vatandaşın tapu devrini yapılmasıyla sonlanan bir süreçtir. Vatandaşın maliki olduğu kadastro parselinin mevkiine göre parseline en yakın olan binadan kuraya girerek hangi dairede oturacağı belirlenir. Kendisine en yakın binanın belirlenme işlemi ise insan eliyle yapılmaktadır. Bu durum hem hız hem de doğruluk anlamında süreci olumsuz etkilemektedir. Verileri otomatik olarak sınıflandırma yeteneğinden dolayı, mekânsal veri madenciliği tabanlı kümeleme büyük veri için oldukça önemlidir. Bu çalışma kapsamında insan faktörü ile yapılan bina belirleme işlemi veri madenciliği tabanlı mekânsal kümeleme yöntemleri olan K-Means, DBSCAN ve OPTICS algoritmaları kullanılarak otomatize hale getirilmiştir. Yapılan deneysel değerlendirmeler sonucunda OPTICS kümeleme algoritmasının en doğru sonucu verdiği saptanmıştır

Keywords

• Kentsel Dönüşüm
• Mekansal Veri Madenciliği
• K-means
• DBSCAN
• OPTICS.

Detection of Buildings in the Urban Transformation Process with Spatial Data Mining Methods

Abstract

Since the 1950s, with the acceleration of industrialization in Turkey, a severe demand for labor has occurred, especially in big cities, and therefore a rapid internal migration movement has emerged. As a result of the migration movement, irregular growth and settlement activities started in big cities. As a result of this distinctive settlement, many problems have emerged, especially infrastructure problems. Urban transformation projects have an important place in the solution of these problems. Urban transformation projects are a process that starts with the announcement of the area and ends with the transfer of the title of the citizen. According to the location of the cadastral parcel that the city owns, the closest building to the parcel is drawn to determine which flat to live in. Selecting the nearest building to it is done by human hands. This situation negatively affects the process in terms of both speed and accuracy. Spatial data mining-based clustering is significant for big data because it can automatically classify data. Within the scope of this study, the building identification process with the human factor has been automated using data mining-based spatial clustering methods, K-Means, DBSCAN, and OPTICS algorithms. As a result of the experimental evaluations, it was determined that the OPTICS clustering algorithm gave the most accurate result.

Keywords

• Urban Transformation
• Spatial Data Mining
• K-means
• DBSCAN
• OPTICS.

References

1. [1] Bülbül, S., & Kose, A. (2010). Türkiye’de bölgelerarası iç göç hareketlerinin çok boyutlu ölçekleme yöntemi ile incelenmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 39(1), 75-94.
2. [2] Osmay, S. (1998). 1923’ten Bugüne Kent Merkezlerinin Dönüşümü. 75 Yılda Değişen Kent ve Mimarlık, 139-154.
3. [3] Senan, N. Z. (2016). Türkiyede kentsel yenileme projeleri, tarihi sit alanları ve kentsel yenileme ilişkisi üzerine bir değerlendirme: Okmeydanı tarihi sit alanları koruma amaçlı ve etkileşim geçiş sahası nazım imar planı incelemesi (Master's thesis, Fen Bilimleri Enstitüsü).
4. [4] Acar, A. (2008). Türkiye’de kentsel dönüşüm projeleri. Yerel Siyaset Dergisi, Yıl, 3, 13-15.
5. [5] Abacıoğlu, A., & Abacıoğlu, M. (2014). Kentsel dönüşüm kanunu ile ilgili mevzuat. Afet Riski Altındaki Alanların Dönüştürülmesi Hakkında Kanun), Seçkin Yayıncılık.
6. [6] Çevre ve Şehircilik Bakanlığı tarafından 16.05.2012 tarih ve 6306 sayılı Afet Riski Altındaki Alanların Dönüştürülmesi Hakkında Kanun
7. [7] 03.07.2005 tarih ve 5393 sayılı Belediye Kanunu’nun 73. Maddesi.
8. [8] Şisman, A., & Kibaroğlu, D. (2009). Dünyada Ve Türkiye’de Kentsel Dönüşüm Uygulamalari. Seçkin Yayıncılık.

9. [9] Karabaş, F. (2010). Kentsel dönüşüm uygulamalarında gayrimenkul değerleme yaklaşımının Bayrampaşa kentsel dönüşüm projesi kapsamında irdelenmesi (Doctoral dissertation, Bahçeşehir Üniversitesi Fen Bilimleri Enstitüsü).
10. [10] Doğan, H. H. (2015). Yerel yönetimlerin kentsel dönüşüm uygulamaları sürecine halkın katılımı. Hitit Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 8(2), 505-544.
11. [11] Kandaloğlu, N. (2013). Kentsel Dönüşüm ve Bir Dağıtım Modeli Önerisi (Doctoral dissertation, Fen Bilimleri Enstitüsü).
12. [12] Valarmathy, N., & Krishnaveni, S. (2020). A novel method to enhance the performance evaluation of DBSCAN clustering algorithm using different distinguished metrics. Materials Today: Proceedings.
13. [13] Brimicombe, A. J. (2007). A dual approach to cluster discovery in point event data sets. Computers, environment and urban systems, 31(1), 4-18.
14. [14] Anderson, T. K. (2009). Kernel density estimation and K-means clustering to profile road accident hotspots. Accident Analysis & Prevention, 41(3), 359-364.
15. [15] Gong, L., Sato, H., Yamamoto, T., Miwa, T., & Morikawa, T. (2015). Identification of activity stop locations in GPS trajectories by density-based clustering method combined with support vector machines. Journal of Modern Transportation, 23(3), 202-213.
16. [16] Huang, Y., Huang, W., Xiang, X., & Yan, J. (2021). An empirical study of personalized advertising recommendation based on DBSCAN clustering of sina weibo user-generated content. Procedia Computer Science, 183, 303-310.
17. [17] Hotait, H., Chiementin, X., Mouchaweh, M. S., & Rasolofondraibe, L. (2021). Monitoring of Ball Bearing Based on Improved Real-Time OPTICS Clustering. Journal of Signal Processing Systems, 93(2), 221-237.
18. [18] Wagner, T., Feger, R., & Stelzer, A. (2018, September). Modifications of the OPTICS Clustering Algorithm for Short-Range Radar Tracking Applications. In 2018 15th European Radar Conference (EuRAD) (pp. 91-94). IEEE.
19. [19] Kranjčević, B. (2014). Oracle Database Express Edition 11g (Doctoral dissertation, University of Zagreb. Faculty of Organization and Informatics Varaždin. Department of Theoretical and Applied Foundations of Information Sciences).
20. [20] Malerba, D., Ceci, M., & Appice, A. (2005, October). Mining model trees from spatial data. In European Conference on Principles of Data Mining and Knowledge Discovery (pp. 169-180). Springer, Berlin, Heidelberg.
21. [21] Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996, August). A density-based algorithm for discovering clusters in large spatial databases with noise. In kdd (Vol. 96, No. 34, pp. 226-231).
22. [22] MacQueen, J. (1967, June). Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability (Vol. 1, No. 14, pp. 281-297).
23. [23] Dassun, J. C., Reyes, A., Yokoyama, H., & Dolendo, M. (2015). Ordering points to identify the clustering structure algorithm in fingerprint-based age classification. Virtutis Incunabula, 2(1), 17-27.
24. [24] Ülger, E. (2010). Türkiye’de Arsa Düzenlemeleri ve Kentsel Dönüşüm, 372 s. Nobel Yayınları.
25. [25] Ataöv, A., & Osmay, S. (2007). Türkiye’de kentsel dönüşüme yöntemsel bir yaklaşım.
26. [26] Roberts, P. ve Sykes, H. (2008). The Evolution, Definition and Purpose of the Urban Regeneration, Urban Regeneration a Handbook, Der: Peter Roberts ve Hugh Sykes, SAGE Publications, London, s. 9-37