Figure 1 - uploaded by Bunyamin Kamal
Content may be subject to copyright.
Source publication
ÖZ
Bu çalışmada İstanbul Boğaz bölgesi olarak İstanbul Gemi Trafik Hizmetlerinin kapsama alanına giren Tür-keli, Kandilli, Kadıköy ve Marmara sektörlerinde 2001-2016 yılları arasında meydana gelen ticari gemi ka-zaları incelemeye tabi tutulmuştur. Ulaştırma ve Altyapı Bakanlığı Ana Arama Kurtarma Koordinasyon Mer-kezi (AAKKM) veri tabanındaki kaza...
Citations
... DT is frequently used in applied fields such as finance, marketing, engineering, and medicine. Many decision tree algorithms such as C5.0, CART, CHAID, and QUEST are used for classification and extracting meaningful rules from large data sets [40,41]. ...
Today, image classification methods are widely utilized on agricultural products or in agricultural applications. However, many of these methods based on traditional approaches remain unsatisfactory in terms of obtaining effective results. Within this context, this study aimed to classify lentil images by machine learning algorithms, a current and effective method. In line with this purpose, first of all, a camera system was prepared primarily and a dataset was created by recording lentil grains at 225 × 225 resolution via this system. The dataset contains a total of 33,938 data obtained from 3 lentil species as green, yellow, and red. SqueezeNet, InceptionV3, DeepLoc, and VGG16 architectures, among the CNN methods, were used in order to extract features from the recorded images. Lastly, Artificial Neural Network (ANN), Naive Bayes (NB), Random Forest (RF), Adaptive Boosting (AB), and Decision Tree (DT) algorithms were utilized with the aim of creating models for lentil images’ classification. The classification success of the created machine learning models was calculated and the results were analyzed. The highest classification success with the deep features obtained from the SqueezeNet model, 99.80%, was achieved in the ANN algorithm. The results also revealed that grain size and shape features in image classification can yield much more detailed and precise data than can be obtained practically with manual quality assessment.
... BN modelling enables the most probable scenario to be identified for each accident type using the Most Probable Explanation (MPE) function. This function assigns each node a belief-bar offset at 100% while the other belief-bars in each node generally have lower (Aydin et al., 2021a;Cakir and Kamal, 2021;Fan et al., 2020a;Fiskin et al., 2021;Talley and Anderson, 1996;Yu et al., 2020) Accident type nominal a_type s1: allision; s2: collision; s3: fire/explosion; s4: flooding; s5: grounding; s6: material failure; s7: sinking (Cakir et al., 2021a;Coraddu et al., 2020;Fiskin et al., 2021;Liu et al., 2021;Wang and Yang, 2018;Zhao et al., 2021) Vessel age year discrete age s1:(=<11); s2:(>11) (Cakir et al., 2021a;Cakir and Kamal, 2021;Fan et al., 2020a;Talley and Anderson, 1996;Wang and Yang, 2018;Zhao et al., 2021) Vessel size gross tonnage discrete v_size s1:(<25000); s2:(25000-50000); s3:(>50000) (Cakir and Kamal, 2021;Fan et al., 2020a;Talley, n.d.;Talley and Anderson, 1996;Wang and Yang, 2018) Vessel type nominal v_type s1: chemical tankship; s2: gas carrier; s3: petroleum oil tankship (Fan et al., 2020b;Ketkar and Babu, 1997;Talley et al., 2004Talley et al., , 2012Weng and Li, 2019) Vessel length meter discrete length s1:(=<200); s2:(>200) (Cakir and Kamal, 2021;Fan et al., 2020b;Wang and Yang, 2018;Yu et al., 2020;Zhao et al., 2021) Engine power of vessel kilowatts discrete e_power s1:(<8311); s2:(8311-11366); s3:(>11366) (Fiskin et al., 2021;Zhao et al., 2021) Hull material of vessel -nominal h_material s1: high strength steel; s2: ordinary strength steel (Fan et al., 2020a(Fan et al., , 2020bJin, 2014;Talley et al., 2012;Wang and Yang, 2018;Zhao et al., 2021) (Cakir et al., 2021a;Talley et al., 2001Talley et al., , 2004Wang and Yang, 2018;Weng and Li, 2019) Weather condition nominal w_condition s1: low; s2: strong (Fan et al., 2020a;Fiskin et al., 2021;Liu et al., 2021;Wang and Yang, 2018;Zhao et al., levels. Fig. 7 shows the most probable configuration for the accident type "collision. ...
... BN modelling enables the most probable scenario to be identified for each accident type using the Most Probable Explanation (MPE) function. This function assigns each node a belief-bar offset at 100% while the other belief-bars in each node generally have lower (Aydin et al., 2021a;Cakir and Kamal, 2021;Fan et al., 2020a;Fiskin et al., 2021;Talley and Anderson, 1996;Yu et al., 2020) Accident type nominal a_type s1: allision; s2: collision; s3: fire/explosion; s4: flooding; s5: grounding; s6: material failure; s7: sinking (Cakir et al., 2021a;Coraddu et al., 2020;Fiskin et al., 2021;Liu et al., 2021;Wang and Yang, 2018;Zhao et al., 2021) Vessel age year discrete age s1:(=<11); s2:(>11) (Cakir et al., 2021a;Cakir and Kamal, 2021;Fan et al., 2020a;Talley and Anderson, 1996;Wang and Yang, 2018;Zhao et al., 2021) Vessel size gross tonnage discrete v_size s1:(<25000); s2:(25000-50000); s3:(>50000) (Cakir and Kamal, 2021;Fan et al., 2020a;Talley, n.d.;Talley and Anderson, 1996;Wang and Yang, 2018) Vessel type nominal v_type s1: chemical tankship; s2: gas carrier; s3: petroleum oil tankship (Fan et al., 2020b;Ketkar and Babu, 1997;Talley et al., 2004Talley et al., , 2012Weng and Li, 2019) Vessel length meter discrete length s1:(=<200); s2:(>200) (Cakir and Kamal, 2021;Fan et al., 2020b;Wang and Yang, 2018;Yu et al., 2020;Zhao et al., 2021) Engine power of vessel kilowatts discrete e_power s1:(<8311); s2:(8311-11366); s3:(>11366) (Fiskin et al., 2021;Zhao et al., 2021) Hull material of vessel -nominal h_material s1: high strength steel; s2: ordinary strength steel (Fan et al., 2020a(Fan et al., , 2020bJin, 2014;Talley et al., 2012;Wang and Yang, 2018;Zhao et al., 2021) (Cakir et al., 2021a;Talley et al., 2001Talley et al., , 2004Wang and Yang, 2018;Weng and Li, 2019) Weather condition nominal w_condition s1: low; s2: strong (Fan et al., 2020a;Fiskin et al., 2021;Liu et al., 2021;Wang and Yang, 2018;Zhao et al., levels. Fig. 7 shows the most probable configuration for the accident type "collision. ...
... BN modelling enables the most probable scenario to be identified for each accident type using the Most Probable Explanation (MPE) function. This function assigns each node a belief-bar offset at 100% while the other belief-bars in each node generally have lower (Aydin et al., 2021a;Cakir and Kamal, 2021;Fan et al., 2020a;Fiskin et al., 2021;Talley and Anderson, 1996;Yu et al., 2020) Accident type nominal a_type s1: allision; s2: collision; s3: fire/explosion; s4: flooding; s5: grounding; s6: material failure; s7: sinking (Cakir et al., 2021a;Coraddu et al., 2020;Fiskin et al., 2021;Liu et al., 2021;Wang and Yang, 2018;Zhao et al., 2021) Vessel age year discrete age s1:(=<11); s2:(>11) (Cakir et al., 2021a;Cakir and Kamal, 2021;Fan et al., 2020a;Talley and Anderson, 1996;Wang and Yang, 2018;Zhao et al., 2021) Vessel size gross tonnage discrete v_size s1:(<25000); s2:(25000-50000); s3:(>50000) (Cakir and Kamal, 2021;Fan et al., 2020a;Talley, n.d.;Talley and Anderson, 1996;Wang and Yang, 2018) Vessel type nominal v_type s1: chemical tankship; s2: gas carrier; s3: petroleum oil tankship (Fan et al., 2020b;Ketkar and Babu, 1997;Talley et al., 2004Talley et al., , 2012Weng and Li, 2019) Vessel length meter discrete length s1:(=<200); s2:(>200) (Cakir and Kamal, 2021;Fan et al., 2020b;Wang and Yang, 2018;Yu et al., 2020;Zhao et al., 2021) Engine power of vessel kilowatts discrete e_power s1:(<8311); s2:(8311-11366); s3:(>11366) (Fiskin et al., 2021;Zhao et al., 2021) Hull material of vessel -nominal h_material s1: high strength steel; s2: ordinary strength steel (Fan et al., 2020a(Fan et al., , 2020bJin, 2014;Talley et al., 2012;Wang and Yang, 2018;Zhao et al., 2021) (Cakir et al., 2021a;Talley et al., 2001Talley et al., , 2004Wang and Yang, 2018;Weng and Li, 2019) Weather condition nominal w_condition s1: low; s2: strong (Fan et al., 2020a;Fiskin et al., 2021;Liu et al., 2021;Wang and Yang, 2018;Zhao et al., levels. Fig. 7 shows the most probable configuration for the accident type "collision. ...
Oil spills are one of the most important issues facing the maritime industry, with a wide range of catastrophic environmental, social, and economic effects. While all marine accidents can cause pollution, tankships are most likely to cause oil spills due to their cargo content. Accordingly, this study develops a model based on a data-driven Bayesian Network (BN) algorithm to predict whether oil spills may occur following tankship accidents using a total of 2080 accident reports of non-US flagged vessels from the database of the United States of Coast Guard (USCG). The analysis shows that the developed model has a very high predictive power with an accuracy value of 75.96%. The most important variables affecting oil spill probability are accident type, vessel age, vessel size and waterway type. The findings are also supported by various scenario tests. These findings will be especially useful for decision-making authorities to predict as quickly as possible whether an oil spill will occur following an accident in order to reduce the time to intervene. The model can also contribute to investigation of marine accidents.
... [10], karaya oturma kazalarında insan faktörünü analitik hiyerarşi prosesi (AHP) ile analiz etmiş, karaya oturma kazalarının asgariye indirilmesinde en önemli faktörün güverte vardiya zabiti sayısının artırılması olduğuna dikkat çekmiştir. Çakır ve Kamal [11], 2001 -2016 yılları arasında, İstanbul Boğazı'nda meydana gelen ticari gemi kazalarını karar ağacı yöntemiyle analiz etmiş, gemide pilot bulunması durumunu, gemi tipini ve kaza zamanını, kaza türünü etkileyen en önemli girdi faktörleri olarak değerlendirmiştir. Aykanat [12], dünyada farklı memorandum verilerini ve internet veritabanlarını kullanarak gemi kazalarını istatistiki olarak analiz etmiş, kazalarda insan faktörünün en fazla paya sahip olduğunu belirtmiştir. ...
zet Veri madenciliği, veri tabanlarında bilgi keşfi olarak da adlandırılan, büyük miktarda veriden yeni ve potansiyel olarak yararlı bilgileri keşfetme işlemidir. Veri madenciliği yöntemleri büyük miktarda veriyi barındıran birçok farklı alanda çeşitli uygulamalarda kullanılmaktadır. Bu çalışmada, Ulaştırma ve Altyapı Bakanlığı Ana Arama Kurtarma Koordinasyon Merkezi (AAKKM) veri tabanındaki kaza kayıtları kullanılarak İzmir Bölgesinde 2009-2015 yıllarında meydana gelen gemi kazaları incelenmiştir. Veri setinde yapılan ön hazırlık sonrası veri madenciliği yöntemlerini uygulamak için açık kaynak kodlu veri madenciliği programlarından biri olan WEKA (Waikato Environment for Knowledge Analysis) yazılımı kullanılmıştır. Kaza tipi ve nedenini tahminlemede farklı sınıflandırma yöntemleri kullanılarak test sonuçları karşılaştırılmıştır. Bunun yanı sıra yine bir veri madenciliği yöntemi olan özellik seçimi için InfoGainAttributeEval fonksiyonu kullanılarak kaza tipi ve kaza nedenine etkiyen özelliklerin etki değerleri hesaplanmış sonuçlar tablolar halinde sunulmuştur. Sonuçlara göre, kaza tipi ve nedenini belirlemede en önemli iki özelliğin kaza yeri, gemi tipi ve gemi gros tonajı olduğu görülmüştür. Abstract Data mining, also called knowledge discovery in databases, is the process of discovering new and potentially useful information from large amounts of data. Data mining methods are used in various applications in many different areas that contain large amounts of data. In this study, after filtering the accident records in the database of the Main Search and Rescue Coordination Center under Ministry of Transport and Infrastructure (AAKKM), the ship accidents that occurred in the Izmir Region in 2009-2015 are analyzed. WEKA (Waikato Environment for Knowledge Analysis) software, one of the open source data mining programs, is used to apply the data mining methods after preliminary preparation in the data set. Different classification methods are used to estimate the type and the cause of the accidents. The obtained accuracy values after the test procedures are presented in the tables for comparison. In addition, InfoGainAttributeEval function which is also a data mining method for feature selection is used for determining the effect values of the features on the type and the cause of the accidents. According to the results, it was seen that the two most important characteristics in determining the accident type and cause are the accident location, ship type and ship gross tonnage.
... Tzannatos ve Kokotos, Uluslararası Emniyet Yönetimi Kodunun (ISM) yürürlüğe girmesinden önce ve yürürlüğe girdikten sonra Yunan bandıralı gemilerin karıştıkları deniz kazalarındaki insan hatalarını analiz etmişler ve çalışmalarında ele aldıkları kazaları karar ağacı metoduyla sınıflandırmışlardır (Tzannatos ve Kokotos, 2009). Çakır ve Kamal, İstanbul Boğazında görev yapan gemi trafik hizmetleri sektörlerinde yaşanan kazaların istatiksel analizini yaptıkları çalışmalarında 2001-2016 yılları arasında gerçekleşen 535 deniz kazasını karar ağacı yöntemi ile analiz etmişlerdir (Çakır ve Kamal, 2021). Erol ve Başar, Türk Arama ve Kurtarma Bölgesinde 2001-2009 yılları arasında gerçekleşen deniz kazalarının istatistiksel analizini yaparken karar ağacı yöntemini kullanmışlardır (Erol ve Başar, 2014). ...
Deniz kazaları ve deniz olayları can, gemi ya da yük kayıpları ve kaza sonrasında çevre zararı da oluşturabilen yaşanması arzu edilmeyen olaylardır. Deniz kazaları gerçekleştikten sonra kazanın gerçek nedeninin bulunarak benzer kazaların tekrar yaşanmaması için kaza incelemeleri yapılmaktadır. Deniz kazaları sonrasında ciddi olumsuz sonuçlar meydana gelebileceği için kaza incelemeleri üzerinde önemle durulmakta ve kazaların önüne geçebilmek için incelemeler sonrasında gerekli kapsamlı tedbirler alınmaktadır. Bu çalışmada gerçekleşen deniz kazaları sonrasında kaza nedenlerinin bulunup kazaların analiz edilmesinde kullanılan deniz kaza analiz yöntemleriyle ilgili literatür taraması yapılmış ve deniz kaza analiz yöntemleri tanıtılarak bu yöntemlerin kullanımlarına ilişkin genel bilgiler verilmiştir. Deniz kazalarını incelemek ve incelemelerin sonucunda kazaya sebep olan kök nedenlerin bulmak amacıyla kullanılan birçok yöntem mevcuttur. Deniz emniyetinin sağlanması, deniz çevresinin korunması ve tüm denizcilik paydaşları tarafından deniz kazalarına dikkat çekilebilmesi için gerçekleşen deniz kazalarının analizlerinin etkin ve etkili şekilde yapılması gerekmektedir. Deniz kazaları gerçekçi şekilde uygun yöntemler ile analiz edildiğinde kazaların kök nedenlerinin bulunduğu ve benzer kazaların yaşanmaması için önemli dersler çıkarıldığı görülmektedir.
Ülkeler arasındaki ticaretin artmasıyla birlikte deniz yolu taşımacılığına olan talep hızla artmıştır. Türkiye'nin ithalat ve ihracat rakamlarındaki sürekli artış, ülkenin yurtdışından daha fazla ürün almasını ve bunları yurtdışına göndermesini sağlamaktadır. Artan bu ticaret hacmiyle doğru orantılı olarak Türkiye'ye gelen veya transit boğazlardan geçen gemi sayısı da artış göstermektedir. Ancak, gemi sayısındaki bu artış, deniz kazalarının da her geçen gün arttığına işaret etmektedir. Gemi kazalarının sayısındaki artış, ülkemizin karasularında çevresel ve ekonomik riskler oluşturmaktadır. Bu çalışmada, Türk karasularında son 10 yılda gerçekleşen gemi kazalarının Uluslararası Denizcilik Sözleşmeleri ihlalleri üzerine bir araştırma yapılmıştır. Gemi personeli tarafından en sık ihlal edilen sözleşmeler detaylı bir şekilde incelenmiştir. Kazaların analiz edilmesi ve elde edilen bilgiler doğrultusunda frekans analizi ve Çok Ciddi Kaza (ÇCK) türü üzerinden Doğrusal Regresyon Analizi gerçekleştirilmiştir. Araştırma sonuçlarına göre, COLREG, SOLAS ve ISM kodlarına yönelik ihlallerin kazalara daha fazla etki ettiği belirlenmiştir. Ayrıca, 500 GRT altındaki deniz araçlarının kazalara neden olduğu tespit edilmiştir. Bu çalışmanın sonuçları, kazaların önlenmesi ve azaltılması için yetkili denizcilik otoritelerine rehberlik edecek önemli bilgiler sunmaktadır. // As trade between countries increased, the need for maritime transportation also increased rapidly. The continuous increase in Turkiye's import and export figures enables the country to buy more products from abroad and send them abroad. As these figures increase, the number of ships coming to Turkey or passing through the transit straits also increases in parallel. It is seen that maritime accidents are increasing day by day with the increase in the number of ships. The increase in accidents poses an environmental and economic risk in our country's territorial waters. The aim of the study is
to examine the ship accidents that have occurred in Turkish territorial waters in the last 10 years through violations of International Maritime Conventions and to measure the effects of the conventions. The contracts most frequently violated by ship personnel were examined in detail. Frequency analysis and Multiple Linear Regression Analysis methods were used to analyze the accidents and based on the information obtained. According to the results of the research, it was determined that violations of COLREG, SOLAS and ISM codes had a greater impact on accidents, and the effect of STCW code and MARPOL was less. In addition, it was also determined in the study that marine vessels under 500 GRT were more effective in accidents that occurred in Turkish territorial waters. The results of this study provide important information to guide competent maritime authorities to prevent and reduce accidents.
Bu çalışmada, İstanbul ve Çanakkale Boğazlarından geçen gemilerin tiplerine ve yıllara göre dağılımları, kılavuz alan gemilerin oranları, kazalar ve gemilerin geçiş için bekleme süreleri incelenmiştir. Elde edilen bulgular, 2006-2020 yılları arasında İstanbul ve Çanakkale Boğazlarından geçen gemi sayılarının tedrici olarak azaldığını göstermektedir. Gemi sayılarının aksine, her iki boğazdan da geçen gemilerin toplam tonajları artmıştır. Gerek İstanbul gerekse Çanakkale Boğazı’ndan 2010 yılından sonra geçen 200 m’den büyük gemilerin sayısı artarken, 500 GT’dan küçük gemilerin sayısı azalmıştır. İstanbul ve Çanakkale Boğazlarından geçişte, kılavuz alan gemilerin oranı, gemi büyüklüğüyle artmıştır. Boyu 100 m’den küçük gemilerin ise çok azı kılavuzluk hizmeti alırken, İstanbul Boğazı’ndan geçen 200 m’den büyük gemiler ile Çanakkale Boğazı’ndan geçen 300 m’den büyük gemilerin tamamı kılavuzluk hizmeti almıştır. İstanbul Boğazı’nda, 1 Mayıs 1982-30 Haziran 1994 tarihleri arasını kapsayan dönemde 12,92 kaza yıl-1 meydana gelirken, 1 Temmuz 1994-31 Aralık 2003 arasını kapsayan dönemde 12,33 kaza yıl-1 ve 1 Ocak 2004-31 Aralık 2019 tarihleri arasını kapsayan dönemde 7 kaza yıl-1 meydana gelmiştir. Çanakkale Boğazı’nda meydana gelen gemi kazalarının sayısı da az da olsa son dönemlerde azalma göstermiştir. Boğaz geçişi için gemilerin bekleme süresi 2010-2019 yılları arasında ortalama; İstanbul Boğazı için 13,9 saat, Çanakkale Boğazı için ise 5,4 saat olarak belirlenmiştir. Bekleme süresi son 10 yıl içerisinde İstanbul Boğazı’nda önemli bir değişiklik göstermezken, Çanakkale Boğazında son yıllarda yaklaşık iki saat artmıştır.
In this article, we define the concept of intuitionistic fuzzy parameterized complex multi-fuzzy soft set, which is a generalized mathematical model of fuzzy parameterized complex multi-fuzzy soft sets, in order to better express multi-dimensional data. In addition, some basic operations such as subset, complement, union and intersection for intuitionistic fuzzy parameterized complex multi-fuzzy soft sets are examined and some related properties are given.
