Jeoistatistik, jeokonumsal değişkenleri doğru bir şekilde tahmin etmek için
günümüzde kullanılan en yaygın yöntemdir. Ancak, etkin bir şekilde uygulanabilmesi için
verilere ilişkin durağanlık ve doğrusallık gibi bazı varsayımlara ihtiyaç duyar. Son yıllarda,
makine öğrenimi (ML) algoritmaları özellikle karmaşık koşullarda tahmin için verimli
çözümler sunabildiklerinden giderek popüler olmaya başlamıştır. Bununla birlikte, bu
algoritmalar: (1) verilerin birbirinden bağımsız olduğunu varsaymakta ve (2) verileri
konumlarında yeniden üretememektedirler. Dahası, çoğu ML algoritması tahmin
haritalarında koordinat yönleri boyunca önemli yapay görüntüler vermektedir. Bu tezde
ML’yi temel alan iki yeni jeokonumsal tahmin yönteminin sunulması amaçlanmaktadır.
Topluluk süper öğrenci (ESL) modeli olarak adlandırılan ilk yöntem, ML tahmin
haritalarındaki yapaylıkları yönetmek için sunulmuştur. Bu model ML ile modelleme
yapabilmek için süper öğrenci (SL) modelinden yararlanmakta ve bir koordinat rotasyon
stratejisi ile orijinal veri setinden çok sayıda farklı eğitim seti oluşturmaktadır. İncelenen
vaka çalışmaları; ESL modelinin durağanlık ve doğrusallık varsayımlarına ihtiyaç
duymadan, tahmin doğruluğu açısından geleneksel jeoistatistiksel yöntemlerle
karşılaştırılabilir sonuçlar verdiğini ve ESL modelinin anizotropiyi dikkate alıp, tahmin
haritalarındaki yapaylıkları yönettiğini göstermektedir. Sunulan ikinci yöntem; kriging ve
ML yöntemlerini, her iki yöntemin jeokonumsal verilerin tahminindeki dezavantajlarını
azaltmak, daha doğru ve tutarlı tahminler elde etmek için biraraya getirmektedir. ML ve
krigingden elde edilen tahmin sonuçları, kriging varyansına dayalı bir ağırlıklandırma
fonksiyonu ile birleştirilmekte ve ağırlıklar sıralı ikinci dereceden programlama kullanılarak
optimize edilmektedir. Birleştirilmiş yöntem çok sayıda benzetilmiş ve gerçek veri seti seti
üzerinde test edilmiş ve sonuçlar bu yöntemin, Gauss veri seti dışındaki tüm veri setlerinde
hem kriging hem de ML’ den elde edilenlere kıyasla tahmin sonuçlarını iyileştirdiğini
göstermiştir
Geostatistics is the most prevalent method used today to estimate geospatial variables
accurately. However, some assumptions about the data such as stationarity and linearity are
needed for geostatistical methods to be effectively applied. In recent years, machine learning
(ML) models have started to become popular, as these models promise to provide efficient
solutions for estimation, especially in complex cases. However, these models have two major
limitations: (1) the data is considered to be independent, and (2) the data is not reproduced
at their locations. Moreover, most ML models produce visible artifacts in the resulting
estimates along the coordinate directions, which is not realistic in terms of modeling the
geological deposits. This thesis aims to present two new geospatial estimation methods based
on ML. The first method called the ensemble super learner (ESL) model is presented to
manage estimation artifacts in ML geospatial estimation. This model makes use of the super
learner (SL) model for ML modeling and creates numerous different training sets from the
original dataset by a coordinate rotation strategy. The case studies demonstrate that the ESL
model provides results comparable to the traditional geostatistical methods in terms of
estimation accuracy without the need for stationarity and linearity assumptions. The ESL
model also incorporates anisotropy information and manages the artifacts in ML spatial
estimation. The second method combines kriging and ML to mitigate the disadvantages of
each method in geospatial estimation as well as obtain more accurate and consistent
estimates. In the proposed method, estimation results from both ML and kriging are
combined by a weighting function based on the kriging variance, and weights are optimized
using sequential quadratic programming. The combined model is demonstrated in numerous
synthetic and real case studies and the results indicate that this method improves the
estimation results in comparison to the ones obtained both from kriging and the ML in all
cases, except in the truly Gaussian dataset
