Türkçe | English
FEN BİLİMLERİ ENSTİTÜSÜ / HARİTA MÜHENDİSLİĞİ ANABİLİM DALI
DOKTORA
Ders Bilgi Paketi
http://www.fbe.ktu.edu.tr
Tel: +90 0462 04623772707
FBE
FEN BİLİMLERİ ENSTİTÜSÜ / HARİTA MÜHENDİSLİĞİ ANABİLİM DALI / DOKTORA
Katalog Ana Sayfa
  Katalog Ana Sayfa  KTÜ Ana Sayfa   Katalog Ana Sayfa
 
 

JDZL7202CBS İçin Konumsal Veri Modelleri ve Veri Yapıları3+0+0AKTS:7.5
Yıl / YarıyılGüz Dönemi
Ders DuzeyiDoktora
Yazılım Şekli Seçmeli
BölümüHARİTA MÜHENDİSLİĞİ ANABİLİM DALI
Ön KoşulYok
Eğitim SistemiYüz yüze
Dersin Süresi14 hafta - haftada 3 saat teorik
Öğretim ÜyesiProf. Dr. Çetin CÖMERT
Diğer Öğretim ÜyesiProf. Dr. Çetin CÖMERT
Öğretim DiliTürkçe
StajYok
 
Dersin Amacı:
Konumsal Veri Modelleme ile ilgili temel konularda teorik ve uygulamalı bir altyapı oluşturmak.
 
Öğrenim KazanımlarıPÖKKÖY
Bu dersi başarı ile tamamlayan öğrenciler :
ÖK - 1 : Konumsal Veri Modelleme ile ilgili temel yabancı literatürü okuyup anlayabilecek ve analiz-sentez yapmasını sağlayacak temel ve kritik kavramları öğrenir.1,4,6,7
PÖKK :Program öğrenim kazanımlarına katkı, ÖY : Ölçme ve değerlendirme yöntemi (1: Yazılı Sınav, 2: Sözlü Sınav, 3: Ev Ödevi, 4: Laboratuvar Çalışması/Sınavı, 5: Seminer / Sunum, 6: Dönem Ödevi / Proje),ÖK : Öğrenim Kazanımı
 
Ders İçeriği
CBS için konumsal veri modelleri ve veri altyapıları; temel kavramlar. İlişkisel ve nesne tabanlı veri modelleri. Dinamik olguların modellenmesi; Eulerian ve Lagrangian temsil. Geleneksel ve Maikine Öğrenmesi (ML) temelli modeller. Süreksiz (discrete) ve sürekli modeller; Celular Automata (CA), Computational Fluid Dynamics (CFD) and its applications in GIS; Flood modelling, air pollution modelling. Hareket eden objeler modellemesi ; trajectory modelling. (Machine Learning) ML teknikleri. Yapay sinir ağları (ANN), Geleneksel yöntemler ve ANN karşılaştırması için bir durum çalışması; Heyelan riski analizi, Dönem Projesi.
 
Haftalık Detaylı Ders Planı
 HaftaDetaylı İçerikÖnerilen Kaynak
 Hafta 1CBS için konumsal veri modelleri ve veri altyapıları; temel kavramlar, dersin içeriği
 Hafta 2İlişkisel ve nesne tabanlı veri modelleri
 Hafta 3Dinamik olguların modellenmesi; Eulerian ve Lagrangian temsil. Geleneksel ve Maikine Öğrenmesi (ML) temelli modeller. Süreksiz (discrete) ve sürekli modeller; Celular Automata (CA)
 Hafta 4Bilgisayarlı Akışkanlar dinamiği (CFD) ve CBS de uygulamaları.
 Hafta 5Lab: Flow-2d qgis plug in ile taşkın modelleme
 Hafta 6Kent gelişiminin modellenmesi; conventional and ML models
 Hafta 7Hareket eden objeler modellemesi ; trajectory modelling
 Hafta 8arasınav
 Hafta 9Lab : trajectory modelling and spatial SQL in Postgis
 Hafta 10Yapay sinir ağlarına (ANN) giriş ; temel kavramlar
 Hafta 11Yapay sinir ağlarında (ANN) hiper parametreler
 Hafta 12Lab: ANN uygulaması ; Python Keras
 Hafta 13Geleneksel yöntemler ve ANN karşılaştırması için bir durum çalışması; Heyelan riski analizi
 Hafta 14Dönem Projesi sözlü sunum ve sınavı
 Hafta 15Dönem Projesi sözlü sunum ve sınavı
 Hafta 16Final
 
Ders Kitabı / Malzemesi
 
İlave Kaynak
1Mickievicz D, Mackiev M, Nycz T. , 2017. Mastering PostGIS, Packt Publishing, Birmingham.
 
Ölçme Yöntemi
YöntemHaftaTarih

Süre (Saat)Katkı (%)

    

    

    

    

    

 
Öğrenci Çalışma Yükü
İşlem adıHaftalık süre (saat)

Hafta sayısı

Dönem toplamı
Yüz yüze eğitim 3 14 42
Sınıf dışı çalışma 2 14 28
Arasınav için hazırlık 6 1 6
Arasınav 1 1 1
Proje 3 6 18
Dönem sonu sınavı için hazırlık 6 1 6
Dönem sonu sınavı 1 1 1
Toplam Çalışma Yükü102