Türkiye tarih boyunca pek çok farklı medeniyete ev sahipliği yapmış bir ülke olması dolayısıyla bu medeniyetlere ait, oldukça çeşitli kültürel miras ögelerini içinde barındırmaktadır. Bu bağlamda, sahip olduğumuz bu kültürel mirasın korunması ve gelecek nesillere ulaştırılması oldukça önem arz etmektedir. Kültürel miras ögeleri zaman içerisinde birçok farklı sebepten ötürü deformasyona uğrayabilmekte veya tamamen yok olabilmektedir. Bu durumun önüne geçilebilmesi için öncelikle bu kültürel miras ögelerinin 3 Boyutlu (3B) dokümantasyonunun (belgelenmesinin) yapılması gerekmektedir. Dokümantasyon sonucunda elde edilen veriler, kültürel miras ögeleri üzerindeki deformasyonların izlenmesi, restorasyon çalışmaları gibi pek çok farklı alanda katkı sunabilmektedir. Günümüzde dokümantasyon çalışmalarında kullanılan farklı yöntemler mevcuttur. Arazi üzerinde veri toplaması aşamasında kullanılan yöntemlerden birkaçı; yersel fotogrametri, hava fotogrametrisi ve yersel lazer tarama (YLT) olarak gösterilebilir. Öte yandan, arazi çalışması aşamasında toplanılan verilerin işlenebileceği birçok yazılım mevcuttur. Bu çalışmada, İstanbul Fatih ilçesi sınırlarındaki Sultanahmet Meydanı’nda bulunan tarihi Dikilitaş’ın YLT tekniği kullanılarak taraması yapılmış ve üç farklı yazılım aracılığıyla nokta bulutu üretilmiştir. Bu yazılımların kültürel mirasın dokümantasyonu çalışmalarında kullanılabilirlikleri karşılaştırmalı olarak irdelenmiştir.

İnsan nüfusunun artması ile beraber kentlerinde büyüme süreci hızlanmıştır. Hızla büyüyen kentlerin aynı oranda izlenmesi ve analizi edilmesi gerektiği için bir kente ait mekânsal verilerin hızlı ve doğru toplanmasına ihtiyaç duyulmaktadır. Veriye hızlı erişim sürecinde çeşitli materyaller kullanılsa da ham veriler içerisinden gerekli donelerin tespiti de önemli bir süreçtir. Hızlı gelişen kentlerin izlenmesinde şüphesiz ki hava görüntüleri önemli bir araçtır. Özellikle gelişen İHA teknolojisiyle hava görüntülerine erişimde kolaylaşmıştır. Diğer yöntemlere göre hızlı olmasının yanı sıra içerisinde mekânsal bilgilerin olması İHA görüntülerinin sağladığı büyük avantajların başında gelmektedir. İHA görüntüleri ile mevcut kentsel alanları yönetmek ve izlemek kolaylaşmış olsa da daha verimli bir yönetim için 3B sanal kent modellerine giderek ihtiyaç duyulmaktadır. 3B bina modelleri ise 3B sanal kent modellerinin en önemli bileşenini oluşturduğu için İHA aracılığıyla elde edilen hava görüntülerinden fotogrametri yöntemi ile üretilen dijital ürünler kullanılarak mevcut binaların tespiti önemli bir adım oluşturmaktadır. Bu çalışmada İHA tarafından toplanan hava görüntülerinden üretilen sınıflandırılmamış nokta bulutları zemin, yüksek ve düşük gürültü ve binalar olmak üzere birkaç sınıfa ayrılmıştır. Sınıflandırma sonucunda oluşturulan yer yüzeyi ve bina olarak sınıflandırılan noktalara dayalı olarak gerçek geometrik yapıda 3B kent modelleri oluşturulmuştur. Çalışma sonucunda oluşturulan 3B kent modelleri, yerleşimlerin altyapısını izlemek ve şehirlerin daha da gelişmesi ve mimarisi için önemli olan diğer analizler için bir temel olarak kullanılabileceği ortaya konulmuştur.

The human population is constantly increasing throughout the world, and accordingly, construction is increasing in the same way. Therefore, there is an emergence of irregular and unplanned urbanization. In order to achieve the goal of preventing irregular and unplanned urbanization, it is necessary to monitor the cadastral borders quickly. In this sense, the concept of a sensitive, up-to-date, object-based, 3D, and 4D (4D, 3D + time) cadastral have to be a priority. Therefore, continuously updating cadastral maps is important in terms of sustainability and intelligent urbanization. In addition, due to the increase in urbanization, it has become necessary to update the cadastral information system and produce 3D cadastral maps. However, since there are big problems in data collection in urban areas where construction is rapid, different data-collection devices are constantly being applied. While these data-collection devices have proven themselves in terms of accuracy and precision, new technologies have started to be developed in urban areas especially, which is due to the increase in human population and the influence of environmental factors. For this reason, LiDAR data collection methods and the SLAM algorithm can offer a new perspective for producing cadastral maps in complex urban areas. In this study, 3D laser scanning data obtained from a portable sensor based on the SLAM algorithm are tested, which is a relatively new approach for cadastral surveys in complex urban areas. At the end of this study, two different statistical comparisons and accurate analyses of the proposed methodology with reference data were made. First, WMLS data were compared with GNSS data and RMSE values for X, Y, and Z, and were found to be 4.13, 4.91, and 7.77 cm, respectively. In addition, WMLS length data and cadastral length data from total-station data were compared and RMSE values were calculated as 4.76 cm.

Land use and land cover (LULC) mapping supports environmental monitoring and spatial planning, but classification performance often suffers in feature spaces that combine multiple data sources with redundant predictors. This study compares five feature selection methods (mRMR, ReliefF, Boruta, RFE, HSIC‐Lasso) with three tree‐based classifiers (RF, XGBoost, LightGBM) for LULC classification in Kahramankazan, Ankara, Türkiye. Combining Sentinel‐1, Sentinel‐2, topographic, climatic, and socioeconomic data yielded 240 candidate features. Hyperparameters were tuned with Optuna under spatial cross‐validation, and SHAP was used to interpret feature contributions. HSIC‐Lasso + LightGBM achieved the highest F1 (0.9655) and OA (0.9657) using only 31 features, 84% fewer than Boruta + RF, which reached a comparable F1 with 196 features. McNemar's test with Holm–Bonferroni correction confirmed equivalence with the best Boruta variants and superiority over the mRMR‐ and ReliefF+RF baselines. HSIC‐Lasso also completed the pipeline 16.3 times faster than Boruta, supporting compact embedded selection in multi‐source LULC workflows.