İmar uygulamalarında dağıtımın veri madenciliği yöntemi kullanılarak yapılması

Öz

Şehirlerin plansız büyümeleri zamanla çarpık şehirleşme sorununu da beraberinde getirmiştir. Düzenli bir şehir modeli oluşturmak için belediyelerce, mevcut haliyle düzensiz kadastro parselleri bulunan alanların düzenli parseller haline getirilmesi gerekmekte, bu ise imar düzenlemeleriyle mümkün olmaktadır. Şehirleşmelerde insanlar daha büyük topluluklar haline gelmeye başladığında ortaya çıkan sosyal yaşantı alanlarının oluşturulması problemi için kullanılan yöntemlerden bir tanesi 3194 Sayılı İmar Kanunu’nun 18. Maddesi uygulamasıdır. Bu uygulama daha düzenli şehirleşmeye geçmek için belediyeler tarafından resen yapılmakta olup, dağıtım işleminde kadastro parselinin hangi imar parselinden verileceği manuel olarak yapılmaktadır. Bu durum hem uygulamanın yapılma süresini uzatmakta hem de yeni verilen parsellerde ortak sayısının optimumdan uzak gerçekleşmesine yol açmaktadır. Çalışma kapsamında ele alınan ve karakteristik olarak bir kümeleme problemi olan dağıtım problemine mekânsal veri madenciliği kapsamında kümeleme yöntemlerinden olan K-means ve Adaptif K-means algoritmalarıyla çözüm aranmış, 12 adet kadastro parsel alanının 6 adet imar parseline dağıtımı gerçekleştirilmiştir. Deneysel değerlendirmeler sonucunda Klasik K-means yönteminde parsellerde dağıtılamayan minimum alan 435 km2 iken Adaptik K-means yönteminde bu oran 23 km2’ye kadar düşmüş olup, genel değerlendirmede de yine Adaptif K-means yöntemi öne çıkmıştır.

Anahtar Kelimeler

• K-means
• Adaptif K-means
• İmar uygulamaları
• Düzenleme Ortaklık Payı (DOP)

Distribution in zoning practices using data mining method

Öz

The unplanned growth of cities has brought about unplanned urbanization over time. To generate a regular city model, municipalities need to transform the areas with irregular cadastral parcels into standard parcels, which is possible with zoning regulations. One of the methods used to generate social life areas that arise when people start to become larger communities in urbanization is the application of Article 18 of the Zoning Law No. 3194. The municipalities make this application ex officio to switch to more regular urbanization. The zoning parcels the cadastral parcel will be given in the distribution process is done manually. This situation prolongs the implementation period and causes the number of partners to be far from the optimum in the newly assigned parcels. A solution has been sought for the distribution problem, clustering problem characteristically, which is considered within the scope of the study, with K-means and Adaptive K-means Algorithms, which are clustering method within the scope of spatial data mining. Twelve cadastral parcel areas were distributed to 6 zoning parcels. As a result of the experimental evaluations, it was seen that the Adaptive K-means algorithm was more successful. As a result of the experimental assessment, while the minimum area that cannot be distributed in the parcels was 435 km2 in the Classical K-means method, this ratio decreased to 23 km2 in the Adaptive K-means method, and the Adaptive K-means method came to the fore in the general evaluation.

Anahtar Kelimeler

• K-means
• Adaptif K-means
• Zoning practices
• Development readjustment share

Kaynakça

1. M. Yılmaz, İmar kanunu’nun 18. maddesi çerçevesinde düzenleme ortaklık payı kavramı ve uygulamaları. Marmara Üniversitesi Hukuk Fakültesi Hukuk Araştırmaları Dergisi, 16 (3-4), 37-83, 2010.
2. S. Erdoğan, ve C. Ergen, 3194 sayılı İmar Kanunu’nun 18. maddesi uygulamalarının yasal dayanakları yönünden incelenmesi, Mevzuat Dergisi, 8-93, 2005. https://doi.org/10.1061/(ASCE)UP.1943-5444.0000031
3. A. Uysal, Kamulaştırmasız el atma halinde açılabilecek davalar, Taraf Ehliyetleri ve Nitelikleri.İstanbul Medipol Üniversitesi Hukuk Fakültesi Dergisi, 2(1), 199-216, 2015.
4. R. Güngör ve İ. Şaban, İmar uygulamalarında farklı dağıtım metodlarının karşılaştırılması. Geomatik, 4(3), 254-263, 2019. https://doi.org/10.29128/ geomatik.548592
5. M. Atasoy, O. Demir, B. Uzun, ve R. Nişancı, İmar uygulamalarının iptal nedenleri ve öneriler. Selçuk Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Öğretiminde 30. Yıl Sempozyumu, sayfa 184-192, Konya, Türkiye, 16-18 Ekim 2002.
6. Y. Aliefendioğlu, ve İ. Duman, Çevre yollarının 3194 sayılı imar kanunun 18. madde uygulamaları ile açılmasının teorik ilkeler ve uygulama yönlerinden tartışılması: Van ili örneği. Türkiye Sosyal Araştırmalar Dergisi, 25(2), 407-424, 2021.
7. E. Alp, 3194 Sayılı İmar Kanunu 18. Madde İmar Uygulamaları ve Karşılaşılan Sorunlar: Van Örneği. Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, 2019.
8. T. K. Anderson, Kernel density estimation and k-means clustering to profile road accident hotspots. Accident Analysis & Prevention, 41(3), 359-364, 2009. https://doi.org/10.1016/j.aap.2008.12.014

9. H. Z. Selvi ve B. Çağlar, Çok değişkenli haritalama için kümeleme yöntemlerinin kullanılması. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 6(2), 415-429, 2017. https://doi.org/10.28948/ ngumuh.341267
10. G. Niu, Y. Ji, Z. Zhang, W. Wang, J. Chen, and P. Yu, Clustering analysis of typical scenarios of island power supply system by using cohesive hierarchical clustering based k-means clustering method. Energy Reports,7, 250-256, 2021. https://doi.org/10.1016/ j.egyr.2021.08.049
11. A. Doroshenko, Analysis of the distribution of COVID-19 in italy using clustering algorithms. In 2020 IEEE Third International Conference on Data Stream Mining & Processing, pp. 325-328, Lviv, Ukraine, 2020. https://doi.org/10.1109/ DSMP47368.2020.9204202
12. X. Li, and L. Xing, Use of unmanned aerial vehicles for livestock monitoring based on streaming k-means clustering. Ifac-Papersonline, 52(30), 324-329, 2019. https://doi.org/10.1016/j.ifacol.2019.12.560
13. A. Likas, N. Vlassis, and J. J. Verbeek, The global k-means clustering algorithm. Pattern Recognition,36(2), 451-461, 2003. https://doi.org/ 10.1016/S0031-3203(02)00060-2
14. M. Takaoğlu ve F. Takaoğlu, K-means ve hiyerarşik kümeleme algoritmanın weka ve matlab platformlarında karşılaştırılması. İstanbul Aydın Üniversitesi Dergisi,11(3), 303-317, 2019.
15. K. P. Sinaga and M. S. Yang, Unsupervised K-means clustering algorithm. IEEE Access, 8, 80716-80727, 2020. https://doi.org/10.1109/ACCESS.2020.2988796
16. B. Çolak, Z. Durdağ ve P. Edoğmuş, K-means algoritması ile otomatik kümeleme. El-Cezeri Fen ve Mühendislik Dergisi, 3(2), 2016. https://doi.org/ 10.31202/ecjse.264195
17. K. Tian, J. Li, J. Zeng, A. Evans and L. Zhang Segmentation of tomato leaf images based on adaptive clustering number of k-means algorithm. Computers and Electronics in Agriculture, 165, 104962, 2019. https://doi.org/10.1016/j.compag.2019.104962
18. M. A. Syakur, B. K. Khotimah, E. M. S. Rochman and B. D. Satoto, Integration K-means clustering method and elbow method for identification of the best customer profile cluster. In IOP Conference Series: Materials Science and Engineering (Vol. 336, No. 1, p. 012017). IOP Publishing. (2018, April). https://doi.org/10.1088/ 1757-899X/336/1/012017
19. J. Han, J. G. Lee and M. Kamber, An overview of clustering methods in geographic data analysis. geographic data mining and knowledge discovery, 2, 149-170, Taylor and Francis, Abingdon, 2009.
20. M. Sahu, K. Parvathi, and M. V. Krishna, Parametric comparison of k-means and adaptive k-means clustering performance on different images. International Journal of Electrical and Computer Engineering, 7(2), 810, 2017.