Toplu taşınmaz değerlemesine yönelik mekânsal yapay zekâ (GeoAI) analiz araç paketinin geliştirilmesi

Öz

Günümüzde taşınmaz sektörünün hızlı değişimi, nüfus artışı, kentleşme ve ekonomik dinamiklerin çeşitlenmesi, kentsel alanlarda taşınmaz değerlerinin doğru, güncel ve hızlı biçimde belirlenmesini zorunlu kılmıştır. Bu gereklilik, geleneksel değerleme yaklaşımlarının ötesine geçilerek, istatistiksel, mekânsal ve yapay zekâ temelli yöntemlerin bütünleşik biçimde kullanıldığı veri temelli toplu taşınmaz değerleme sistemlerinin önemini artırmıştır. Bu bağlamda, coğrafi bilgi teknolojileri ile makine öğrenmesi tekniklerinin bir arada kullanılması taşınmaz değerleme süreçlerinin otomasyonu açısından yenilikçi bir yaklaşım sunmaktadır. Bu çalışma kapsamında otomatize toplu taşınmaz değerlemesine yönelik analiz araçlarını içeren Mekânsal Yapay Zekâ (GeoAI) analiz araç paketi geliştirilmiştir. ArcGIS platformunda, Python tabanlı ArcPy modülü ve açık kaynak kütüphaneler (NumPy, Pandas, Scikit-learn, LightGBM vb.) kullanılarak geliştirilen bu araç paketi; veri ön işleme (aykırı değer belirleme, normalizasyon, değişken seçimi, eğitim-test ayrımı), regresyon tabanlı modelleme (Random Forest ve LightGBM) hiperparametre optimizasyonu ve model performans değerlendirme süreçlerini bütünleşik biçimde gerçekleştirecek şekilde tasarlanmıştır. Geliştirilen analiz araçlarını test etmek amacıyla İstanbul ilinin Tuzla ve Pendik ilçeleri çalışma alanı olarak belirlenmiştir. Çalışma alanında 2019 Ocak-2023 Aralık dönemi için 37 268 adet piyasa örneklemi temin edilmiştir. Ardından bu veri seti coğrafi analizlerle zenginleştirilerek, toplamda 68 değişken içeren toplu taşınmaz değerleme veri seti oluşturulmuştur. Veri ön işleme araçları ile veri setinin aykırı veriler açısından optimizasyonu, normalizasyonu, eğitim/test veri setlerinin oluşturulması ve model değişkenlerinin belirlenmesi işlemleri gerçekleştirilmiştir. Modelleme araçları ile eğitim veri seti üzerinden toplu taşınmaz değerleme modellerinin eğitimleri gerçekleştirilmiştir. Performans değerlendirme analiz araçları ile test veri seti üzerinden modellerin performans analizleri MAE, MAPE, RMSE ve R2 metriklerine göre gerçekleştirilmiştir. Sonuçlar coğrafi bilgi teknolojileri ve makine öğrenmesi tekniklerinin entegrasyonuyla geliştirilen analiz araç paketinin, toplu taşınmaz değerleme süreçlerinde hem doğruluk hem de otomasyon açısından yüksek bir potansiyel sunduğunu ortaya koymaktadır.

Anahtar Kelimeler

• Yapay zekâ
• Makine öğrenmesi
• Mekânsal yapay zekâ (GeoAI)
• Toplu taşınmaz değerleme

Destekleyen Kurum

TÜBİTAK

Proje Numarası

122R021

Teşekkür

Bu çalışma TÜBİTAK tarafından desteklenen 122R021 nolu 1001 projesi kapsamında gerçekleştirilmiştir. Bu çalışma kapsamında kullanılan gayrimenkul değer verilerinin sağlanmasında Endeksa firmasına katkılarından dolayı teşekkürlerimizi sunarız.

Development of geospatial artificial intelligence (GeoAI) analysis tool package for mass real estate valuation

Öz

Today, the rapid transformation of the real estate sector, population growth, urbanization, and the diversification of economic dynamics have made it essential to determine real estate values in urban areas accurately, up-to-date, and quickly. This necessity has increased the importance of data-driven mass real estate valuation systems, in which statistical, spatial, and artificial intelligence-based methods are integrated, going beyond traditional valuation approaches. In this context, the combined use of geographic information technologies and machine learning techniques offers an innovative approach to the automation of real estate valuation processes. Within the scope of this study, a Geospatial Artificial Intelligence (GeoAI) analysis tool package was developed, which includes analysis tools for automated mass real estate valuation. Developed on the ArcGIS platform using the Python-based ArcPy module and open-source libraries (such as NumPy, Pandas, Scikit-learn, LightGBM, etc.), this tool package is designed to perform data preprocessing (outlier detection, normalization, feature selection, train-test split), regression-based modeling (Random Forest and LightGBM), hyperparameter optimization and model performance evaluation steps in an integrated manner. To test the developed analysis tools, the districts of Tuzla and Pendik in Istanbul were determined as the study area. In the study area, 37 268 market samples were obtained for the period of January 2019 to December 2023. Then, this dataset was then enriched with spatial analyses, creating a mass real estate valuation dataset containing a total of 68 variables. Optimization of the dataset in terms of outliers, normalization, creation of training/test datasets and determination of model variables were performed using data pre-processing tools. Training of mass real estate valuation models was carried out on the training dataset using modelling tools. Model performance analyses were conducted on the test dataset using performance evaluation analysis tool, based on the MAE, MAPE, RMSE, and R² metrics. The results show that the analysis package developed through the integration of geographic information technologies and machine learning techniques offers high potential in mass real estate valuation processes in terms of both accuracy and automation.

Anahtar Kelimeler

• Artificial intelligence
• Machine learning
• Geospatial artificial intelligence (GeoAI)
• Mass real estate valuation

Proje Numarası

122R021

Kaynakça

1. Adetunji, A. B., Akande, O. N., Ajala, F. A., Oyewo, O., Akande, Y. F., & Oluwadara, G. (2022). House price prediction using random forest machine learning technique. Procedia Computer Science, 199, 806-813.
2. Alburshaid, E. A., & Al-Alawi, A. I. (2024). Forecasting Methods for the Real Estate Market: A Review. 2024 ASU International Conference in Emerging Technologies for Sustainability and Intelligent Systems (ICETSIS), 472-477.
3. Alizamir, M., Kim, S., Kisi, O., & Zounemat-Kermani, M. (2020). A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions. Energy, 197, 117239.
4. Aydın, C. (2018). Makine öğrenmesi algoritmaları kullanılarak itfaiye istasyonu ihtiyacının sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, (14), 169-175.
5. Aydınoğlu, A. Ç., Bovkır, R., & Çölkesen, İ. (2023). Toplu taşınmaz değerlemede makine öğrenme algoritmalarının kullanımı ve konumsal/konumsal olmayan özniteliklerin tahmin doğruluğuna etkilerinin karşılaştırılması. Jeodezi ve Jeoinformasyon Dergisi, 10(1), 63-83.
6. Aydınoğlu, A. Ç., & Şişman, S. (2024). Comparing modelling performance and evaluating differences of feature importance on defined geographical appraisal zones for mass real estate appraisal. Spatial Economic Analysis, 19(2), 225-249.
7. Aydınoğlu, A. Ç., Şişman, S., & Girgin, S. (2025). Examining the market sample size for machine learning-based mass appraisal: a case study in Pendik district of Istanbul. Journal of Property Research, 1-23.
8. Baldominos, A., Blanco, I., Moreno, A. J., Iturrarte, R., Bernárdez, Ó., & Afonso, C. (2018). Identifying real estate opportunities using machine learning. Applied sciences, 8(11), 2321.

9. Basheer, S., Wang, X., Farooque, A. A., Nawaz, R. A., Liu, K., Adekanmbi, T., & Liu, S. (2022). Comparison of land use land cover classifiers using different satellite imagery and machine learning techniques. Remote Sensing, 14(19), 4978.
10. Baur, K., Rosenfelder, M., & Lutz, B. (2023). Automated real estate valuation with machine learning models using property descriptions. Expert Systems with Applications, 213, 119147.
11. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
12. Chen, L., Yao, X., Liu, Y., Zhu, Y., Chen, W., Zhao, X., & Chi, T. (2020). Measuring impacts of urban environmental elements on housing prices based on multisource data—a case study of Shanghai, China. ISPRS International Journal of Geo-Information, 9(2), 106.
13. Chen, Y., Jiao, J., & Farahi, A. (2023). Disparities in affecting factors of housing price: A machine learning approach to the effects of housing status, public transit, and density factors on single-family housing price. Cities, 140, 104432.
14. Choi, Y. (2023). GeoAI: Integration of artificial intelligence, machine learning, and deep learning with GIS. Applied Sciences, 13(6), 3895.
15. Çılgın, C., Gökşen, Y., & Gökçen, H. (2023). The effect of outlier detection methods in real estate valuation with machine learning. İzmir Sosyal Bilimler Dergisi, 5(1), 9-20.
16. Dewi, C., & Chen, R. C. (2019). Random forest and support vector machine on features selection for regression analysis. Int. J. Innov. Comput. Inf. Control, 15(6), 2027-2037.
17. Dimopoulos, T., & Bakas, N. (2019). Sensitivity analysis of machine learning models for the mass appraisal of real estate. Case study of residential units in Nicosia, Cyprus. Remote sensing, 11(24), 3047.
18. Endeksa. (2025). https://www.endeksa.com/tr/analiz/turkiye/endeks/satilik/konut, (Erişim Tarihi: 10 Mart 2025).
19. Fan, J., Ma, X., Wu, L., Zhang, F., Yu, X., & Zeng, W. (2019). Light Gradient Boosting Machine: An efficient soft computing model for estimating daily reference evapotranspiration with local and external meteorological data. Agricultural water management, 225, 105758.
20. Fitriyah, H., & Budi, A. S. (2019). Outlier detection in object counting based on hue and distance transform using median absolute deviation (MAD). 2019 international conference on sustainable information engineering and technology (SIET), 217-222.
21. Gan, M., Pan, S., Chen, Y., Cheng, C., Pan, H., & Zhu, X. (2021). Application of the machine learning lightgbm model to the prediction of the water levels of the lower columbia river. Journal of Marine Science and Engineering, 9(5), 496.
22. Genç, N., Çolak, H. E., & Özbilgin, F. (2025). Spatial Performance Approach to Machine Learning Algorithms: A GIS‐Based Comparison Analysis for Real Estate Valuation. Transactions in GIS, 29(1), e13303.
23. Ho, T. K. (1995). Random decision forests. Proceedings of 3rd international conference on document analysis and recognition, 1, 278-282.
24. Ho, W. K., Tang, B. S., & Wong, S. W. (2021). Predicting property prices with machine learning algorithms. Journal of property research, 38(1), 48-70.
25. Hong, J., Choi, H., & Kim, W. S. (2020). A house price valuation based on the random forest approach: the mass appraisal of residential property in South Korea. International Journal of Strategic Property Management, 24(3), 140-152.
26. IAAO (2013). Standard on Ratio studies. International Association of Assessing Officers (IAAO), Kansas, Missouri, ABD.
27. Iban, M. C. (2022). An explainable model for the mass appraisal of residences: The application of tree-based Machine Learning algorithms and interpretation of value determinants. Habitat International, 128, 102660.
28. Jafary, P., Shojaei, D., Rajabifard, A., & Ngo, T. (2024). Automated land valuation models: A comparative study of four machine learning and deep learning methods based on a comprehensive range of influential factors. Cities, 151, 105115.
29. Kang, Y., Zhang, F., Peng, W., Gao, S., Rao, J., Duarte, F., & Ratti, C. (2021). Understanding house price appreciation using multi-source big geo-data and machine learning. Land use policy, 111, 104919.
30. Kappal, S. (2019). Data normalization using median median absolute deviation MMAD based Z-score for robust predictions vs. min–max normalization. London Journal of Research in Science: Natural and Formal, 19(4), 39-44.
31. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 30, 3146-3154.
32. Leys, C., Ley, C., Klein, O., Bernard, P., & Licata, L. (2013). Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. Journal of experimental social psychology, 49(4), 764-766.
33. Liao, Z., Ju, Y., & Zou, Q. (2016). Prediction of G protein‐coupled receptors with SVM‐prot features and random forest. Scientifica, 2016(1), 8309253.
34. Liu, H., Shah, S., & Jiang, W. (2004). On-line outlier detection and data cleaning. Computers & chemical engineering, 28(9), 1635-1647.
35. Mayer, M., Bourassa, S. C., Hoesli, M., & Scognamiglio, D. (2019). Estimation and updating methods for hedonic valuation. Journal of European real estate research, 12(1), 134-150.
36. Mete, M. O., & Yomralıoğlu, T. (2022). Mass valuation of Real Estate Using GIS-based nominal valuation and machine learning methods. European Real Estate Society, ERES, 1-7.
37. Mete, M. O. (2025). Developing GeoAI Integrated Mass Valuation Model Based on LADM Valuation Information Great Britain Country Profile. Transactions in GIS, 29(1), e13273.
38. Mora-Garcia, R. T., Cespedes-Lopez, M. F., & Perez-Sanchez, V. R. (2022). Housing price prediction using machine learning algorithms in COVID-19 times. Land, 11(11), 2100.
39. Nguyen, H. N., Tran, Q. T., Ngo, C. T., Nguyen, D. D., & Tran, V. Q. (2025). Solar energy prediction through machine learning models: A comparative analysis of regressor algorithms. PloS one, 20(1), e0315955.
40. Ogunsanya, M., Isichei, J., & Desai, S. (2023). Grid search hyperparameter tuning in additive manufacturing processes. Manufacturing Letters, 35, 1031-1042.
41. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Duborg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. the Journal of machine Learning research, 12, 2825-2830.
42. Peker, M., Özkaraca, O., & Kesimal, B. (2017). Enerji tasarruflu bina tasarımı için isıtma ve soğutma yüklerini regresyon tabanlı makine öğrenmesi algoritmaları ile modelleme. Bilişim Teknolojileri Dergisi, 10(4), 443-449.
43. Quan, S. J. (2024). Comparing hyperparameter tuning methods in machine learning based urban building energy modeling: A study in Chicago. Energy and Buildings, 317, 114353.
44. Soltani, A., Heydari, M., Aghaei, F., & Pettit, C. J. (2022). Housing price prediction incorporating spatio-temporal dependency into machine learning algorithms. Cities, 131, 103941.
45. Sun, X., Liu, M., & Sima, Z. (2020). A novel cryptocurrency price trend forecasting model based on LightGBM. Finance Research Letters, 32, 101084.
46. Sun, D., Wu, X., Wen, H., & Gu, Q. (2023). A LightGBM-based landslide susceptibility model considering the uncertainty of non-landslide samples. Geomatics, Natural Hazards and Risk, 14(1), 2213807.
47. Şişman, S., & Aydınoğlu, A. Ç. (2022). Improving performance of mass real estate valuation through application of the dataset optimization and Spatially Constrained Multivariate Clustering Analysis. Land Use Policy, 119, 106167.
48. Şişman, S., & Aydınoğlu, A. Ç. (2023). Toplu Taşınmaz Değerlemesi için Coğrafi Verinin İşlenmesi ve Rastgele Orman Makine Öğrenmesi Tekniğiyle Tahmin Modelinin Geliştirilmesi. Harita Dergisi, 169, 13-27.
49. Şişman, S., Kara, A., & Aydınoğlu, A. Ç. (2025). Leveraging spatial data infrastructure for machine learning based building energy performance prediction. Plos one, 20(10), e0335531.
50. Tchuente, D. (2024). Real estate automated valuation model with explainable artificial intelligence based on Shapley values. The Journal of Real Estate Finance and Economics, 1-39.
51. TCMB (2025). Türkiye Cumhuriyet Merkez Bankası (TCBM)-Konut Fiyat Endeksi İstatistikleri, https://www.tcmb.gov.tr/wps/wcm/connect/tr/tcmb+tr/main+menu/istatistikler/reel+sektor+istatistikleri/konut+fiyat+endeksi/, (Erişim Tarihi: 15 Nisan 2025).
52. Teoh, E. Z., Yau, W. C., Ong, T. S., & Connie, T. (2023). Explainable housing price prediction with determinant analysis. International Journal of Housing Markets and Analysis, 16(5), 1021-1045.
53. Trindade Neves, F., Aparicio, M., & de Castro Neto, M. (2024). The impacts of open data and eXplainable AI on real estate price predictions in smart cities. Applied Sciences, 14(5), 2209.
54. Truong, Q., Nguyen, M., Dang, H., & Mei, B. (2020). Housing price prediction via improved machine learning techniques. Procedia Computer Science, 174, 433-442.
55. TÜİK (2025a). Nüfus ve Demografi, https://data.tuik.gov.tr/Kategori/GetKategori?p=Nufus-ve-Demografi-109, (Erişim Tarihi: 18 Nisan 2025).
56. TÜİK (2025b). Konut Satış İstatistikleri, https://data.tuik.gov.tr/Bulten/Index?p=Konut-Satis-Istatistikleri-Haziran-2024-53760, (Erişim Tarihi: 18 Nisan 2025).
57. Ünel, F. B., & Yalpır, Ş. (2023). Sustainable tax system design for use of mass real estate appraisal in land management. Land Use Policy, 131, 106734.
58. Venkatesh, B., & Anuradha, J. (2019). A review of feature selection and its methods. Cybern. Inf. Technol, 19(1), 3-26.
59. Veranyurt, Ü., Deveci, A., Esen, M. F., & Veranyurt, O. (2020). Makine öğrenmesi teknikleriyle hastalık sınıflandırması: random forest, k-nearest neighbour ve adaboost algoritmaları uygulaması. Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 6(2), 275-286.
60. von Davier, M., & Bezirhan, U. (2023). A robust method for detecting item misfit in large-scale assessments. Educational and Psychological Measurement, 83(4), 740-765.
61. Wang, Z. (2023). Research on feature selection methods based on random forest. Tehnički vjesnik, 30(2), 623-633.
62. Wang, W., Xue, C., Zhao, J., Yuan, C., & Tang, J. (2024). Machine learning-based field geological mapping: A new exploration of geological survey data acquisition strategy. Ore Geology Reviews, 166, 105959.
63. Yalpır, Ş., Şişman, S., Akar, A. U., & Ünel, F. B. (2021). Feature selection applications and model validation for mass real estate valuation systems. Land use policy, 108, 105539.
64. Yılmazer, S., & Kocaman, S. (2020). A mass appraisal assessment study using machine learning based on multiple regression and random forest. Land use policy, 99, 104889.