Kılıç K.
Abant 5th International Conference on Current Scientific Researches, Bolu, Türkiye, 18 - 20 Temmuz 2025, ss.803-812, (Tam Metin Bildiri)
-
Yayın Türü:
Bildiri / Tam Metin Bildiri
-
Basıldığı Şehir:
Bolu
-
Basıldığı Ülke:
Türkiye
-
Sayfa Sayıları:
ss.803-812
-
Açık Arşiv Koleksiyonu:
AVESİS Açık Erişim Koleksiyonu
-
Yozgat Bozok Üniversitesi Adresli:
Evet
Özet
Ahşap yoğunluğu,
ormancılık, ağaç işleri endüstrisi, mobilya, inşaat mühendisliği ve çevresel
analizlerde önemli bir parametre olup; gölge toleransı, toprak koşulları, nem
oranı, eğim, rakım, dikim yoğunluğu ve biyokütle tahsisi gibi pek çok faktörden
etkilenmektedir. Ancak geleneksel yöntemlerle yapılan yoğunluk ölçümleri zaman
alıcı, maliyetli ve geniş ölçekli uygulamalar için elverişsiz olabilmektedir.
Bu çalışma, temel odun yoğunluğunu (Db) daha hızlı ve doğru şekilde tahmin
edebilmek amacıyla makine öğrenmesi tabanlı üç farklı regresyon algoritmasını
XGBoost, LightGBM ve CatBoost karşılaştırmalı olarak değerlendirmeyi
amaçlamaktadır. Analizlerde, CIRAD tarafından geliştirilen CWDD (CIRAD Wood
Density Database) veri seti kullanılmıştır. Veri seti, 63 ülkeden 872 farklı
ağaç türüne ait toplam 4.022 örnekten oluşmakta olup, fiziksel (D12, R, S) ve
coğrafi nitelikler içermektedir. Modelleme sürecinde kategorik veriler One-Hot
Encoding yöntemi ile sayısallaştırılmış, eğitim ve test olarak sırasıyla %80,%20
oranında bölünmüştür. Model performansları RMSE, MAE, R², Ortalama Mutlak Hata
ve MAPE gibi metriklerle değerlendirilmiştir. Sonuçlar, tüm modellerin yüksek
doğrulukla tahmin gerçekleştirdiğini göstermiş; ancak CatBoost modeli, en düşük
RMSE (0.0038), MAE (0.0031) ve en yüksek R² (0.9994) skorlarıyla en iyi
performansı sergilemektedir. Çalışma, makine öğrenmesi algoritmalarının ahşap
yoğunluğu tahmininde güçlü ve uygulanabilir çözümler sunduğunu ortaya
koymaktadır.