The main purpose of this study is to propose an interoperable land valuation data model for residential properties as an extension of the national geographic data infrastructure (GDI) and to make mass valuation process applicable with the use of machine learning approach. As an example, random forest (RF) ensemble algorithm was implemented in Pendik district of Istanbul to evaluate the prediction performance by using thematic datasets compatible with the data model. This study provides a methodology for various urban applications and robustness of the algorithm increases the prediction of the real estate values with the use of qualified datasets.

Bilişim teknolojilerinin gelişmesiyle, veri üretim teknikleri ve toplanan veri hacmi artmıştır. Akıllı şehir uygulamaları ile sensörler, IoT, internet, giyilebilir teknolojiler gibi farklı veri kaynaklarından akan verilerin yönetimi ve bu verilerden değer yaratmak mümkün hale gelmiştir. Günümüzde toplanan büyük hacimli ve karmaşık verinin yönetimi için geleneksel veri depolama ve yönetim yaklaşımları yetersiz kalmış ve büyük verinin hacim, hız ve çeşitlilik gibi karakteristik özellikleri kapsamında yeni bir yaklaşım ihtiyacı doğmuştur. SQL tabanlı yapısal veritabanlarının yanı sıra, bu ihtiyaca cevap olarak yapılandırılmamış veriyi yönetmede esnek ve ölçeklenebilir bir çözüm olarak NoSQL veritabanı sistemleri geliştirilmiştir. Bu çalışmada, akıllı şehirlerde örnek teknolojiler değerlendirilmiş, coğrafi büyük verinin CBS ile entegrasyonu kapsamında hava izleme istasyonlarından elde edilen anlık sensör ölçme verileri kullanılarak NoSQL veritabanı ortamı olan MongoDB’de Hava Kalitesi İndeksi (HKİ) hesaplanmıştır. CBS ortamında hava izleme istasyonlarına yakın olan trafik sensörlerinden elde edilen veriler ile ortalama trafik yoğunlukları hesaplanmıştır. Elde edilen sonuçlara göre hava kalitesinin trafik ile ilişkisi belirlenmiştir.