Sayısal Yersel Fotogrametri Yöntemiile Sarıyer İstanbul’da Siluet Üretimi
Bibliographic record
Abstract
Sayısal yersel fotogrametri uzun yıllardır tarihi ve kültürel miras özelliği taşıyan yapıların belgelenmesi ve 3 boyutlu modelleme çalışmalarında başarıyla kullanılmaktadır. Siluet üretiminde de sayısal yersel fotogrametri yöntemi, sadece fotoğrafların kullanımına ihtiyaç duyması, 3 boyutlu değerlendirmeimkânı, görüntü eşleme algoritmaları ile nokta bulutu ve ortofoto üretimi imkânları ve ekonomik olması nedeniyle başarı ile kullanılmaktadır. Sayısal yersel fotogrametri yöntemi tüm yöneltme ve çizim işlemlerini, sayısal yüzey modeli (YM) ve ortofoto üretimini sayısal ortamda gerçekleştirme olanağına sahiptir. Çalışmaların amacı doğrultusunda yersel fotogrametri ile yersel lazer tarayıcılar ya da hava LiDAR sistemleri gibi farklı yöntemlerle de bütünleşik olarak kullanılabilir. Bu çalışmada, İstanbul siluetinin korunması ve değişimlerin izlenmesi amacıyla sayısal yersel fotogrametri kullanılarak Sarıyer Yeni Mahalle'de siluet üretiminin gerçekleştirilmesi amaçlanmıştır. Bu amaç doğrultusunda, kalibre edilmiş 49,1689 mm odak uzaklıklı Nikon D3X sayısal SLR kamera kullanılarak konvergent alım yöntemi ile denizden sayısal fotoğraflar kaydedilmiştir. Sayısal fotoğraflar kullanılarak yöneltme işlemleri, 3B siluet çizimi ve nokta bulutu üretimi PhotoModeler yazılımı kullanılarak başarı ile gerçekleştirilmiştir. Yapılan bu çalışma ile İstanbul’daki Tarihi Yarımada, Haliç ve Boğaz’daki siluet çalışmalarının sayısal yersel fotogrametri yöntemi ile ekonomik bir şekilde yapılabileceği ortaya konulmuştur. Önerilen yaklaşımla sayısal yersel fotogrametri yöntemi ile büyük bütçelere ihtiyaç duyulmadan İstanbul kent siluetindeki değişimler kolaylıkla izlenebilir ve mevcut silueti bozan kentsel yapılaşmaya zamanında müdahale edilebilir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".