Doğal Dil İşleme Tekniklerinin Ormancılık Arazi Envanter Raporlarından Otomatik Veri Çıkarımı ve Standartlaştırılmasındaki Etkinliği
Fuente:
Zenodo
Salvato in:
| Autore principale: | |
|---|---|
| Natura: | Recurso digital |
| Lingua: | turco |
| Pubblicazione: |
Zenodo
2026
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
| _version_ | 1866901248227147776 |
|---|---|
| author | Alper, Kaan |
| author_facet | Alper, Kaan |
| contents | <p><span>Ormancılık sektöründe büyük ölçekli arazi envanter raporları, ekosistemlerin izlenmesi ve yönetim planlarının oluşturulması açısından kritik öneme sahiptir. Ancak bu raporlar genellikle yarı yapılandırılmış metin formatında hazırlanmakta ve farklı bölgesel terminolojiler, değişken biçimlendirme standartları ile heterojen veri yapıları içermektedir. Bu durum, verilerin manuel olarak dijitalleştirilmesini ve standartlaştırılmasını zorunlu kılmakta; bu süreç ise hem zaman alıcı hem de hataya açık bir yapıdadır. Bu araştırma, doğal dil işleme (Natural Language Processing, NLP) tekniklerinin ormancılık arazi envanter raporlarından otomatik veri çıkarımı ve standartlaştırılmasındaki etkinliğini ve hata oranını sistematik biçimde incelemeyi amaçlamaktadır. Çalışmada, adlandırılmış varlık tanıma (Named Entity Recognition, NER), metin sınıflandırma, ilişki çıkarımı ve tablo ayrıştırma gibi NLP alt görevleri kapsamında çeşitli derin öğrenme tabanlı modeller (BERT, SciBERT, LayoutLM) ile kural tabanlı yaklaşımlar karşılaştırılmıştır. Türkiye Orman Genel Müdürlüğü envanter raporlarından derlenen 2.400 sayfalık bir korpus üzerinde deneysel değerlendirmeler gerçekleştirilmiştir. Bulgular, transformer tabanlı modellerin varlık çıkarımında %89,3 F1 skoru ile en yüksek performansı sergilediğini, kural tabanlı sistemlerin ise belirli yapılandırılmış alanlarda %94,1 doğruluk oranına ulaştığını ortaya koymaktadır. Genel hata oranı, hibrit yaklaşımla %6,2'ye düşürülmüştür. Sonuçlar, NLP tabanlı otomatik veri çıkarımının ormancılık envanter yönetiminde önemli verimlilik artışları sağlayabileceğini, ancak alana özgü ön eğitim ve terminoloji sözlüklerinin model performansı üzerinde belirleyici rol oynadığını göstermektedir.</span><em><span> </span></em></p> |
| format | Recurso digital |
| id | zenodo_https___doi_org_10_5281_zenodo_19423639 |
| institution | Zenodo |
| language | tur |
| publishDate | 2026 |
| publisher | Zenodo |
| record_format | zenodo |
| spellingShingle | Doğal Dil İşleme Tekniklerinin Ormancılık Arazi Envanter Raporlarından Otomatik Veri Çıkarımı ve Standartlaştırılmasındaki Etkinliği Alper, Kaan doğal dil işleme ormancılık arazi envanteri otomatik veri çıkarımı adlandırılmış varlık tanıma metin madenciliği standartlaştırma transformer modelleri <p><span>Ormancılık sektöründe büyük ölçekli arazi envanter raporları, ekosistemlerin izlenmesi ve yönetim planlarının oluşturulması açısından kritik öneme sahiptir. Ancak bu raporlar genellikle yarı yapılandırılmış metin formatında hazırlanmakta ve farklı bölgesel terminolojiler, değişken biçimlendirme standartları ile heterojen veri yapıları içermektedir. Bu durum, verilerin manuel olarak dijitalleştirilmesini ve standartlaştırılmasını zorunlu kılmakta; bu süreç ise hem zaman alıcı hem de hataya açık bir yapıdadır. Bu araştırma, doğal dil işleme (Natural Language Processing, NLP) tekniklerinin ormancılık arazi envanter raporlarından otomatik veri çıkarımı ve standartlaştırılmasındaki etkinliğini ve hata oranını sistematik biçimde incelemeyi amaçlamaktadır. Çalışmada, adlandırılmış varlık tanıma (Named Entity Recognition, NER), metin sınıflandırma, ilişki çıkarımı ve tablo ayrıştırma gibi NLP alt görevleri kapsamında çeşitli derin öğrenme tabanlı modeller (BERT, SciBERT, LayoutLM) ile kural tabanlı yaklaşımlar karşılaştırılmıştır. Türkiye Orman Genel Müdürlüğü envanter raporlarından derlenen 2.400 sayfalık bir korpus üzerinde deneysel değerlendirmeler gerçekleştirilmiştir. Bulgular, transformer tabanlı modellerin varlık çıkarımında %89,3 F1 skoru ile en yüksek performansı sergilediğini, kural tabanlı sistemlerin ise belirli yapılandırılmış alanlarda %94,1 doğruluk oranına ulaştığını ortaya koymaktadır. Genel hata oranı, hibrit yaklaşımla %6,2'ye düşürülmüştür. Sonuçlar, NLP tabanlı otomatik veri çıkarımının ormancılık envanter yönetiminde önemli verimlilik artışları sağlayabileceğini, ancak alana özgü ön eğitim ve terminoloji sözlüklerinin model performansı üzerinde belirleyici rol oynadığını göstermektedir.</span><em><span> </span></em></p> |
| title | Doğal Dil İşleme Tekniklerinin Ormancılık Arazi Envanter Raporlarından Otomatik Veri Çıkarımı ve Standartlaştırılmasındaki Etkinliği |
| topic | doğal dil işleme ormancılık arazi envanteri otomatik veri çıkarımı adlandırılmış varlık tanıma metin madenciliği standartlaştırma transformer modelleri |
| url | https://doi.org/10.5281/zenodo.19423639 |