====================================================================================
MerQur - Peyzaj_Mimarligi - SENARYO + SONUC + YORUM (TR, BIRLESTIRILMIS)
Data: english/datasets/Peyzaj_Mimarligi/
Her analiz: SENARYO + DEGISKEN SECIMI, ardindan SONUC (ekran) + YORUM.
====================================================================================

#1  Descriptive Statistics
    dosya: 01_descriptive_park_inventory.xlsx
  >> SENARYO (anlatim):
   İstanbulda 280 parkin envanterini cikarıldı. Her park icin alan büyüklüğü, yesil alan
    orani, agac sayisi, haftalik ziyaretci ve memnuniyet skoru olculdu. Henuz hicbir
    hipotez test etmeden once park stokunun genel resmini gormek istiyoruz:
    parklarin ortalama buyuklugu ne, yesil doku nasil, kullanim ve memnuniyet hangi
    araliklarda? Bu değerleri görebilmek için betimsel istatistiklerle basliyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: area_m2
    - Degiskenler: green_area_ratio
    - Degiskenler: tree_count
    - Degiskenler: visitor_weekly
    - Degiskenler: satisfaction_score
    - Gruplama (kategorik): park_type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    n = 280 park
    alan : ort = 8,888 m2   |   yesil alan orani : ort = 0.696   |   agac sayisi : ort = 68
    haftalik ziyaretci : ort = 515   |   memnuniyet : ort = 3.58

>> YORUM (anlatim):
    Once park envanterinin genel resmini cikardik: 280 park, ortalama alan ~8,900 m2, yesil alan orani %70, park
    basina 68 agac, haftalik 515 ziyaretci, 5 uzerinden 3.58 memnuniyet. Bu betimsel tablo, izleyen tum analizlerin --
    tasarim/bolge karsilastirmalari, yesil alan-memnuniyet iliskileri, mekansal park degeri -- zeminini kuruyor.
    Peyzaj mimarliginda herhangi bir cikarimsal teste gecmeden once park stokunun temel ozelliklerini (alan, yesil
    doku, kullanim, memnuniyet) ozetlemek, hem veri kalitesini denetlemek hem de planlama onceliklerini belirlemek
    icin sarttir.

====================================================================================

#2  Normality Tests
    dosya: 02_normality_visitor_satisfaction_noise.xlsx
  >> SENARYO (anlatim):
    Park kullanim ve cevre verilerinde haftalik ziyaretci, memnuniyet skoru ve
    gurultu (dB) degiskenlerinin normal dagilip dagilmadigini incelemek istiyoruz.
    Bundan sonra yapacagimiz t-testi, ANOVA ve korelasyon analizlerinin gecerliligi
    bu varsayima bagli oldugu icin, her degiskenin dagilim yapisini ayri ayri
    sinamamiz gerekiyor.
  >> DEGISKEN SECIMI:
    - Degiskenler: visitor_weekly
    - Degiskenler: satisfaction_score
    - Degiskenler: noise_dB

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    3 surekli degisken test edildi:
    visitor_weekly (haftalik ziyaretci) : Shapiro-Wilk = 0.995  p = 0.781   KS p = 0.370   Normal
    satisfaction_score (memnuniyet)     : Shapiro-Wilk = 0.934  p < .001    KS p = 0.001   Normal Degil
    noise_dB (gurultu)                  : Shapiro-Wilk = 0.803  p < .001    KS p = 0.001   Normal Degil

>> YORUM (anlatim):
    Uc surekli degiskenin -- haftalik ziyaretci, memnuniyet skoru ve gurultu duzeyi -- normal dagilip dagilmadigini
    test ettik. Sonuc ogretici biçimde ayrisiyor: ziyaretci sayisi normal (p = 0.78), ama memnuniyet ve gurultu
    normallikten anlamli sapiyor (p < .001). Bu peyzaj verisinde tipiktir -- memnuniyet sirali/sinirli bir olcektir
    (tavan/taban etkisi), gurultu ise sag-carpiktir (cogu park sessiz, bir kismi cok gurultulu). Pratik sonuc:
    ziyaretci uzerinde parametrik testleri (t-testi, ANOVA, Pearson) guvenle kullanabiliriz; memnuniyet ve gurultu
    icin Mann-Whitney/Kruskal-Wallis gibi parametrik olmayan yontemler ya da donusum daha dogru olur. Normallik
    kontrolu, her degisken icin ayri ayri hangi test ailesinin uygun oldugunu belirleyen kritik bir on adimdir.

====================================================================================

#3  One-Sample t-Test
    dosya: 03_one_sample_t_green_area_ratio.xlsx
  >> SENARYO (anlatim):
    Parklarin ortalama yesil alan oraninin, planlama standardi olarak benimsenen
    %30'luk referans esikten farkli olup olmadigini arastiriyoruz. Elimizde tek bir
    grup olcum ve karsilastiracagimiz sabit bir referans deger bulundugundan, orneklem
    ortalamasini bilinen bir esikle karsilastiran tek orneklem t-testi uygundur.
  >> DEGISKEN SECIMI:
    - Test degiskeni: green_area_ratio
    - Test edilen deger (mu): 0.30

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu (cift / sag / sol): yon onceden biliniyorsa tek yonlu daha gucludur.
    - Hedges g: kucuk orneklem icin yanli-duzeltilmis Cohen d.
    - Etki buyuklugu %GA: d icin guven araligi.
    - Shapiro-Wilk / K-S: normallik varsayim kontrolu.
    - Betimsel: ortalama/SS/SH/medyan/min/maks/carpiklik/basiklik.
    - Bootstrap %GA: yeniden orneklemeyle dagilimsiz ortalama GA'si.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(99) = 28.18   p < .001 ***   Cohen d = 2.818 (Buyuk)
    Ortalama yesil alan orani = 0.557   (test mu = 0.30, referans esik)   H0 REDDEDILIR

>> YORUM (anlatim):
    Parklarin ortalama yesil alan oranini, %30'luk bir planlama referans esigiyle karsilastirdik. Sonuc cok guclu:
    ortalama %55.7, esigin cok belirgin uzerinde -- t(99) = 28.18, p < .001, etki buyuklugu d = 2.82 ile devasa.
    Yani bu parklar yesil alan orani bakimindan referans hedefi tesadufle aciklanamayacak kadar asiyor -- yesil doku
    bakimindan zengin bir park stoku. Tek orneklem t-testi, bir peyzaj gostergesini bilinen bir standart/norm degeriyle
    (yesil alan standardi, kisi basi yesil alan hedefi) karsilastirmanin dogru yoludur; kentsel yesil alan
    planlamasinda hedeflere uygunlugu degerlendirmede sik kullanilir.

====================================================================================

#4  Independent Samples t-Test
    dosya: 04_independent_t_coast_inner_satisfaction.xlsx
  >> SENARYO (anlatim):
    Sahil parklari ile ic kesim parklarinin kullanici memnuniyeti arasinda fark olup
    olmadigini arastiriyoruz. Iki bagimsiz grup (konum) ve surekli bir sonuc
    (memnuniyet) oldugundan, iki grup ortalamasini karsilastiran bagimsiz orneklem
    t-testi en uygun yontemdir.
  >> DEGISKEN SECIMI:
    - Gruplama: location
    - Olcum: satisfaction

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu (cift / sag / sol).
    - Varyans varsayimi: Student (esit) / Welch (esit degil — daha guvenli) / Otomatik (Levene karar verir).
    - Etki buyuklukleri: Hedges g, Glass delta, CLES = P(X>Y).
    - Etki %GA; grup basina Shapiro; Levene & Bartlett homojenlik.
    - Grup basina betimsel; ortalama farki icin Bootstrap %GA.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t(113) = 6.654   p < .001 ***   Cohen d = 1.242 (Buyuk)
    Memnuniyet, konuma (sahil/ic kesim) gore anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Park memnuniyetinin konuma -- sahil vs ic kesim -- gore farklilasip farklilasmadigini bagimsiz t-testiyle
    inceledik. Fark cok anlamli ve buyuk (t(113) = 6.65, p < .001, d = 1.24): sahil parklari ic kesim parklarindan
    belirgin sekilde daha yuksek memnuniyet aliyor. Bu, peyzaj tasarimda manzara/su kenari erisiminin kullanici
    deneyimine guclu katkisini gosterir. Bagimsiz t-testi, iki bagimsiz grubun (konum, park tipi) memnuniyet/deneyim
    skorlarini karsilastirmanin temel yontemidir; etki buyuklugunun buyuk olmasi, konumun pratik olarak da cok onemli
    bir tasarim degiskeni oldugunu soyler.

====================================================================================

#5  Paired Samples t-Test
    dosya: 05_paired_t_renewal_before_post.xlsx
  >> SENARYO (anlatim):
    Yenileme (renovasyon) projesinin etkisini olcmek icin ayni parklarin yenileme
    oncesi ve sonrasi haftalik ziyaretci sayisini karsilastiriyoruz. Ayni birimler
    iki kez olculdugu icin gozlemler esli; bu nedenle eslestirilmis t-testi dogru
    secimdir.
  >> DEGISKEN SECIMI:
    - Once: visitor_before
    - Sonra: visitor_post

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu (cift / sag / sol).
    - Etki buyuklukleri: Hedges g; d_av (ortalama SS ile standardize).
    - Etki %GA; iki olcum arasi ciftler korelasyonu.
    - Farklar uzerinde Shapiro / K-S; betimsel; ortalama farki Bootstrap %GA.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Eslestirilmis t(49) = -16.11   p < .001 ***   Cohen d_z = -2.278 (Buyuk)
    Ort. fark (yenileme oncesi − sonrasi ziyaretci) = -74.3   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir park yenileme (renovasyon) projesinin etkisini, ayni parklarin yenileme oncesi ve sonrasi ziyaretci sayisini
    eslestirilmis t-testiyle karsilastirarak olctuk. Sonuc carpici: yenileme sonrasi ziyaretci sayisi ortalama 74
    kisi artmis, t(49) = -16.11, p < .001, etki buyuklugu d_z = -2.28 ile devasa. Yenileme parklari belirgin sekilde
    daha cekici hale getirmis. Ayni parklari iki kez olctugumuz icin esli test dogru secim -- parklar arasi farki
    disar atarak yalnizca kendi degisimine odaklanir. Peyzaj uygulamalarinda "oncesi-sonrasi" mudahale (yenileme,
    duzenleme) degerlendirmenin altin standart yoludur.

====================================================================================

#6  One-Way ANOVA
    dosya: 06_one_way_anova_design_satisfaction.xlsx
  >> SENARYO (anlatim):
    Dort farkli tasarim stilinin kullanici memnuniyeti uzerindeki etkisini
    karsilastirmak istiyoruz. Ikiden cok grup ve surekli bir sonuc oldugundan, tek
    yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama: design_style
    - Olcum: satisfaction

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - ANOVA varyanti: Klasik (Fisher) veya Welch (esit olmayan varyansa dayanikli).
    - Etki buyuklukleri: omega-kare ve epsilon-kare (eta-kareden daha az yanli).
    - Varsayimlar: Levene, Bartlett, grup basina Shapiro.
    - Grup betimseli; post-hoc (Tukey/Duncan/Bonferroni/Scheffe/Games-Howell).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3, 136) = 5.7482   p = 0.001 ***   η² = 0.1125
    DECISION: H0 REDDEDILIR (4 tasarim stili)

>> YORUM (anlatim):
    Dort farkli tasarim stilinin (formal, dogal, modern, karma vb.) memnuniyet uzerindeki etkisini tek yonlu ANOVA
    ile karsilastirdik. Sonuc anlamli (F(3,136) = 5.75, p = 0.001), etki buyuklugu η² = 0.11 -- memnuniyetin %11'i
    tasarim stiliyle aciklaniyor (orta duzey bir etki). ANOVA en az bir stilin digerlerinden farkli oldugunu soyler;
    hangi stillerin farklilastigini gormek icin post-hoc test gerekir. "Hangi tasarim yaklasimi kullanici
    memnuniyetini artirir" sorusu peyzaj tasarimin temel sorularindandir; ANOVA bunu cok gruplu olarak yanitlamanin
    standart yontemidir.

====================================================================================

#7  Two-Way ANOVA
    dosya: 07_two_way_anova_style_region.xlsx
  >> SENARYO (anlatim):
    Memnuniyeti hem tasarim stili hem de bolge faktoruyle birlikte inceliyoruz; ayrica
    iki faktorun etkilesimini de gormek istiyoruz (ayni stil her bolgede ayni mi?).
    Iki kategorik faktor ve surekli sonuc oldugundan iki yonlu ANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Faktor 1: design_style
    - Faktor 2: region
    - Olcum: satisfaction

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kareler toplami turu (I/II/III): dengesiz + etkilesimli desende Type III (SPSS varsayilani).
    - 3+ duzeyli faktor icin post-hoc (Tukey/Bonferroni/Games-Howell).
    - Etki buyuklukleri: kismi eta-kare, eta-kare, omega-kare.
    - Levene & artik Shapiro; hucre ve marjinal ortalama tablolari.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    design_style (ana etki) : F(2) = 40.89   p < .001 ***   η²p = 0.32
    region (ana etki)       : F(2) =  7.62   p < .001 ***   η²p = 0.08

>> YORUM (anlatim):
    Memnuniyeti iki faktorle -- tasarim stili ve bolge -- birlikte inceledik. Tasarim stilinin etkisi cok guclu
    (F = 40.89, η²p = 0.32), bolgenin etkisi de anlamli ama daha kucuk (F = 7.62, p < .001, η²p = 0.08). Yani
    memnuniyeti belirleyen asil faktor tasarim; bolge ikincil. Iki yonlu ANOVA'nin gucu, iki faktorun hem ayri ayri
    hem birlikte (etkilesim) etkisini ayni anda gormesidir. Bu, "ayni tasarim stili her bolgede ayni memnuniyeti mi
    veriyor" sorusunu yanitlar -- kentten kente uyarlanmis (context-sensitive) peyzaj tasarimin temel sorusu.

====================================================================================

#8  Repeated-Measures ANOVA
    dosya: 08_repeated_anova_season_visitor.xlsx
  >> SENARYO (anlatim):
    Ayni parklarin dort mevsimdeki ziyaretci sayisini karsilastiriyoruz. Ayni birimler
    tekrar tekrar olculdugu icin gozlemler bagimli; tekrarli olcumler ANOVA dogru
    yontemdir.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: season_spring_visitor, season_summer_visitor, season_autumn_visitor, season_winter_visitor

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kurelik duzeltmesi: Mauchly ihlal edilince Greenhouse-Geisser.
    - Mauchly kurelik testi (W, p).
    - Genellestirilmis eta-kare (ges) etki buyuklugu.
    - Ikili post-hoc (Bonferroni/Holm); duzey basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    F(3, 237) = 1090.49   p < .001 ***   η²p = 0.9324   (n = 80)
    DECISION: H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni 80 parkin dort mevsimdeki ziyaretci sayisini tekrarli olcumler ANOVA ile karsilastirdik. Ayni parklar
    tekrar tekrar olculdugu icin gozlemler bagimli; RM-ANOVA bu birimler-ici korelasyonu hesaba katar. Sonuc ezici
    (F(3,237) = 1090.49, p < .001, η²p = 0.93): ziyaretci sayisi mevsimler arasinda cok belirgin degisiyor -- guclu
    bir mevsimsellik (yaz piki, kis dusugu). Etki buyuklugu %93! RM-ANOVA, ayni parklarin zaman icinde izlendigi
    mevsimsel kullanim calismalari icin dogru yontemdir ve her mevsimi bagimsiz saymaktan cok daha gucludur. Parklarin
    mevsimsel kullanim dinamigini cikarmak, bakim ve etkinlik planlamasi icin degerlidir.

====================================================================================

#9  MANOVA
    dosya: 09_manova_style_3DV.xlsx
  >> SENARYO (anlatim):
    Tasarim stilinin uc korelasyonlu kullanici-deneyimi degiskeni (memnuniyet, kalis
    suresi, tekrar ziyaret orani) uzerindeki etkisini ayni anda test etmek istiyoruz.
    Birden cok iliskili bagimli degisken oldugundan MANOVA uygundur.
  >> DEGISKEN SECIMI:
    - Faktor: design_style
    - Bagimli degiskenler: satisfaction, stay_min, repeat_visit_ratio

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Genel karar icin referans test: Wilks / Pillai (en saglam) / Hotelling-Lawley / Roy.
    - Box's M: gruplarin kovaryans matrislerinin esitligi.
    - Tek-degiskenli takip ANOVA'lari (her bagimli degisken icin).
    - Cok-degiskenli kismi eta-kare; grup betimsel ortalamalari.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Wilks' Lambda = 0.386 -> F(6, 230) = 23.33   p < .001 ***   (n = 120)
    Bagimli: memnuniyet, kalis suresi, tekrar ziyaret orani   |   Faktor: tasarim stili

>> YORUM (anlatim):
    Burada uc korelasyonlu kullanici-deneyimi degiskeni -- memnuniyet, kalis suresi, tekrar ziyaret orani -- ve bir
    tasarim stili faktoru var. Uc ayri ANOVA yapmak hata oranini sisirir ve degiskenler arasi korelasyonu yok sayar.
    MANOVA uçunu birlikte test eder: Wilks Lambda F = 23.33, p < .001, yani tasarim stili cok degiskenli kullanici-
    deneyimi profilini guclu sekilde degistiriyor. MANOVA, bir tasarim mudahalesinin birden cok iliskili sonucu ayni
    anda etkiledigi durumda dogru yaklasimdir. Anlamli MANOVA'dan sonra hangi deneyim boyutunun etkiyi surukledigini
    izleyen univariate testler gosterir.

====================================================================================

#10  ANCOVA
    dosya: 10_ancova_green_intervention.xlsx
  >> SENARYO (anlatim):
    Yesillendirme mudahalesinin son yesil oranina etkisini, parklarin baslangic yesil
    oranini kontrol ederek incelemek istiyoruz. Baslangic duzeyini kovaryat olarak
    alip duzeltmek icin ANCOVA uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli: green_after_pct
    - Faktor: intervention
    - Kovaryat: green_baseline_pct

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Kareler toplami turu (I/II/III).
    - Regresyon egim homojenligi testi (faktor x kovaryans — ANCOVA'nin kilit varsayimi).
    - Etki buyuklukleri: omega-kare, epsilon-kare.
    - Levene & artik Shapiro; duzeltilmis (EMM) ortalamalarda Bonferroni post-hoc.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    intervention (faktor): η²p = 0.588 (cok buyuk)   p < .001 ***
    Kovaryat: green_baseline_pct (baslangic yesil orani)   |   DV: green_after_pct   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir yesillendirme mudahalesinin etkisini degerlendirirken, parklarin baslangic (baseline) yesil oranlarini
    kontrol etmek sarttir -- cunku parklar baslangicta farkliysa son yesil orani farki yaniltici olur. ANCOVA,
    baslangic oranini kovaryat olarak alip istatistiksel olarak sabitler. Sonuc: baslangic orani icin duzeltildikten
    sonra bile mudahale gruplari son yesil orani bakimindan cok anlamli farkli (η²p = 0.59, cok buyuk etki). Yani
    gozlenen fark baslangic farklarinin yan urunu degil; mudahalenin gercek etkisi. ANCOVA, oncesi-sonrasi peyzaj
    mudahale calismalarinda baslangic farkliliklarini adil kontrol etmenin standart yontemidir.

====================================================================================

#11  Bootstrap CI
    dosya: 11_bootstrap_ci_visitor_median.xlsx
  >> SENARYO (anlatim):
    Gunluk ziyaretci sayisinin medyani icin guven araligi cikarmak istiyoruz; veri
    carpik oldugundan dagilim varsayimi yapmadan binlerce yeniden ornekleme ile
    araligi tahmin eden bootstrap yontemini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Degisken: visitor_daily
    - Istatistik: medyan

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen medyan gunluk ziyaretci = 266
    %95 Bootstrap Guven Araligi (yeniden ornekleme ile)

>> YORUM (anlatim):
    Gunluk ziyaretci sayisinin medyani icin bootstrap yontemiyle guven araligi cikardik: gozlenen medyan 266. Ziyaretci
    verisi tipik olarak sag-carpiktir (cogu gun orta, bazi gunler cok yogun) ve klasik normal-dagilim varsayan
    formuller boyle veride guvenilmez olabilir. Bootstrap, dagilim varsayimi yapmadan binlerce yeniden ornekleme ile
    araligi tahmin eder. Bu, carpik kullanim verilerinde (ziyaretci, gunluk doluluk) merkez egilimin belirsizligini
    ifade etmenin saglam bir yoludur; medyan, carpik dagilimda ortalamadan daha temsil edici bir olcudur.

====================================================================================

#12  Permutation Test
    dosya: 12_permutation_green_area_stress.xlsx
  >> SENARYO (anlatim):
    Yesil alana maruziyetin stres uzerindeki etkisini, dagilim varsayimi yapmadan,
    grup etiketlerini binlerce kez karistirip karsilastiran permutasyon testiyle
    sinamak istiyoruz.
  >> DEGISKEN SECIMI:
    - Gruplama: group
    - Olcum: stress

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    t = 2.89   p = 0.0057 **   H0 REDDEDILIR
    Stres, iki gruba (yuksek/dusuk yesil maruziyeti) gore anlamli farkli

>> YORUM (anlatim):
    Yesil alana maruziyetin stres uzerindeki etkisini permutasyon testiyle sinadik. Permutasyon, grup etiketlerini
    binlerce kez rastgele karip gozlenen farkin sansa bagli olup olmadigini olcer -- hicbir dagilim varsayimi
    gerektirmez. Sonuc anlamli (p = 0.006): yuksek ve dusuk yesil maruziyeti gruplarinin stres duzeyi tesadufle
    aciklanamayacak kadar farkli. Bu, peyzajin "iyilestirici" etkisinin -- yesil alanin stres azaltma rolunun --
    nicel kanitidir (terapotik peyzaj/restoratif cevre arastirmalarinin temel bulgusu). Kucuk orneklemlerde permutasyon,
    t-testinin saglam ve varsayimsiz alternatifidir.

====================================================================================

#13  Multiple Comparison
    dosya: 13_multiple_comparison_plant_vitality.xlsx
  >> SENARYO (anlatim):
    Farkli uygulamalarin bitki canlilik orani uzerindeki etkisini ikili karsilastirirken,
    coklu test nedeniyle artan yanlis-pozitif riskini Bonferroni/Holm/FDR duzeltmeleriyle
    kontrol etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Gruplama: treatment
    - Olcum: vitality_ratio

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Bitki canlilik orani gruplari referansa karsi: TOPLAM ANLAMLI = 3/8 (tum duzeltme yontemlerinde)

>> YORUM (anlatim):
    Farkli uygulamalarin bitki canlilik orani uzerindeki etkisini ikili karsilastirdigimizda cok sayida test yapariz --
    her test yanlis-pozitif riski tasir. Coklu karsilastirma duzeltmesi bu riski kontrol eder. Burada sekiz
    karsilastirmanin ucu tum duzeltme yontemlerinde (Bonferroni, Holm, FDR) anlamli kaldi (3/8). Yani bazi uygulamalar
    referanstan gercekten farkli, bazilari duzeltme sonrasi anlamliligini yitiriyor. Bitki yetistirme/dikim
    denemelerinde bu adim atlanirsa sahte farklar rapor etme riski dogar; dogru duzeltme guvenilir uygulama secimi
    icin sarttir.

====================================================================================

#14  Mann-Whitney U
    dosya: 14_mann_whitney_city_suburb_aesthetic.xlsx
  >> SENARYO (anlatim):
    Sehir merkezi ve banliyo parklarinin estetik skorunu karsilastiriyoruz; estetik
    puanlari sirali ve normal dagilmayabilecegi icin parametrik olmayan Mann-Whitney
    uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama: location
    - Olcum: aesthetic_score

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu; sureklilik duzeltmesi.
    - Hesaplama yontemi: otomatik / tam (kucuk n'de kesin) / asimptotik.
    - Etki buyuklukleri: CLES ve Z/karekok(N) (rank-biserial r zaten var).
    - Betimsel (medyan vb.).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Mann-Whitney U = 670.50   p = 0.041 *   r = .26
    Estetik skoru sehir/banliyo konumuna gore anlamli farkli (sinirda).   H0 REDDEDILIR

>> YORUM (anlatim):
    Park estetik skorunun sehir merkezi ve banliyo konumuna gore farklilasip farklilasmadigini parametrik olmayan
    Mann-Whitney ile test ettik -- cunku estetik puanlari siralidir ve normal dagilmayabilir. Sonuc sinirda anlamli
    (U = 670.5, p = 0.041, r = 0.26): fark var ama p degeri 0.05'e yakin, etki orta. Sehir ve banliyo parklarinin
    estetik algisi farklilasiyor (muhtemelen tasarim/bakim/baglam farki). Sirali/carpik estetik verisinde Mann-Whitney,
    t-testinden daha guvenilirdir ve peyzaj algi/tercih calismalarinda yaygin kullanilir. Sinirda sonuc, daha buyuk
    orneklemle dogrulanmali.

====================================================================================

#15  Wilcoxon Signed-Rank
    dosya: 15_wilcoxon_maintenance_cleanliness.xlsx
  >> SENARYO (anlatim):
    Bakim programinin park temizligine etkisini, ayni parklarin oncesi-sonrasi temizlik
    skorunu karsilastirarak olcuyoruz. Esli ve sirali/carpik veri icin eslestirilmis
    Wilcoxon uygundur.
  >> DEGISKEN SECIMI:
    - Once: cleanliness_before
    - Sonra: cleanliness_post

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Hipotez yonu; sureklilik duzeltmesi.
    - Sifir-fark islemi: wilcox (at) / pratt / zsplit.
    - Iki olcum ve farki icin betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Wilcoxon W = 0.00   p < .001 ***   r = 0.892   n (sifirsiz) = 30
    Temizlik skoru bakim oncesi-sonrasi anlamli degisti.   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir bakim programinin park temizligine etkisini, ayni parklarin bakim oncesi ve sonrasi temizlik skorlarini
    eslestirilmis Wilcoxon testiyle karsilastirdik. Sonuc cok guclu: W = 0, p < .001, etki buyuklugu r = 0.89.
    Temizlik, neredeyse tum parklarda ayni yonde ve buyuk olcude iyilesti -- bakim acik bir etki yaratmis. Esli
    olculerde ve sirali/carpik skor verisinde Wilcoxon dogru secimdir. Park bakim mudahalelerinin etkisini olcmenin
    saglam, varsayimsiz yoludur; peyzaj yonetiminde bakim politikalarinin etkinligini degerlendirmede kullanilir.

====================================================================================

#16  Kruskal-Wallis
    dosya: 16_kruskal_soil_survival.xlsx
  >> SENARYO (anlatim):
    Bitki sagkalim suresinin toprak tipine gore degisip degismedigini inceliyoruz;
    ucten cok grup ve normal olmayabilecek sure verisi icin Kruskal-Wallis uygundur.
  >> DEGISKEN SECIMI:
    - Gruplama: soil_type
    - Olcum: survival_year

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Epsilon-kare etki buyuklugu.
    - Dunn ikili post-hoc (bag-duzeltmeli, Bonferroni/Holm).
    - Grup basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    H(2) = 4.4582   p = 0.108 ns   eta-kare_H = 0.06
    Bitki sagkalim suresi toprak tipine gore ANLAMLI FARKLI DEGIL.   H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Bitki sagkalim suresinin toprak tipine gore degisip degismedigini Kruskal-Wallis ile sinadik -- ucten fazla
    grubun parametrik olmayan ANOVA'si. Sonuc anlamsiz (H(2) = 4.46, p = 0.108): toprak tipleri arasinda sagkalim
    bakimindan anlamli fark yok. Anlamsiz sonuc da bilgidir -- bu veride bitkiler farkli toprak tiplerinde benzer
    sagkalim gosteriyor (belki dogru tur secimi/dikim teknigi toprak farkini telafi ediyor). Sayim/sirali sure verisi
    normal dagilmayabildigi icin Kruskal-Wallis, klasik ANOVA'dan daha uygundur. Negatif bulgular, toprak tipine
    asiri odaklanmadan dikim kararlari almaya yardimci olur.

====================================================================================

#17  Friedman
    dosya: 17_friedman_panelist_composition.xlsx
  >> SENARYO (anlatim):
    Ayni panelistlerin dort peyzaj kompozisyonuna verdigi estetik puanlari karsilastiriyoruz.
    Ayni degerlendiriciler tum kompozisyonlari puanladigi icin (tekrarli olcum, sirali
    veri) Friedman testi uygundur.
  >> DEGISKEN SECIMI:
    - Tekrarli olcumler: composition_A_aesthetic, composition_B_aesthetic, composition_C_aesthetic, composition_D_aesthetic

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Ikili Wilcoxon isaretli-sira post-hoc (Bonferroni/Holm).
    - Kosul basina betimsel.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Friedman chi-kare(3) = 41.91   p < .001 ***   Kendall W = 0.4657   n = 30
    Ayni panelistlerin 4 kompozisyona verdigi estetik puan anlamli farkli.   H0 REDDEDILIR

>> YORUM (anlatim):
    Ayni panelistlerin dort farkli peyzaj kompozisyonuna verdigi estetik puanlari Friedman testiyle karsilastirdik --
    tekrarli olculerin parametrik olmayan karsiligi. Sonuc cok anlamli (chi-kare(3) = 41.91, p < .001), Kendall
    W = 0.47 ile panelistler arasi siralama tutarliligi orta-yuksek: panelistler hangi kompozisyonu daha estetik
    buldugunda buyuk olcude hemfikir. Ayni panelistler tum kompozisyonlari degerlendirdigi icin gozlemler bagimli;
    Friedman bu bagimliligi dogru hesaba katar. Peyzaj estetik degerlendirmesinde (gorsel tercih anketleri) tasarim
    alternatiflerini ayni degerlendiriciler uzerinde karsilastirmanin dogru testidir.

====================================================================================

#18  Binomial Test
    dosya: 18_binomial_seedling_survival.xlsx
  >> SENARYO (anlatim):
    Dikilen fidanlarin sagkalim oraninin sansa esit (%50) olup olmadigini sinamak
    istiyoruz. Tek bir ikili oran ve sabit bir referans oldugundan binom testi uygundur.
  >> DEGISKEN SECIMI:
    - Ikili degisken: survival_status
    - Beklenen oran: 0.50

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen sagkalim orani = 0.7362   test orani = 0.50
    p < .001 ***   H0 REDDEDILIR

>> YORUM (anlatim):
    Dikilen fidanlarin sagkalim oraninin sansa esit (%50) olup olmadigini binom testiyle sinadik. Gozlenen oran 0.74 --
    fidanlarin dortte ucu yasamis. Bu, %50'den anlamli sekilde yuksek (p < .001), yani dikim basarisi iyi. Binom
    testi, tek bir ikili orani (yasadi/oldu, var/yok) bilinen bir referans oranla karsilastirmanin en yalin yoludur.
    Peyzaj uygulamalarinda dikim/fidan sagkalim oranlarini bir hedef ya da kabul edilebilir esikle karsilastirmak,
    agaclandirma/yesillendirme basarisini degerlendirmenin pratik bir yoludur.

====================================================================================

#19  Sign Test
    dosya: 19_sign_test_pruning_crown.xlsx
  >> SENARYO (anlatim):
    Budamanin agac tac capina etkisini, ayni agaclarin oncesi-sonrasi tac capini
    karsilastirarak olcuyoruz. Degisimin yonune odaklanan, varsayimsiz isaret testi uygundur.
  >> DEGISKEN SECIMI:
    - Once: crown_diameter_before_m
    - Sonra: crown_diameter_post_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pozitif (oncesi > sonrasi) = 22   (cogunlukla tac capi AZALDI)   p = 0.0037 **   H0 REDDEDILIR

>> YORUM (anlatim):
    Bir budama mudahalesinin agac tac capina etkisini, ayni agaclarin budama oncesi ve sonrasi tac capini esli isaret
    testiyle karsilastirdik. Agaclarin cogunlugunda (22'sinde) tac capi azalmis (oncesi daha buyuk), p = 0.004. Yani
    budama tac capini beklendigi gibi kuculttu. Isaret testi yalnizca degisimin yonune (azaldi/artti) bakar,
    buyuklugune degil; dayanikli ve varsayimsiz bir testtir. Degisimin yonu onemli oldugunda ya da dagilim cok carpik
    oldugunda, kaba ama saglam bir oncesi-sonrasi gostergesidir. Agac bakim/budama uygulamalarinin etkisini olcmede kullanilir.

====================================================================================

#20  Runs Test
    dosya: 20_runs_test_park_occupancy.xlsx
  >> SENARYO (anlatim):
    Gunluk park doluluk serisinin rastgele mi yoksa kumelenmis/oruntu icerip
    icermedigini sinamak istiyoruz; ardisik gozlemlerde desen olup olmadigini Runs
    (Wald-Wolfowitz) testiyle kontrol ediyoruz.
  >> DEGISKEN SECIMI:
    - Dizi: visitor_count

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Gozlenen run = 32   Z = 0.27   (rastgele kabul edilir)
    H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Gunluk park doluluk (ziyaretci) serisinin rastgele dagilip dagilmadigini -- ardisik gunlerde kumelenme/oruntu olup
    olmadigini -- Wald-Wolfowitz runs testiyle sinadik. Z = 0.27 ile gozlenen run sayisi beklenene cok yakin; seri
    rastgele kabul ediliyor, sistematik bir oruntu yok. Bu metodolojik olarak onemli: eger seri rastgele degilse
    (otokorelasyon varsa) bircok klasik test gecersizlesir. Burada rastgelelik saglandigi icin standart yontemler
    guvenle kullanilabilir. Runs testi, zaman-sirali kullanim verilerinde bu on-kontrol icin idealdir.

====================================================================================

#21  Chi-Square Independence
    dosya: 21_chisquare_type_disease.xlsx
  >> SENARYO (anlatim):
    Agac turu ile hastalik gorulmesi arasinda iliski olup olmadigini arastiriyoruz.
    Iki kategorik degisken arasi iliski icin ki-kare bagimsizlik testi uygundur.
  >> DEGISKEN SECIMI:
    - Satir: type
    - Sutun: disease

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Yates sureklilik duzeltmesi (2x2 tablolar).
    - G-testi (olabilirlik-orani ki-kare) secenegi.
    - Etki buyuklukleri: phi (2x2) ve kontenjans katsayisi C (Cramer's V'ye ek).
    - Beklenen-deger tablosu; standart artiklar (|>2| sapan hucreyi isaretler).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(3) = 49.7989   p < .001 ***   Cramer V = 0.39 (Guclu)
    Agac turu ile hastalik iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Agac turu ile hastalik gorulmesi arasinda iliski olup olmadigini ki-kare ile test ettik. Sonuc guclu:
    chi-kare(3) = 49.80, p < .001, Cramer V = 0.39. Yani tur ve hastalik bagimsiz degil -- bazi turler hastaliga
    belirgin sekilde daha yatkin. Bu, peyzaj bitki secimi icin kritik: hastaliga dayanikli tur secimi, kentsel agac
    saglgini ve bakim maliyetini dogrudan etkiler. Iki kategorik degisken arasi iliski icin ki-kare bagimsizlik testi
    standart yontemdir; Cramer V iliskinin gucunu olcer. Tur-hastalik desenini bilmek, dirençli tur paletinin
    olusturulmasinda yol gosterir.

====================================================================================

#22  Chi-Square Goodness-of-Fit
    dosya: 22_chisquare_goodnessfit_type_distribution.xlsx
  >> SENARYO (anlatim):
    Bir alandaki bitki turlerinin esit dagilip dagilmadigini sinamak istiyoruz;
    gozlenen kategori dagilimini esit beklentiyle karsilastiran ki-kare uyum iyiligi
    testi uygundur.
  >> DEGISKEN SECIMI:
    - Kategorik degisken: type

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Etki buyuklukleri: Cohen w ve Cramer's V.
    - G-testi (olabilirlik orani) secenegi.
    - Kategori basina standart artiklar (|>2| = belirgin sapma).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(3) = 14.88   p = 0.002 **   n = 200   k = 4 tur (beklenen: esit 1/k)
    H0 REDDEDILIR

>> YORUM (anlatim):
    Bir parktaki/kentteki bitki turlerinin esit dagilip dagilmadigini ki-kare uyum iyiligi testiyle sinadik. Gozlenen
    dagilim esit beklentiden anlamli sapiyor (chi-kare(3) = 14.88, p = 0.002): bazi turler bekleneninden yaygin,
    bazilari nadir. Yani tur dagilimi dengeli degil. Bu, peyzajda tur cesitliligi (biyolojik cesitlilik) acisindan
    onemli: tek bir turun baskin olmasi monokulturu ve hastalik/zararli salgini riskini artirir. Uyum iyiligi testi,
    gozlenen bir kategori dagilimini teorik bir beklentiyle (esit ya da hedef oranlar) karsilastirmanin dogru yoludur;
    tur cesitlendirme politikalarini degerlendirmede kullanilir.

====================================================================================

#23  Fisher's Exact Test
    dosya: 23_fisher_seedling_method.xlsx
  >> SENARYO (anlatim):
    Fidan dikim yontemi ile tutma (retention) arasindaki iliskiyi kucuk orneklemde
    inceliyoruz; az gozlemli 2x2 tablolarda ki-kare guvenilmez oldugundan Fisher kesin
    testi uygundur.
  >> DEGISKEN SECIMI:
    - Satir: method
    - Sutun: retention

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Fisher Exact p = 0.0157 *   Odds Ratio = 0.073   Phi = 0.49 (Guclu)
    Dikim yontemi ile tutma (retention) iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Fidan dikim yontemi ile tutma (retention -- fidanin tutup tutmamasi) arasindaki iliskiyi Fisher kesin testiyle
    sinadik -- cunku az gozlemli (kucuk hucreli) tablolarda ki-kare guvenilmezdir. Sonuc anlamli (p = 0.016), odds
    orani 0.073: bir yontemde tutma sansi digerine gore belirgin farkli. Phi = 0.49 ile iliski guclu. Bu, peyzaj
    uygulamalarinda dikim teknigi seciminin (kapli/cipli, mevsim, sulama) tutma basarisini guclu etkiledigini
    gosterir. Kucuk orneklemli dikim pilot denemelerinde Fisher kesin testi, ki-kareye gore daha dogru sonuc verir.

====================================================================================

#24  McNemar Test
    dosya: 24_mcnemar_inventory_method.xlsx
  >> SENARYO (anlatim):
    Eski ve yeni envanter yontemini ayni alanlarda karsilastiriyoruz. Esli ikili veri
    oldugundan, oncesi-sonrasi degisimi olcen McNemar testi uygundur.
  >> DEGISKEN SECIMI:
    - Once: old_method
    - Sonra: new_method

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    McNemar (kesin binom) min(b,c) = 5   p = 0.0266 *   uyumsuz: b = 16, c = 5   Cohen g = 0.52
    H0 REDDEDILIR

>> YORUM (anlatim):
    Eski ve yeni envanter (alan tespit) yontemini ayni alanlarda karsilastirdik -- esli ikili veride McNemar testi
    kullanilir. Sonuc anlamli (p = 0.027): yeni yontem 16 alanda eskinin kacirdigini yakalamis, eski yontem ise 5
    alanda yeniyi yakalamis -- yeni yontem lehine net bir ustunluk. Yani yeni yontem (ornegin uydu/dron tabanli alan
    tespiti) eskisinden daha duyarli. McNemar yalnizca degisen durumlara (uyumsuz hucrelere) bakar; iki yontemi ayni
    alanlarda karsilastirmanin dogru yoludur. Peyzaj envanterinde yeni teknolojilerin (uzaktan algilama) eskiye
    ustunlugunu kanitlamada kullanilir.

====================================================================================

#25  Cohen's Kappa
    dosya: 25_kappa_maintenance_expert.xlsx
  >> SENARYO (anlatim):
    Iki uzmanin ayni parklari bagimsiz bakim degerlendirmesindeki uyumunu, sans-
    duzeltilmis Cohen Kappa ile olcmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Degerlendirici 1: expert_a
    - Degerlendirici 2: expert_b

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen Kappa = 0.6771 (onemli/guclu uyum)   p < .001 ***
    Iki uzmanin park bakim degerlendirmesi

>> YORUM (anlatim):
    Iki uzmanin ayni parklari bagimsiz bakim degerlendirmesindeki uyumu Cohen Kappa ile olctuk. Kappa = 0.68, "onemli/
    guclu uyum" araliginda -- sans-duzeltilmis bir uyum olcusu, yani tesadufi uyumu ayikladiktan sonraki gercek
    tutarlilik. Peyzaj yonetiminde bu onemli: eger bakim degerlendirmesi uzmandan uzmana degisseydi, bakim oncelikleri
    ve butce kararlari guvenilmez olurdu. Kappa = 0.68, degerlendirmelerin buyuk olcude tutarli oldugunu gosteriyor.
    Gozlemciler-arasi guvenirligi raporlamak, park kalite/bakim denetimlerinin kalite guvencesidir.

====================================================================================

#26  Cochran-Mantel-Haenszel
    dosya: 26_cmh_maintenance_disease_region.xlsx
  >> SENARYO (anlatim):
    Bakim yogunlugu ile bitki hastaligi arasindaki iliskiyi, bolge etkisini (strata)
    kontrol ederek inceliyoruz; ucuncu degiskeni katmanlayan CMH testi uygundur.
  >> DEGISKEN SECIMI:
    - Satir: maintenance_density
    - Sutun: disease
    - Katman (strata): region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CMH chi-kare(1) = 20.69   p < .001 ***   Ortak OR (MH) = 3.13  (95% CI: 1.89 - 5.19)
    Breslow-Day chi-kare(2) = 2.84, p = 0.24 (OR homojen)   H0 REDDEDILIR

>> YORUM (anlatim):
    Bakim yogunlugu ile bitki hastaligi arasindaki iliskiyi, bolgeler (strata) icinde kontrol ederek CMH testiyle
    inceledik. Bolgeyi sabit tuttugumuzda bile iliski guclu: ortak odds orani 3.13 (p < .001) -- bolge karistiricisindan
    arindirilmis halde, dusuk bakimli parklarda hastalik gorulme sansi yuksek bakimlilarin 3 kati. Breslow-Day testi
    anlamsiz (p = 0.24), yani bu iliski tum bolgelerde tutarli (homojen OR). Bu, bakimin bitki sagligini koruyucu
    rolunu bolge-bagimsiz olarak kanitlar. CMH, ucuncu bir degiskenin (bolge) etkisini katmanlayarak kontrol etmenin
    klasik yoludur.

====================================================================================

#27  Log-Linear Analysis
    dosya: 27_log_linear_design_region_user.xlsx
  >> SENARYO (anlatim):
    Tasarim, bolge ve kullanici tipi arasindaki cok-yonlu kategorik iliskileri ve
    etkilesimleri cozumlemek istiyoruz; ikiden cok kategorik degisken icin log-lineer
    analiz uygundur.
  >> DEGISKEN SECIMI:
    - Faktorler: design, region, user_type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    En iyi model AIC = 75.90   Pearson chi-kare = 0.43 (model veriye cok iyi uyuyor)
    Faktorler: tasarim x bolge x kullanici tipi

>> YORUM (anlatim):
    Uc kategorik degiskenin -- tasarim, bolge ve kullanici tipi -- birlikte olusturdugu kontenjans yapisini log-lineer
    modelle cozumledik. Secilen modelin uyumu cok iyi (Pearson chi-kare = 0.43, dusuk), AIC = 75.90 ile en parsimonik
    model. Log-lineer analiz, ikiden fazla kategorik degisken arasi etkilesimleri (hangi degiskenler bagimli, hangi
    etkilesim anlamli) cozmemizi saglar -- ANOVA'nin kategorik veri icin karsiligi gibidir. Peyzajda tasarim tipi,
    bolge ve kullanici profili arasi cok-yonlu iliskileri ozetlemede gucludur; kullanici-odakli tasarim ve hedef-kitle
    analizinde kullanilir.

====================================================================================

#28  Cross-Tabulation
    dosya: 28_cross_age_purpose.xlsx
  >> SENARYO (anlatim):
    Yas grubu ile parka ziyaret amaci arasindaki birlikteligi gormek istiyoruz; iki
    kategorik degiskenin capraz tablosu ve ki-kare ile iliskiyi inceliyoruz.
  >> DEGISKEN SECIMI:
    - Satir: age_group
    - Sutun: visit_purpose

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    chi-kare(6) = 54.14   p < .001 ***   Cramer V = 0.28 (Orta)
    Yas grubu ile ziyaret amaci iliskili.   H0 REDDEDILIR

>> YORUM (anlatim):
    Yas grubu ile parka ziyaret amaci (spor, dinlenme, sosyallesme, cocuk oyunu vb.) arasindaki iliskiyi capraz tablo
    ve ki-kare ile inceledik. Iliski anlamli ve orta duzeyde (chi-kare(6) = 54.14, p < .001, Cramer V = 0.28): yas
    gruplari farkli amaclarla park kullaniyor -- ornegin gencler spor/sosyallesme, yaslilar dinlenme, aileler cocuk
    oyunu. Bu, peyzaj tasarimda yas-duyarli (her yasa hitap eden) mekan kurgusu icin kritik bir bulgudur. Capraz tablo,
    iki kategorik degisken arasindaki birlikteligi gormenin en temel ve okunakli yoludur; Cramer V iliskinin gucunu verir.

====================================================================================

#29  Multiple Response - Frequency
    dosya: 29_mr_frequency_activities.xlsx
  >> SENARYO (anlatim):
    Kullanicilarin parkta yaptigi etkinlikleri (birden cok secenek isaretlenebilen
    coklu yanit) frekans olarak ozetlemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Coklu yanit sutunu: activities

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 250   Yanitlayan = 250 (%100)
    Park etkinlikleri (yuruyus, piknik, spor, cocuk oyunu, kopek gezdirme...) cok-secimli isaretlendi

>> YORUM (anlatim):
    Park kullanicilarina parkta hangi etkinlikleri yaptiklari soruldu -- birden fazla secenek isaretleyebildikleri
    "coklu yanit" sorusu. 250 kullanicinin tamami en az bir etkinlik sectigi icin yanit orani %100. Coklu yanit
    frekans analizi, her etkinligin kac kez ve kullanicilarin yuzde kacinca secildigini gosterir; toplam yuzdeler
    100'u asar cunku herkes birden cok kutu isaretleyebilir. Kullanicilarin park kullanim profilini cikarmak, hangi
    etkinliklere yonelik donanim/mekan tasarlanmasi gerektigini belirlemede peyzaj planlamasi icin cok kullanislidir.

====================================================================================

#30  Multiple Response - Crosstab
    dosya: 30_mr_categorical_activity_region.xlsx
  >> SENARYO (anlatim):
    Coklu secimli etkinlikleri parkin bulundugu bolgeye gore capraz tablolayarak
    hangi bolgenin hangi etkinlikleri tercih ettigini gormek istiyoruz.
  >> DEGISKEN SECIMI:
    - Coklu yanit sutunu: activities
    - Gruplama: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 220   Grup sutunu: bolge (region)
    Park etkinlikleri bolgeye gore capraz

>> YORUM (anlatim):
    Park etkinliklerini (coklu secimli) parkin bulundugu bolgeye gore capraz tabloladik. 220 kullanicinin verisiyle,
    her etkinligin bolgeler arasinda nasil dagildigini gorebiliyoruz. Coklu yanit capraz tablo, "hangi bolge hangi
    etkinlikleri daha cok tercih ediyor" sorusunu yanitlar -- ornegin bir bolgede spor, digerinde piknik one cikabilir.
    Bu, bolge-ozgu (yere duyarli) park programlamasi icin yol gosterir: her bolgenin kullanim desenine gore farkli
    donanim/mekan onceliklendirmesi yapilabilir.

====================================================================================

#31  Multiple Response x Multiple Response
    dosya: 31_mr_mr_activity_equipment.xlsx
  >> SENARYO (anlatim):
    Iki coklu-secimli soruyu (yapilan etkinlikler ve getirilen ekipman) birbiriyle
    caprazlayarak etkinlik-ekipman eslesmelerini incelemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Coklu yanit 1: activities
    - Coklu yanit 2: equipment

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam vaka n = 180
    Etkinlikler x ekipman (sirt cantasi, kamera, bisiklet, cadir) caprazlandi

>> YORUM (anlatim):
    Bu en gelismis coklu-yanit analizi: iki ayri cok-secimli soruyu birbiriyle caprazliyoruz -- kullanicinin yaptigi
    etkinlikler ile getirdigi ekipman. 180 kullanicida, hangi etkinligi yapanlarin hangi ekipmani getirdigini
    gorebiliyoruz: ornegin bisiklet getirenler bisiklet etkinligi, cadir/sirt cantasi getirenler piknik/kamp
    yapiyor. Bu tablo, etkinlik-ekipman eslesmelerini ortaya cikararak park donanim planlamasi (bisiklet park yeri,
    piknik alani, kamera/fotograf noktalari) icin guclu bir veri saglar.

====================================================================================

#32  Cochran's Q
    dosya: 32_cochran_q_safety_site.xlsx
  >> SENARYO (anlatim):
    Ayni ziyaretcilerin farkli park alanlarinda kendilerini guvende hissedip
    hissetmedigini (ikili) karsilastiriyoruz; ikili tekrarli olcum icin Cochran Q uygundur.
  >> DEGISKEN SECIMI:
    - Denek: visitor_id
    - Kosul (site): site
    - Ikili sonuc: safe_feels

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cochran Q = 0.00   p = 1.000   (siteler arasi guvenlik hissinde fark YOK)
    H0 REDDEDILEMEZ

>> YORUM (anlatim):
    Ayni ziyaretcilerin farkli park alanlarinda (site) kendilerini "guvende hissedip hissetmedigini" (evet/hayir)
    Cochran Q testiyle karsilastirdik -- ikili tekrarli olcumun coklu karsiligi. Sonuc anlamsiz (Q = 0, p = 1.0):
    alanlar arasinda guvenlik hissi bakimindan fark yok -- ziyaretciler tum alanlarda benzer guvenlik algiliyor.
    Anlamsiz sonuc da degerlidir; bu veride alanlarin guvenlik algisi acisindan ayrismadigini soyluyor (tutarli bir
    guvenlik tasarimi/aydinlatma olabilir). Cochran Q, ayni kisilerde tekrarlanan ikili (evet/hayir) olcumlerdeki
    degisimi sinamanin dogru yoludur.

====================================================================================

#33  Correlation Matrix
    dosya: 33_correlation_park_5degisken.xlsx
  >> SENARYO (anlatim):
    Bes park degiskeni (alan, yesil orani, ziyaretci, gurultu, memnuniyet) arasindaki
    iliskileri ve es-dogrusalligi modelleme oncesi gormek istiyoruz; korelasyon matrisi uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: area_m2, green_area_ratio, visitor_weekly, noise_dB, satisfaction

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - p-degerleri artik TUM yontemler icin uretiliyor (Pearson/Spearman/Kendall), yalniz Pearson degil.
    - Hipotez yonu (cift / sag / sol).
    - Ciftler arasi coklu-karsilastirma p-duzeltmesi: Bonferroni / Holm / FDR (Benjamini-Hochberg).
    - r icin guven araligi: Fisher z (Pearson/Spearman) veya Kendall SE.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    En guclu iliski: alan - haftalik ziyaretci   r = +0.918   p < .001 ***  (Guclu) -- 3 guclu cift
    5 degisken: alan, yesil orani, ziyaretci, gurultu, memnuniyet

>> YORUM (anlatim):
    Bes park degiskeni arasindaki tum ikili korelasyonlari cikardik. En guclu iliski alan ile haftalik ziyaretci
    arasinda (r = 0.92) -- buyuk parklar daha cok ziyaretci cekiyor, beklenen bir sonuc. Uc cift |r| >= 0.75 esigini
    geciyor, yani bazi degiskenler birbiriyle siki bagli (alan-ziyaretci-yesil gibi). Bu, regresyon kurarken
    es-dogrusallik (collinearity) riskine dikkat etmek gerektigini gosterir. Korelasyon matrisi, modelleme oncesi
    degiskenler arasi yapiyi gormenin ilk adimidir. Peyzajda alan, yesil doku, kullanim ve memnuniyet arasi
    iliskileri anlamak, park performansini yordayan modellerin temelidir.

====================================================================================

#34  Bland-Altman
    dosya: 34_bland_altman_green_measurement.xlsx
  >> SENARYO (anlatim):
    Yesil alan oranini olcmenin iki yonteminin (uydu vs elle olcum) uyumunu
    degerlendirmek istiyoruz; iki olcumun farkini esas alan Bland-Altman uygundur.
  >> DEGISKEN SECIMI:
    - Yontem 1: green_satellite
    - Yontem 2: green_hand_measurement

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Uydu ort = 0.518   |   Elle olcum ort = 0.512   |   Bias ~ +0.006 (yontemler cok uyumlu)

>> YORUM (anlatim):
    Yesil alan oranini olcmenin iki yontemini -- uydu/uzaktan algilama vs elle (saha) olcum -- Bland-Altman ile
    karsilastirdik. Bu yontem korelasyona bakmaz (yuksek korelasyon uyumu garanti etmez), iki olcumun farkini olcer.
    Ortalamalar neredeyse ozdes (0.518 vs 0.512), bias yalnizca 0.006 -- uydu ve elle olcum yesil orani neredeyse ayni
    sonucu veriyor, pratikte birbirinin yerine kullanilabilir. Bu cok degerli: uydu tabanli olcum, pahali ve zaman
    alici saha olcumunun yerine guvenle kullanilabilir. Bland-Altman, iki olcum yonteminin (uzaktan algilama vs saha)
    uyumunu degerlendirmenin standart yoludur; peyzaj/CBS calismalarinda yontem validasyonunda vazgecilmezdir.

====================================================================================

#35  Effect Size (Cohen's d)
    dosya: 35_effect_size_irrigation_growth.xlsx
  >> SENARYO (anlatim):
    Iki sulama yontemi arasindaki bitki buyume farkinin yalnizca anlamliligini degil,
    pratik buyuklugunu (etki buyuklugu) olcmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Olcum: growth_cm
    - Gruplama: irrigation_method

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cohen d = -0.94  (buyuk etki)
    Iki sulama yontemi arasinda buyume (cm) farki

>> YORUM (anlatim):
    Iki sulama yontemi (ornegin damla vs yuzey) arasindaki bitki buyume farkini, sadece "anlamli mi" degil "ne kadar
    buyuk" sorusuyla -- etki buyuklugu olarak -- olctuk. Cohen d = -0.94 buyuk bir etki; iki yontem buyumede belirgin
    fark yaratiyor. p-degeri orneklem buyukluguyle siser, ama etki buyuklugu orneklemden bagimsiz, gercek farkin pratik
    onemini verir. Peyzajda "hangi sulama yontemi ne kadar fark yaratiyor" sorusu, su tasarrufu ve bitki sagligi
    dengesinde karar vermek icin kritiktir; d = 0.94 gibi buyuk bir etki, sulama yonteminin kayda deger bir fark
    yarattigini soyler. Etki buyuklugu raporlamak yayinlarda standarttir.

====================================================================================

#36  Canonical Correlation (CCA)
    dosya: 36_cca_physical_perception.xlsx
  >> SENARYO (anlatim):
    Parkin fiziksel ozellikleri seti ile kullanici algisi seti arasindaki cok-degiskenli
    iliskiyi incelemek istiyoruz; iki degisken blogu arasi iliski icin CCA uygundur.
  >> DEGISKEN SECIMI:
    - X seti (fiziksel): green_ratio, water_area_pct, tree_density, path_length_m, ruggedness_index, relief
    - Y seti (algi): aesthetic, safety, repeat_visit

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CC1: r = 0.983, chi-kare(18) = 1199.24, p < .001   |   CC2: r = 0.967, p < .001
    X seti: fiziksel (yesil/su/agac yogunlugu/yol uzunlugu/engebe/rolyef)  |  Y seti: algi (estetik/guvenlik/tekrar ziyaret)

>> YORUM (anlatim):
    Iki cok-degiskenli seti -- parkin fiziksel ozellikleri (yesil orani, su alani, agac yogunlugu, yol uzunlugu,
    engebe, rolyef) ile kullanici algisi (estetik, guvenlik, tekrar ziyaret) -- kanonik korelasyonla iliskilendirdik.
    Ilk kanonik eksen son derece guclu (r = 0.98, p < .001), ikincisi de anlamli (r = 0.97): fiziksel tasarim ile
    kullanici algisi cok siki bagli. Yani parkin fiziksel ozellikleri, kullanicinin estetik/guvenlik/baglilik algisini
    guclu sekilde belirliyor. CCA, "iki degisken bloku nasil birlikte degisir" sorusunun en dogrudan yanitidir;
    peyzajda "tasarim ozellikleri algiyi nasil etkiler" -- kanit temelli tasarimin (evidence-based design) merkezi
    sorusunu -- incelemek icin guclu bir yontemdir.

====================================================================================

#37  Correspondence Analysis
    dosya: 37_ca_park_purpose.xlsx
  >> SENARYO (anlatim):
    Park tipi ile ziyaret amaci arasindaki kontenjans iliskisini iki boyutlu bir
    haritada gorsellestirmek istiyoruz; uyum analizi uygundur.
  >> DEGISKEN SECIMI:
    - Satir: park_type
    - Sutun: visit_purpose

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam atalet (inertia) = 1.293   Boyut sayisi = 2
    Park tipi x ziyaret amaci kontenjans tablosu

>> YORUM (anlatim):
    Park tipi ile ziyaret amaci arasindaki kontenjans tablosunu uyum analizi ile iki boyutlu bir haritaya dusurduk.
    Toplam atalet 1.293 ile cok guclu bir iliski var; iki boyut bu yapinin buyuk kismini gorsellestiriyor. Haritada
    birbirine yakin dusen tip-amac ciftleri, o park tipinin o amacla ozdeslestigini gosterir -- ornegin mahalle parki
    cocuk oyunu/dinlenme, kent parki spor/etkinlik, kiyi parki manzara/yuruyus ile eslesir. Bu, peyzaj tipolojisi ile
    kullanim amaclarinin nasil ortustugunu tek bakista okumayi saglar. Uyum analizi, kategorik iliskileri
    gorsellestirmenin guclu bir yoludur ve iliski gucunu (atalet) sayisal olarak da verir.

====================================================================================

#38  Variable Clustering (VarClus)
    dosya: 38_varclus_18_item.xlsx
  >> SENARYO (anlatim):
    Park kalitesini olcen 18 maddeyi, hangi maddelerin ayni boyutu olctugune gore
    kumelemek istiyoruz; degiskenleri (gozlemleri degil) kumeleyen VarClus uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: aesthetic_m1..m6, function_m1..m6, environment_m1..m6 (18 madde)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 3   (18 madde: estetik / islev / cevre)
    Her kumeden bir temsilci madde secildi

>> YORUM (anlatim):
    Park kalitesini olcen 18 maddeyi birbirine benzerliklerine gore kumeleyip uc gruba ayirdik. VarClus, gozlemleri
    degil maddeleri kumeler: hangi maddelerin ayni "boyutu" olctugunu gosterir. Uc kume tam beklendigi gibi olusmus:
    estetik, islev (fonksiyon) ve cevresel kalite maddeleri ayri ayri kumelenmis. Bu, kalite olceginin gercekten uc
    alt-boyut olctugunu dogrular ve her gruptan bir temsilci secip madde sayisini azaltma imkani verir. Peyzaj kalite
    olcekleri gelistirme ve madde azaltmada, fazlaligi (redundancy) ayikalamak icin son derece pratiktir.

====================================================================================

#39  Multiple Linear Regression
    dosya: 39_multiple_regression_visitor.xlsx
  >> SENARYO (anlatim):
    Haftalik ziyaretci sayisini birkac tasarim/yonetim degiskeninden tahmin etmek
    istiyoruz; surekli bir ciktiyi coklu yordayiciyla aciklayan coklu dogrusal regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef: visitor_weekly
    - Yordayicilar: area_m2, green_area_ratio, access_score, maintenance_score

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Saglam standart hatalar (HC0-HC3): heteroskedastisiteye dayanikli SE; kucuk n'de HC3 onerilir.
    - Standartlastirilmis (beta) katsayilar: goreli etkiyi karsilastirmak icin.
    - (VIF, Durbin-Watson, Breusch-Pagan, artik Shapiro tanilamalari zaten raporlanir.)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.962   Duzeltilmis R2 = 0.961
    Haftalik ziyaretci ~ alan + yesil orani + erisim skoru + bakim skoru

>> YORUM (anlatim):
    Haftalik ziyaretci sayisini dort degiskenden -- alan, yesil orani, erisim skoru, bakim skoru -- tahmin eden coklu
    dogrusal regresyon kurduk. Model son derece guclu: degiskenler birlikte ziyaretci varyansinin %96'sini acikliyor
    (R2 = 0.96). Bu carpici derecede yuksek bir aciklama orani -- park kullanimi buyuk olcude bu olculebilir tasarim/
    yonetim degiskenleriyle belirleniyor. Boyle bir model, hangi faktorun ziyaretciyi en cok cektigini gosterir ve
    "erisimi/bakimi su kadar iyilestirirsek ziyaretci ne olur" senaryolarini sinamaya imkan verir. Coklu regresyon,
    park performansini (kullanim) tasarim ve yonetim surukleyicileriyle aciklamanin temel aracidir.

====================================================================================

#40  Logistic Regression
    dosya: 40_logistic_repeat_visit.xlsx
  >> SENARYO (anlatim):
    Bir kullanicinin parka tekrar gelip gelmeyecegini (ikili) memnuniyet, kalis suresi
    ve yastan tahmin etmek istiyoruz; ikili sonuc icin lojistik regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef (ikili): repeat_visit
    - Yordayicilar: satisfaction, stay_min, age

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Pseudo-R kare: Cox-Snell ve Nagelkerke (McFadden'a ek).
    - Siniflandirma metrikleri: dogruluk / duyarlilik / ozgulluk / AUC (kesim 0.5).
    - Hosmer-Lemeshow uyum iyiligi testi; ongoruculer icin VIF.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Model: Lojistik Regresyon   Pseudo R2 = 0.05
    Tekrar ziyaret (1/0) ~ memnuniyet + kalis suresi + yas

>> YORUM (anlatim):
    Bir kullanicinin parka tekrar gelip gelmeyecegini memnuniyet, kalis suresi ve yastan tahmin eden lojistik
    regresyon kurduk. Cikti ikili (tekrar geldi/gelmedi) oldugu icin lojistik regresyon dogru secim. Pseudo R2 = 0.05
    dusuk -- bu degiskenler tekrar ziyareti zayif acikliyor; demek ki tekrar ziyaret baska (olculmeyen) faktorlerle
    (mesafe, alternatif parklar, aliskanlik) belirleniyor olabilir. Dusuk pseudo R2 de bilgidir: "modeldeki degiskenler
    yetersiz" der. Peyzajda kullanici bagliligini (tekrar ziyaret) tahmin etmek, park sadakatini artiran faktorleri
    anlamak icin onemlidir; lojistik regresyon ikili sonuclar icin dogru yontemdir.

====================================================================================

#41  Count (Poisson) Regression
    dosya: 41_poisson_bird_sayim.xlsx
  >> SENARYO (anlatim):
    Parktaki kus sayisini (sayim degiskeni) yesil orani ve su alani varligindan tahmin
    etmek istiyoruz; sayim verisi normal dagilmadigi icin Poisson regresyonu uygundur.
  >> DEGISKEN SECIMI:
    - Sayim (hedef): bird_count
    - Yordayicilar: green_ratio, water_area_present

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 884.69   Deviance = 185.78
    Kus sayisi ~ yesil orani + su alani varligi   (Poisson)

>> YORUM (anlatim):
    Parktaki kus sayisini -- bir sayim degiskeni -- yesil orani ve su alani varligindan tahmin eden Poisson regresyonu
    kurduk. Sayim verisi (0,1,2,...) normal dagilmaz, bu yuzden dogrusal degil Poisson kullaniriz. Model tipik olarak
    yesil orani ve su alani arttikca kus sayisinin yukseldigini gosterir. Bu, peyzajin ekosistem hizmeti (biyolojik
    cesitlilik destegi) boyutunun nicel kanitidir -- yesil ve sulu parklar daha cok kus barindirir. Sayim regresyonu,
    biyocesitlilik sayimlarini (kus, kelebek, tur sayisi) tasarim degiskenleriyle iliskilendirmenin dogru yontemidir;
    kentsel ekoloji ve biyofilik tasarim calismalarinda kullanilir.

====================================================================================

#42  Multinomial Logistic Regression
    dosya: 42_multinomial_park_preference.xlsx
  >> SENARYO (anlatim):
    Kullanicilarin park tipi tercihini (siralamasiz birkac kategori) yas ve yesil
    tercihinden tahmin etmek istiyoruz; multinomial lojistik regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef (kategorik): park_type_choice
    - Yordayicilar: age, green_preference

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 385.24   Referans sinif: 'modern'
    Park tipi tercihi ~ yas + yesil tercihi

>> YORUM (anlatim):
    Kullanicilarin park tipi tercihini (birkac kategori) yas ve yesil tercihinden multinomial lojistik regresyonla
    modelledik. Ikiden cok siralamasiz kategori oldugu icin bu yontem uygundur: 'modern' referans alinir, her diger
    tip icin ayri denklem kurulur. Katsayilar, "yas/yesil tercihi degistikce hangi park tipini tercih etme sansinin
    nasil degistigi" seklinde yorumlanir. Bu, farkli kullanici profillerinin hangi park tipini tercih ettigini
    gosterir -- hedef-kitle odakli park tasarimi ve cesitlendirilmis park portfoyu planlamasi icin degerli bir aractir.

====================================================================================

#43  Ordinal Logistic Regression
    dosya: 43_ordinal_maintenance_quality.xlsx
  >> SENARYO (anlatim):
    Bakim kalitesi duzeyini (dusuk<orta<yuksek -- sirali) yillik butce ve haftalik
    bakim gununden tahmin etmek istiyoruz; sirali sonuc icin ordinal lojistik uygundur.
  >> DEGISKEN SECIMI:
    - Hedef (sirali): maintenance_quality_level
    - Yordayicilar: annual_budget_TL, weekly_maintenance_day

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 334.58
    Bakim kalitesi duzeyi (dusuk<orta<yuksek) ~ yillik butce + haftalik bakim gunu

>> YORUM (anlatim):
    Bakim kalitesi duzeyini (dusuk, orta, yuksek -- sirali) yillik butce ve haftalik bakim gununden tahmin eden
    ordinal lojistik regresyon kurduk. Bu siniflar siralidir -- aralarinda dogal bir duzen var -- ve ordinal model bu
    siralamayi kullanir, multinomial'dan daha guclu ve yorumlanabilir olur. Katsayilar, butce ve bakim gunu arttikca
    daha yuksek kalite duzeyine kayma egilimini verir (kaynak-kalite iliskisi). Sirali kategorik ciktilar (kalite
    kademesi, memnuniyet duzeyi) icin ordinal lojistik dogru yontemdir; peyzaj yonetiminde bakim butcesi-kalite
    iliskisini modellemede kullanilir.

====================================================================================

#44  PLS Regression
    dosya: 44_pls_spectral_NDVI.xlsx
  >> SENARYO (anlatim):
    Bitki ortusu indeksini (NDVI) birbiriyle korelasyonlu 12 spektral banttan tahmin
    etmek istiyoruz; es-dogrusal yordayicilar icin PLS regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef: NDVI_dense
    - Yordayicilar: band_01..band_12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2_train = 0.918   R2_CV (5-katli) = 0.912
    NDVI (bitki ortusu indeksi) ~ 12 spektral bant

>> YORUM (anlatim):
    Bitki ortusu yogunlugunu (NDVI) 12 spektral uydu bandindan PLS (Kismi En Kucuk Kareler) regresyonuyla tahmin ettik.
    Spektral bantlar birbiriyle yuksek korelasyonlu oldugundan klasik regresyon kararsizlasir; PLS bunu, bantlari az
    sayida ortogonal bilesene indirgeyerek cozer. Model hem egitimde (R2 = 0.92) hem capraz-dogrulamada (R2_CV = 0.91)
    cok guclu -- asiri uyum yok, genelleme mukemmel. Uzaktan algilama/CBS verisi tipik olarak yuksek boyutlu ve
    es-dogrusaldir (komsu bantlar benzer); PLS bu tur veride hem tahmin gucu hem yorumlanabilirligi koruyan tercih
    edilen yontemdir. Peyzajda bitki ortusu ve yesil alan haritalamada kullanilir.

====================================================================================

#45  Probit Regression
    dosya: 45_probit_herbisit_dose_response.xlsx
  >> SENARYO (anlatim):
    Herbisit dozunun yabanci ot olumune yol acip acmadigini (ikili, doz-yanit) modellemek
    istiyoruz; normal dagilim egrisi varsayan probit regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef (ikili): death
    - Yordayici: dose_lt_ha

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Siniflandirma metrikleri eklendi: dogruluk / duyarlilik / ozgulluk / AUC (marjinal etki + McFadden zaten var).

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 164.67   Pseudo R2 (McFadden) = 0.349
    Olum (1/0) ~ herbisit dozu (lt/ha)

>> YORUM (anlatim):
    Bir herbisit dozunun yabanci ot olumune yol acip acmadigini probit regresyonla modelledik. Probit, lojistik gibi
    ikili sonuc modeller ama normal dagilim egrisi (kumulatif normal) varsayar -- toksikoloji/herbisit doz-yanit
    calismalarinin klasik modelidir. Pseudo R2 = 0.349 ile guclu: doz, olum olasiligini buyuk olcude acikliyor --
    klasik doz-yanit iliskisi. Probit egrisi, hangi dozda olum olasiliginin %50'ye ulastigini (LD50) bulmaya yarar.
    Peyzaj/yesil alan yonetiminde optimum (etkili ama minimum) herbisit dozunu belirlemek -- hem yabanci ot kontrolu
    hem cevresel etki dengesi icin -- bu modeli kullanir.

====================================================================================

#46  Tobit Regression
    dosya: 46_tobit_renewal_expenditure.xlsx
  >> SENARYO (anlatim):
    Yenileme harcamasini modellemek istiyoruz; bircok parkta sifir/tabandan kesik
    (sansurlu) harcama oldugu icin Tobit regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef (sansurlu): renewal_expenditure_TL
    - Yordayicilar: allocation_budget, renewal_importance

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AIC = 3444.11   Tobit (sol-sansurlu: harcama tabandan kesik)
    Yenileme harcamasi ~ tahsis butcesi + yenileme onemi

>> YORUM (anlatim):
    Parklarin yenileme harcamasini tahsis butcesi ve yenileme oncelik puanindan modelledik. Sorun: bazi parklara hic
    yenileme harcamasi yapilmiyor (sifir) ya da harcama bir taban deger altinda kumeleniyor -- bu sansurlu (censored)
    veridir, siradan regresyon yanli sonuc verir. Tobit regresyon bu sol-sansurlu yapiyi dogru modeller (AIC = 3444).
    Tipik olarak butce ve oncelik arttikca yenileme harcamasi artar. Peyzaj/belediye butce verisiyle calismanin --
    cogu birimde sifir/dusuk harcama yiginlasmasi varken -- istatistiksel olarak dogru cozumu Tobit modelidir.

====================================================================================

#47  Bayesian Linear Regression
    dosya: 47_bayesian_fertilizer_yield.xlsx
  >> SENARYO (anlatim):
    Bitki verimini gubre dozlarindan (N, P, K) tahmin ederken belirsizligi posterior
    dagilimla ifade etmek istiyoruz; Bayesci dogrusal regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef: plant_yield_kg
    - Yordayicilar: N_kg_ha, P_kg_ha, K_kg_ha

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Konjugat Normal-Inverse-Gamma prior   posterior sigma2 = 28.29
    Bitki verimi (kg) ~ azot (N) + fosfor (P) + potasyum (K)

>> YORUM (anlatim):
    Bitki verimini gubre dozlarindan (N, P, K) Bayesci dogrusal regresyonla tahmin ettik. Bayesci yaklasimin avantaji:
    sonuc tek bir p-degeri degil, parametreler icin bir olasilik dagilimi (posterior) verir -- her gubre besininin
    etkisi icin bir guvenilirlik araligi ve "etkinin pozitif olma olasiligi" elde ederiz. Posterior hata varyansi
    sigma2 = 28.29. Bayesci yontem, belirsizligi durustce ifade eder ve onceki tarimsal bilgiyi (prior) modele dahil
    edebilir. Peyzaj/sus bitkisi yetistiriciliginde optimum gubreleme rejimini belirlerken, ozellikle az denemeli
    durumlarda Bayesci cerceve degerlidir.

====================================================================================

#48  Nonlinear Regression (Gompertz)
    dosya: 48_nonlinear_gompertz_growth.xlsx
  >> SENARYO (anlatim):
    Agac boyunun yasa gore degisimi dogrusal degil, tavana doygunlasan S-egrisidir;
    Gompertz buyume modelini kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Hedef: height_m
    - Yordayici: age_year
    - Fonksiyon: gompertz

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Model: y = a · exp(-b·exp(-c·x))  (Gompertz buyume)   R2 = 0.989
    Agac boyu ~ yas

>> YORUM (anlatim):
    Agac boyunun yasa gore degisimini Gompertz buyume modeliyle modelledik. Agac buyumesi dogrusal degildir: genc
    yasta yavas, sonra hizli, en sonunda bir tavana (a -- asimptotik maksimum boy) dogru doygunlasan asimetrik bir
    S-egrisidir. Gompertz tam bu bicimi yakalar; uyum mukemmel (R2 = 0.99). Egri uc parametre verir: tavan (a), buyume
    hizi (c) ve donum (b). Bu parametreler tur/koşul arasinda karsilastirilarak "hangi agac daha hizli/daha yuksek
    buyuyor" sorusu yanitlanir. Dogrusal olmayan regresyon, peyzaj/orman mensurasyonunda agac buyume-yas iliskisini
    modellemenin temel aracidir; duz cizgi agac buyumesinin dogasini yanlis yansitirdi.

====================================================================================

#49  Ridge Regression
    dosya: 49_ridge_soil_vitality.xlsx
  >> SENARYO (anlatim):
    Bitki canliligini birbiriyle korelasyonlu 15 toprak parametresinden tahmin ederken
    es-dogrusalliga dayanikli Ridge regresyon kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Hedef: plant_vitality
    - Yordayicilar: soil_p01..soil_p15

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Capraz-dogrulama ile otomatik alpha (RidgeCV): optimal duzenlilestirme katsayisini otomatik secer.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Ridge (alpha = 1.0): R2 = 0.576   Duz. R2 = 0.542   n = 200
    Bitki canliligi ~ 15 toprak parametresi (birbiriyle korelasyonlu)

>> YORUM (anlatim):
    Bitki canliligini, birbiriyle yuksek korelasyonlu 15 toprak parametresinden (pH, N, P, K, organik madde, nem vb.)
    tahmin ederken klasik regresyon kararsizlasir (es-dogrusallik katsayilari sisirir -- toprak ozellikleri dogal
    olarak korelasyonludur). Ridge regresyon, tum katsayilari kuculterek bu sorunu cozer -- katsayilari sifirlamaz
    ama buyukluklerini sinirlar, boylece tahmin kararli kalir (R2 = 0.58). Ridge, "tum toprak parametrelerini tutmak
    istiyorum ama es-dogrusallik var" durumunda idealdir. Korelasyonlu toprak/cevresel olcum setlerinde, asiri uyumu
    onleyip kararli tahmin saglar.

====================================================================================

#50  Lasso Regression
    dosya: 50_lasso_30_pred_5_active.xlsx
  >> SENARYO (anlatim):
    30 aday degiskenden tasarim kalitesini gercekten belirleyen az sayidaki faktoru
    secmek istiyoruz; otomatik degisken secimi yapan Lasso uygundur.
  >> DEGISKEN SECIMI:
    - Hedef: design_quality
    - Yordayicilar: x01..x30

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Capraz-dogrulama ile otomatik alpha (LassoCV): optimal duzenlilestirme katsayisini otomatik secer.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Lasso (alpha = 0.1): R2 = 0.645   Duz. R2 = 0.596   n = 250
    30 yordayicidan 20'sinin katsayisi sifira cekildi (otomatik ozellik secimi)

>> YORUM (anlatim):
    Bu veride az sayida gercek yordayici ile cok sayida onemsiz degisken karisik haldeydi. Lasso regresyonun gucu
    burada gorulur: ceza terimi onemsiz degiskenlerin katsayilarini tam olarak sifira ceker -- otomatik degisken
    secimi yapar. 30 yordayicidan 20'si elendi, model R2 = 0.65 ile guclu kaldi. Lasso, cok sayida aday degisken
    iciden tasarim kalitesini gercekten belirleyen az sayidaki faktoru secmek istediginizde -- yuksek boyutlu peyzaj/
    cevresel veride -- son derece kullanislidir. Ridge tum degiskenleri kuculturken, Lasso onemsizleri tamamen eler.

====================================================================================

#51  Mediation Analysis
    dosya: 51_mediation_green_activity_satisfaction.xlsx
  >> SENARYO (anlatim):
    Yesil oranin memnuniyete etkisinin fiziksel aktivite uzerinden gecip gecmedigini
    (aracilik) test etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimsiz (X): green_ratio
    - Araci (M): weekly_activity_min
    - Bagimli (Y): satisfaction

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dolayli etki (Indirect) = 0.19   p = 0.303   %95 GA (-0.17 , 0.57)   ANLAMLI DEGIL
    Yol: yesil orani -> haftalik aktivite suresi -> memnuniyet

>> YORUM (anlatim):
    Yesil oranin memnuniyete etkisinin fiziksel aktivite uzerinden gecip gecmedigini aracilik analiziyle test ettik.
    Bu kez dolayli etki anlamsiz (0.19, p = 0.303, GA sifiri iciyor): yesil oranin memnuniyete etkisi fiziksel
    aktivite "araciligiyla" gecmiyor. Anlamsiz aracilik da bilgidir -- onerilen mekanizma (yesil alan -> daha cok
    aktivite -> daha cok memnuniyet) bu veride desteklenmiyor; yesil oranin memnuniyete etkisi varsa baska bir yoldan
    (dogrudan estetik/psikolojik etki) gidiyor olabilir. Aracilik analizi, bir mekanizmayi hem dogrulayabilir hem
    reddedebilir; negatif sonuc, varsayilan nedensel zinciri sorgulamamizi saglar.

====================================================================================

#52  Path Analysis
    dosya: 52_path_landscape_quality.xlsx
  >> SENARYO (anlatim):
    Estetik algi, kullanim sikligi ve memnuniyetin tekrar ziyaret niyetini nasil
    etkiledigini bir yol modeliyle test etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Model: repeat_visit_intention ~ aesthetic_perception + use_frequent + satisfaction ; satisfaction ~ aesthetic_perception

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 0.933   RMSEA = 0.213   (uyum zayif -- model gozden gecirilmeli)
    Model: estetik algi/kullanim sikligi/memnuniyet -> tekrar ziyaret niyeti

>> YORUM (anlatim):
    Yol analizi, birden cok neden-sonuc iliskisini ayni anda modelleyen genisletilmis regresyondur. Burada estetik
    algi, kullanim sikligi ve memnuniyetin tekrar ziyaret niyetini etkiledigini, estetiginin de memnuniyeti besledigini
    sinadik. CFI = 0.93 makul ama RMSEA = 0.21 yuksek -- yani kurgulanan model veriyle tam ortusmuyor; bazi yollar
    eksik ya da fazla olabilir. Bu da bilgi verir: kuramsal modelin gozden gecirilmesi gerektigini soyler. Yol analizi,
    dolayli ve dogrudan etkileri ayirmanin ve peyzaj-kalite/kullanici-davranis kuramlarini test etmenin guclu yoludur;
    iyi uyum kadar kotu uyum da modeli iyilestirmek icin yol gosterir.

====================================================================================

#53  Linear Mixed Model (LMM)
    dosya: 53_lmm_park_year_green.xlsx
  >> SENARYO (anlatim):
    Ayni parklarin yillara gore yesil oranini modellerken park-ici tekrarli olcumlerin
    bagimliligini hesaba katmak istiyoruz; park rastgele etki, dogrusal karma model uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli: green_ratio
    - Sabit etki: year
    - Rastgele etki (grup): park_id

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Nakagawa marjinal R-kare (sabit etkiler) ve kosullu R-kare (sabit + rastgele), ICC'nin yaninda.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup varyansi (random intercept) = 0.0074   ICC = 0.9555
    Yesil orani ~ yil  +  (1 | park)

>> YORUM (anlatim):
    Ayni parklarin farkli yillardaki yesil oranini modellerken, park-ici tekrarli olcumler bagimsiz degildir. Dogrusal
    karma model, parki rastgele etki olarak ekleyerek bunu cozer. ICC = 0.96 cok yuksek: yesil orani varyansinin
    %96'si parklar arasi farktan kaynaklaniyor; yillar-ici degisim cok az. Yani parklar kendi icinde tutarli (yesil
    orani yildan yila pek degismiyor), asil fark parklar arasinda. LMM, yuvalanmis/tekrarli olcum verisi (park>yil)
    icin dogru ve vazgecilmez yontemdir -- her parkin kendi izleme cizgisini modelleyerek bagimsizlik ihlalini cozer.
    Park yesil dokusunun zaman icindeki kararliligini izlemede kullanilir.

====================================================================================

#54  Multiple Imputation
    dosya: 54_multiple_imputation_missing_inventory.xlsx
  >> SENARYO (anlatim):
    Park envanterindeki eksik memnuniyet degerlerini diger degiskenlerden coklu atama
    ile tamamlamak istiyoruz (MAR varsayimi).
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction
    - Yardimci degiskenler: area_m2, green_ratio, visitor_weekly, noise_dB

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    m (imputation sayisi) = 5
    Envanterdeki eksikler alan/yesil/ziyaretci/gurultu degiskenlerinden tahmin edildi

>> YORUM (anlatim):
    Park envanteri verisinde eksik gozlem kacinilmazdir (olculmeyen alan, kayit hatasi); eksikleri silmek hem park
    kaybettirir hem yanli sonuc verir. Coklu atama, eksik memnuniyet degerlerini diger degiskenlerden tahmin ederek
    5 ayri tamamlanmis veri seti olusturur, her birinde analizi yapar ve sonuclari birlestirir -- boylece tahmin
    belirsizligini de hesaba katar. MAR (rastgele eksik) varsayimi altinda bu, modern eksik-veri standardidir. Buyuk
    park envanterleriyle calisirken kayip kayitlarla bas etmenin en saglikli yoludur.

====================================================================================

#55  GEE
    dosya: 55_gee_park_visit_satisfaction.xlsx
  >> SENARYO (anlatim):
    Ayni parklardan tekrarli memnuniyet olcumlerinde populasyon-ortalamasi duzeyinde
    iliskiyi, kumelenmeyi duzelterek tahmin etmek istiyoruz; GEE uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction
    - Yordayici: visit
    - Grup: park_id  |  Aile: gaussian

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    visit katsayisi = 0.076   p < .001 ***   QIC = 306.49
    Memnuniyet ~ ziyaret  (tekrarli olcum, park icinde kumelenmis)

>> YORUM (anlatim):
    Ayni parklardan tekrarli (cok ziyaretli) memnuniyet olcumleri aldik -- ayni parkin olcumleri birbirine bagimli.
    GEE, bu kumelenmis veride "populasyon ortalamasi" duzeyinde iliskiyi, korelasyon yapisini hesaba katarak tahmin
    eder. Ziyaret katsayisi anlamli ve pozitif (0.076, p < .001): memnuniyet ardisik ziyaretlerle artiyor -- belki
    bakim/duzenleme iyilestikce ya da kullanicilar parka alistikca. GEE, LMM'e alternatiftir: rastgele etkileri
    modellemek yerine gozlemler arasi korelasyonu duzeltir ve marjinal (ortalama) etkiyi verir. Boylamsal park
    memnuniyeti izlemede tekrarli olcumleri analiz etmenin yaygin yontemidir.

====================================================================================

#56  GLMM
    dosya: 56_glmm_site_time_insect.xlsx
  >> SENARYO (anlatim):
    Bocek sayilarini (Poisson) zaman/bakim sabit etkileri ve alan rastgele etkisiyle
    modellemek istiyoruz; karma model + sayim dagilimi (GLMM) uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli (sayim): insect_count
    - Sabit etkiler: time, maintenance_present
    - Rastgele etki (grup): site_id  |  Aile: poisson

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    maintenance_present katsayisi = -0.462, p < .001 ***
    Poisson GLMM: bocek sayisi ~ zaman + bakim varligi  +  (1 | alan)

>> YORUM (anlatim):
    Bocek/zararli sayilarini (Poisson) hem zaman/bakim sabit etkileri hem de alan rastgele etkisiyle modelledik --
    yani GLMM: karma model + sayim dagilimi. Bakimin etkisi anlamli ve negatif (katsayi -0.46, p < .001): bakim
    yapilan alanlarda bocek sayisi belirgin azaliyor -- duzenli bakimin zararli kontrolundeki rolunun kaniti. GLMM,
    "tekrarli/yuvalanmis sayim verisi" durumunda (LMM normal varsayar, GLM alan kumelenmesini gormez) ikisinin gucunu
    birlestirir. Alanlara yuvalanmis bocek/zararli sayimi gibi peyzaj-saglik izleme verisinin dogru analiz cercevesidir.

====================================================================================

#57  Elastic Net Regression
    dosya: 57_elasticnet_park_value.xlsx
  >> SENARYO (anlatim):
    Park degerini 40 (kismen korelasyonlu) yordayicidan tahmin ederken hem secim hem
    kararlilik saglayan Elastic Net'i kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Hedef: park_value
    - Yordayicilar: x01..x40  |  Yontem: elasticnet

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    alpha = 0.096   R2 (egitim) = 0.520
    Park degeri ~ 40 yordayici

>> YORUM (anlatim):
    Elastic Net, Ridge ile Lasso'nun melezidir: hem katsayilari kuculturur (Ridge gibi) hem onemsizleri sifirlar
    (Lasso gibi). Burada 40 yordayicidan park degerini tahmin ettik; Elastic Net, korelasyonlu degisken gruplarini
    birlikte tutarken onemsizleri eler. Model R2 = 0.52. Cok sayida es-dogrusal yordayici oldugunda -- alan, konum,
    cevresel ozellikler, erisim degiskenleri -- Elastic Net hem secim hem kararlilik saglayan dengeli bir tercihtir.
    Lasso'nun "korelasyonlu gruptan rastgele birini secme" sorununu yumusatir. Peyzaj/gayrimenkul deger modellemede
    cok degiskenli tahmin icin uygundur.

====================================================================================

#58  Robust Regression
    dosya: 58_robust_outlier_area_value.xlsx
  >> SENARYO (anlatim):
    Alan-deger iliskisinde aykiri parklarin OLS'i sapttirmasini onlemek icin aykiri
    degerlere dayanikli robust regresyon (Huber-T) kullaniyoruz.
  >> DEGISKEN SECIMI:
    - Hedef: park_value_TL
    - Yordayici: area_m2

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Robust kesim = 52,234   vs   OLS kesim = 59,061   (aykiri degerler OLS'i sapttirmis)
    Park degeri (TL) ~ alan

>> YORUM (anlatim):
    Bu veride birkac aykiri deger (outlier) vardi -- ornegin olaganustu degerli/konumlu parklar. Klasik regresyon
    (OLS) aykirilari tum gucle dikkate alir ve cizgiyi onlara dogru ceker: kesim degeri OLS'te 59,061, robust modelde
    52,234; fark belirgin, yani aykirilar OLS'i sapttirmis. Robust regresyon (Huber-T), aykiri gozlemlere daha az
    agirlik vererek gercek alan-deger iliskisini korur. Aykiri degerlerin kacinilmaz oldugu peyzaj/gayrimenkul deger
    verisinde, robust regresyon OLS'ten daha guvenilir egim tahmini verir.

====================================================================================

#59  Quantile Regression
    dosya: 59_quantile_park_value.xlsx
  >> SENARYO (anlatim):
    Alan ve yesil oranin park degerine etkisini dagilimin alt/orta/ust kantillerinde
    ayri ayri incelemek istiyoruz; kantil regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Hedef: park_value_TL
    - Yordayicilar: area_m2, green_ratio  |  Kantiller: 0.1, 0.5, 0.9

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    q = 0.10 egim = 0.0996   |   q = 0.50 (medyan)   |   q = 0.90  (degisken etki)
    Park degeri ~ alan + yesil orani

>> YORUM (anlatim):
    Klasik regresyon sadece ortalamayi modeller; ama alan ve yesil oranin park degerine etkisi dusuk-degerli ve
    yuksek-degerli parklarda farkli olabilir. Kantil regresyon, dagilimi alt (q=0.10, dusuk deger), orta (q=0.50) ve
    ust (q=0.90, yuksek deger) kantillerde ayri ayri modeller. Farkli kantillerde egimin degismesi, "alan/yesil her
    deger duzeyinde ayni etkiyi mi yapiyor" sorusunu yanitlar -- ornegin yesil orani en degerli parklarda daha cok
    prim yapabilir. Peyzaj/gayrimenkul degerlemede ortalama degil dagilimin farkli noktalari onemli oldugunda, kantil
    regresyon ortalama-tabanli modellerin goremedigini gosterir.

====================================================================================

#60  ROC Curve
    dosya: 60_roc_camera_confidence.xlsx
  >> SENARYO (anlatim):
    Bir kamera guven skorunun "guvenli park" algisini ne kadar iyi ayirt ettigini
    ROC egrisi/AUC ile degerlendirmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Hedef (ikili): safe_label
    - Skor/yordayici: camera_confidence_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    AUC = 0.958 (mukemmel ayirici guc)   Youden optimum esik: 0.53 -> Duyarlilik 0.95
    n = 250 (pozitif 152, negatif 98)   guvenlik siniflandirici

>> YORUM (anlatim):
    Bir parkin "guvenli" algilanip algilanmadigini kamera guven skorundan tahmin eden bir siniflandiricinin ayirma
    gucunu ROC egrisiyle olctuk. AUC = 0.96 "mukemmel" duzeyde: kamera skoru, guvenli ve guvensiz algilanan parklari
    neredeyse kusursuz ayiriyor. Youden indeksi en iyi kesme noktasini (esik) verir -- duyarlilik ve ozgulluk
    dengesini optimize eder; burada 0.53 esiginde duyarlilik 0.95. ROC/AUC, bir tani/sinif modelinin ayirma gucunu
    raporlamanin standardidir; peyzajda guvenlik algisi tahmini, akilli kamera/izleme sistemleri ve guvenli mekan
    tasarimi (CPTED) calismalarinda kullanilir.

====================================================================================

#61  TSS
    dosya: 61_tss_type_distribution.xlsx
  >> SENARYO (anlatim):
    Bir tur/habitat varligini cevresel degiskenlerden tahmin eden modelin becerisini,
    prevalansa duyarsiz TSS olcusuyle degerlendirmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Hedef (ikili): type_present
    - Yordayicilar: green_ratio, humidity_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    TSS = 0.472 (iyi)   Duyarlilik 0.63   Ozgulluk 0.84   n = 200
    Tur/habitat varlik tahmini

>> YORUM (anlatim):
    TSS (True Skill Statistic), tur/habitat dagilim modellerinde yaygin bir basari olcusudur: duyarlilik + ozgulluk - 1.
    Bir turun/habitatin varligini cevresel degiskenlerden (yesil orani, nem) tahmin eden model TSS = 0.47 ile "iyi" --
    ozgulluk yuksek (0.84, turun olmadigi yerleri iyi ayiriyor), duyarlilik orta (0.63). TSS'nin avantaji, prevalansa
    duyarli olmamasidir; bu yuzden ekolojide AUC'ye alternatif olarak tercih edilir. Peyzaj ekolojisinde tur/habitat
    uygunlugu haritalama ve yesil altyapi planlamasinda -- hangi alanlar belirli turler/habitatlar icin uygun --
    SDM ve TSS kullanilir.

====================================================================================

#62  Confusion Matrix
    dosya: 62_complexity_park_class.xlsx
  >> SENARYO (anlatim):
    Bir park-sinifi siniflandiricisinin gercek vs tahmin etiketlerini karmasiklik
    matrisiyle (dogruluk, F1) degerlendirmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Gercek: actual_class
    - Tahmin: prediction_class

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.94   F1 = 0.923
    Park sinifi tahmini -- gercek vs tahmin etiketi

>> YORUM (anlatim):
    Bir park-sinifi siniflandiricisinin tahminlerini karmasiklik matrisiyle parçaladik. Dogruluk %94 ve F1 = 0.92 ile
    model cok basarili -- hem genel dogru tahmin orani yuksek, hem de kesinlik/duyarlilik dengesi (F1) iyi. Karmasiklik
    matrisi, "dogruluk" rakaminin gizledigi gercegi -- hangi park sinifinin nerede yanlis siniflandigini, hangi
    siniflarin karistirildigini -- gosterir. F1 skoru ozellikle dengesiz siniflarda dogruluktan daha bilgilendiricidir.
    Peyzajda otomatik park siniflandirma/tipoloji modellerinin (uydu/CBS tabanli) gercek performansini degerlendirmenin
    vazgecilmez aracidir.

====================================================================================

#63  Random Forest
    dosya: 63_rf_park_type.xlsx
  >> SENARYO (anlatim):
    Park tipini bes fiziksel ozellikten Random Forest ile siniflandirmak ve degisken
    onemini gormek istiyoruz.
  >> DEGISKEN SECIMI:
    - Hedef: park_type
    - Ozellikler: area_m2, green_ratio, coast_proximity, tree_density, age_year

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.914   (park tipi siniflandirma)
    5 ozellikten tahmin (alan, yesil orani, kiyi yakinligi, agac yogunlugu, yas)

>> YORUM (anlatim):
    Parklarin tipini bes ozellikten (alan, yesil orani, kiyi yakinligi, agac yogunlugu, yas) Random Forest ile tahmin
    ettik -- yuzlerce karar agacinin oyu. Dogruluk %91: ozellikler park tipini buyuk olcude dogru siniflandirabiliyor.
    Random Forest'in en degerli ciktilarindan biri "degisken onem siralamasi"dir: hangi ozelligin tip ayriminda en
    etkili oldugunu soyler. Dogrusal olmayan, etkilesimli iliskilerde guclu, kurmasi kolay bir makine ogrenmesi
    yontemidir; peyzajda buyuk olcekli park envanterlerini otomatik siniflandirmada (CBS/uzaktan algilama destegiyle) degerlidir.

====================================================================================

#64  SVM
    dosya: 64_svm_park_safe.xlsx
  >> SENARYO (anlatim):
    Guvenli/guvensiz parklari ayiran en iyi marjli siniri SVM ile bulmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Hedef (ikili): safe
    - Ozellikler: brightness_lux, camera_coverage, pedestrian_density, crime_ratio

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 1.000   (park guvenli/degil)
    4 degiskenden tahmin (aydinlatma, kamera kapsami, yaya yogunlugu, suc orani)

>> YORUM (anlatim):
    Guvenli ve guvensiz parklari ayiran en iyi siniri SVM ile bulduk. SVM, iki sinif arasinda mumkun olan en genis
    "marjli" ayirma yuzeyini arar ve kernel hilesiyle dogrusal olmayan sinirlari da modelleyebilir. Dogruluk %100 --
    aydinlatma, kamera kapsami, yaya yogunlugu ve suc orani, guvenli/guvensiz parklari kusursuz ayiriyor (bu kadar
    yuksek dogruluk asiri-uyum acisindan akilda tutulmali). SVM, ozellikle az-orta orneklemli, yuksek boyutlu
    siniflandirma problemlerinde gucludur. Guvenli mekan tasarimi (CPTED) -- aydinlatma/gozetim/canlilik degiskenleriyle
    guvenlik -- analizinde Random Forest'a guclu bir alternatiftir.

====================================================================================

#65  Gradient Boosting
    dosya: 65_gb_renewal_urgency.xlsx
  >> SENARYO (anlatim):
    Parklarin yenileme aciliyetini klinik/yonetim degiskenlerinden Gradient Boosting
    ile tahmin ederek varlik yonetiminde onceliklendirme yapmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Hedef: renewal_urgency
    - Ozellikler: age_year, maintenance_score, annual_complaint, annual_budget

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk (Accuracy) = 0.911   (yenileme aciliyeti siniflandirma)
    yas + bakim skoru + yillik sikayet + yillik butce

>> YORUM (anlatim):
    Parklarin yenileme aciliyetini (dusuk/orta/yuksek) yas, bakim skoru, sikayet ve butceden Gradient Boosting ile
    tahmin ettik. Boosting, agaclari ardisik olarak ekleyip her yeni agacin onceki hatalari duzeltmesini saglayan
    guclu bir yontemdir; dogruluk %91.1 ile yuksek. Bu, varlik yonetimi icin kritik: yenileme aciliyeti yuksek parklar
    onceden belirlenip butce/planlama onceliklendirilebilir. Random Forest agaclari paralel kurarken, Boosting onlari
    ardisik (hatayi kovalayarak) kurar; genelde daha yuksek dogruluk verir ama dikkatli ayar ister. Peyzaj varlik
    yonetimi ve yenileme planlamasinda degerli bir karar destek aracidir.

====================================================================================

#66  K-Means Clustering
    dosya: 66_kmeans_park_4kume.xlsx
  >> SENARYO (anlatim):
    Parklari fiziksel ozelliklerine gore dogal gruplara (tipolojiye) ayirmak istiyoruz;
    K-Means ile 4 kume.
  >> DEGISKEN SECIMI:
    - Degiskenler: green_ratio, area_m2, tree_density, path_length_m  |  Kume sayisi: 4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   Silhouette = 0.543 (guclu kume yapisi)
    4 degiskenle park tipolojisi (yesil orani, alan, agac yogunlugu, yol uzunlugu)

>> YORUM (anlatim):
    Parklari fiziksel ozelliklerine gore dort dogal gruba (tipolojiye) K-Means ile ayirdik. Silhouette = 0.54 guclu --
    kumeler net ayrisiyor, gercek bir yapi var. Bu dort grup muhtemelen farkli park tiplerini temsil ediyor: ornegin
    buyuk-yesil kent parklari, kucuk-yogun mahalle parklari, agacli-orman karakterli parklar, ve duzenli-yapisal
    parklar. K-Means, etiketsiz veride dogal gruplari bulur; park tipolojisi olusturma, benzer parklari gruplama ve
    bolge-bazli yonetim stratejisi belirlemede peyzajda son derece pratiktir. Silhouette skoru kume sayisinin dogru
    secildigini dogrular.

====================================================================================

#67  Hierarchical Clustering
    dosya: 67_hierarchic_5tur_10feat.xlsx
  >> SENARYO (anlatim):
    Birimleri 10 ozellige gore hiyerarsik kumeleme (dendrogram) ile gruplandirmak
    istiyoruz; 5 kume.
  >> DEGISKEN SECIMI:
    - Degiskenler: feat_01..feat_10  |  Kume sayisi: 5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 5   Silhouette = 0.145 (zayif/orustusen yapi)
    10 ozellige gore 5 tur/grup

>> YORUM (anlatim):
    Birimleri 10 ozellige gore hiyerarsik kumeleme ile gruplandirdik -- sonuc bir dendrogram (agac) verir. Bes kumeye
    boldugumuzde silhouette yalnizca 0.15: kumeler birbirine giriyor, keskin ayrim yok. Bu dogal/cevresel veride sik
    gorulur -- ozellikler cogu zaman keskin kategoriler yerine surekli bir gradyan boyunca degisir. Dusuk silhouette,
    "veride dogal gruplama zayif" demektir; bu da bilgi verir (belki 5 yerine daha az grup vardir). Hiyerarsik
    kumeleme, gruplarin ic ice yapisini ve uygun kume sayisini kesfetmek icin K-Means'ten daha aciklayicidir;
    dendrogram, benzerlik hiyerarsisini gorsellestirir.

====================================================================================

#68  DBSCAN
    dosya: 68_dbscan_dog_park.xlsx
  >> SENARYO (anlatim):
    Tesis (kopek parki) konumlarini yogunluk tabanli DBSCAN ile kumeleyip izole
    noktalari (gurultu) ayirmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   Silhouette = 0.871   (konum koordinatlari)
    Kopek parki/alan konumlari yogunluga gore kumelendi

>> YORUM (anlatim):
    Kopek parki/alan konumlarini cografi yogunluga gore DBSCAN ile kumeledik. K-Means'ten farki: kume sayisini onceden
    vermeyiz, ve yogun olmayan izole konumlari "gurultu" (aykiri) olarak isaretler. Dort yogun obek bulundu (silhouette
    0.87, cok guclu). Bu, bu tesislerin belirli bolgelerde kumelendigini gosterir. DBSCAN, duzensiz sekilli kumeler
    ve izole noktalar iceren mekansal veride (tesis konumlari, hizmet noktalari) K-Means'ten daha uygundur. Peyzajda
    hizmet erisilebilirligi analizinde (hangi bolgeler kopek parki/oyun alani bakimindan yogun, hangileri bos) ve
    yeni tesis konumu planlamada kullanilir.

====================================================================================

#69  PCA
    dosya: 69_pca_park_6ozellik.xlsx
  >> SENARYO (anlatim):
    Alti park ozelligini az sayida ozet eksene indirgeyip gizli boyutlari gormek
    istiyoruz; PCA uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: area_m2, green_ratio, tree_count, path_length_m, water_area_pct, satisfaction

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    PC1 = %87.5   (ilk bilesen tek basina varyansin buyuk kismini acikliyor)
    6 park ozelligi (alan, yesil orani, agac sayisi, yol uzunlugu, su alani, memnuniyet)

>> YORUM (anlatim):
    Alti park ozelligini PCA ile az sayida ozet eksene indirgedik. Ilk bilesen tek basina varyansin %87.5'ini
    acikliyor -- carpici derecede yuksek. Anlami: bu ozellikler birbiriyle cok yuksek korelasyonlu, hepsi tek bir
    "park buyuklugu/zenginligi" boyutunu olcuyor gibi (buyuk parklar genelde cok agacli, uzun yollu, daha memnun
    edici). PCA, cok-degiskenli park verisini ozetlemenin, es-dogrusalligi azaltmanin ve gizli boyutlari (genel park
    kalitesi gibi) ortaya cikarmanin temel aracidir. Tek bir bilesenin bu kadar baskin olmasi, bir bilesik park-kalite
    indeksi olusturulabilecegini dusundurur.

====================================================================================

#70  t-SNE
    dosya: 70_tsne_leaf_5tur.xlsx
  >> SENARYO (anlatim):
    12 yaprak olcumunden olusan bes bitki turunu iki boyutlu bir haritada gorsel
    olarak kesfetmek istiyoruz; t-SNE uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: measurement_01..measurement_12

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KL Divergence (fit kalitesi) = 0.534 -> iyi
    12 yaprak olcumu (5 bitki turu) 2 boyuta indirgendi

>> YORUM (anlatim):
    t-SNE, yuksek boyutlu yaprak morfolojisi verisini (12 olcum) iki boyutlu bir gorsele dusuren dogrusal olmayan bir
    yontemdir. PCA'dan farki: yerel komsuluklari korumaya odaklanir, yani benzer yapraklar/turler haritada birbirine
    yakin dusurulur -- gizli tur yapisini gormek icin idealdir. KL divergence 0.53 ile indirgeme kalitesi iyi; bes
    bitki turu haritada gorulebilir kumeler olusturuyor. Onemli uyari: t-SNE ekseni ve kumeler arasi mesafe yorumlanmaz,
    sadece kumelenme deseni anlamlidir. Peyzaj bitki materyali tanimlama ve morfolojik tur ayrimi calismalarinda gorsel
    kesif icin guclu bir aractir.

====================================================================================

#71  MDS
    dosya: 71_mds_park_distance.xlsx
  >> SENARYO (anlatim):
    Parklar arasi benzerligi iki boyutlu bir haritaya dokmek istiyoruz; cok boyutlu
    olcekleme (MDS) uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: green_ratio, area_m2, tree_density, path_length_m, water_area_pct

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Stress (Kruskal-1) = 0.033 (iyi uyum)
    Parklar arasi benzerlik haritasi (yesil orani, alan, agac yogunlugu, yol, su alani)

>> YORUM (anlatim):
    MDS, parklar arasi benzerligi iki boyutlu bir haritaya dokme yontemidir -- benzer ozellikli parklar yakin,
    farklilar uzak dusurulur. Stress = 0.033 ile uyum "iyi"; bu, park benzerlik yapisinin iki boyuta basariyla
    sigdigini gosterir (dusuk stress = guvenilir harita). Haritada birbirine yakin parklar benzer fiziksel profile
    sahip. MDS, cok-degiskenli benzerlik/uzaklik verisini gorsellestirmenin klasik yontemidir; stress degeri haritaya
    ne kadar guvenebilecegimizi durustce soyler. Park benzerlik gruplamasini ve tipolojik konumlandirmayi gormek icin kullanilir.

====================================================================================

#72  UMAP
    dosya: 72_umap_spectral_5tip.xlsx
  >> SENARYO (anlatim):
    25 spektral kanaldan olusan arazi-ortusu tiplerini iki boyutlu bir haritada
    kesfetmek istiyoruz; UMAP uygundur.
  >> DEGISKEN SECIMI:
    - Degiskenler: channel_01..channel_25

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    UMAP boyut indirgeme (25 spektral kanal -> 2 boyut, 5 tip)
    n_neighbors ve min_dist ile yerel/global denge ayarlanir

>> YORUM (anlatim):
    UMAP, t-SNE'ye benzer modern bir boyut indirgeme yontemidir ama hem yerel hem global yapiyi daha iyi korur ve daha
    hizlidir. Yirmibes spektral kanaldan (uydu/hiperspektral) olusan alan profillerini iki boyutlu bir haritaya
    dusurduk; benzer spektral imzalar (arazi ortusu tipleri) kumelenir. n_neighbors parametresi yerel-global dengesini,
    min_dist ise kumelerin sikiligini ayarlar. UMAP, yuksek boyutlu uzaktan algilama/spektral veride gizli arazi-ortusu
    siniflarini kesfetmek icin giderek daha cok tercih ediliyor. Peyzaj/CBS'de arazi ortusu siniflandirma ve gorsellestirmede degerlidir.

====================================================================================

#73  Cronbach's Alpha
    dosya: 73_cronbach_park_quality_21.xlsx
  >> SENARYO (anlatim):
    21 maddelik park kalitesi olceginin ic tutarliligini (guvenirligini) Cronbach
    alfa ile sinamak istiyoruz.
  >> DEGISKEN SECIMI:
    - Maddeler: item_01..item_21

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.967 (mukemmel ic tutarlilik)   21 madde
    Park kalitesi degerlendirme olcegi

>> YORUM (anlatim):
    Park kalitesini olcen 21 maddelik bir olcegin ic tutarliligini Cronbach alfa ile sinadik. alpha = 0.97 mukemmel:
    yirmibir madde ayni temel kavrami (park kalitesi) tutarli sekilde olcuyor, kullanicilar maddeler arasinda uyumlu
    yanit veriyor. Bir olcegi analiz etmeden once guvenirligini gostermek sarttir -- dusuk alpha, maddelerin ayni seyi
    olcmedigini ve toplam puanin anlamsiz olabilecegini gosterir. 0.70 uzeri kabul edilebilir, 0.90 uzeri mukemmel
    sayilir. Peyzaj kalitesi/memnuniyet olcekleri gelistiren her calismanin ilk kalite adimidir. (Cok yuksek alpha
    bazen madde fazlaligina da isaret edebilir.)

====================================================================================

#74  Likert Scale Analysis
    dosya: 74_likert_park_3boyut.xlsx
  >> SENARYO (anlatim):
    Uc boyutlu (estetik/islev/guvenlik) 15 maddelik Likert olceginin guvenirligini ve
    madde istatistiklerini incelemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Maddeler: aesthetic_1..5, function_1..5, safety_1..5

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Cronbach alpha = 0.760 (kabul edilebilir)   15 madde (3 boyut: estetik/islev/guvenlik)

>> YORUM (anlatim):
    On bes maddelik, uc boyutlu (estetik, islev, guvenlik) bir Likert park-degerlendirme olceginin genel guvenirligini
    ve madde istatistiklerini inceledik. Cronbach alpha = 0.76, "kabul edilebilir" duzeyde -- olcek genel olarak
    tutarli, ama uc farkli boyut bir arada oldugu icin tek bir alpha biraz dusuk cikabilir (alt-boyutlar ayri analiz
    edilmeli). Likert analizi, madde ortalamalari, dagilimlari ve madde-toplam korelasyonlarini vererek olcegin
    saglikli olup olmadigini gosterir. Peyzajda park algi/degerlendirme olceklerinin temel kalite kontrolu icin kullanilir.

====================================================================================

#75  Exploratory Factor Analysis (EFA)
    dosya: 75_efa_18_item_3faktor.xlsx
  >> SENARYO (anlatim):
    18 maddenin altindaki gizli faktor yapisini (beklenen 3 faktor) kesfetmek istiyoruz;
    EFA uygundur.
  >> DEGISKEN SECIMI:
    - Maddeler: q01..q18

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    KMO (genel) = 0.900 (Mukemmel)   -> faktor analizi cok uygun
    18 madde, beklenen 3 faktor

>> YORUM (anlatim):
    On sekiz olcek maddesinin altinda kac gizli boyut (faktor) yattigini Aciklayici Faktor Analizi ile arastirdik.
    KMO = 0.90 "mukemmel": veriler faktor analizi icin cok uygun, maddeler arasi ortak varyans yuksek. Maddeler
    beklendigi gibi uc faktore gruplaniyor. EFA, cok sayida maddeyi az sayida anlamli boyuta indirgeyerek hem olcegi
    sadelestirir hem altta yatan yapilari (estetik/islev/cevre gibi) ortaya kor. Peyzaj kalite/algi olcekleri
    gelistirmenin ve psikometrik validasyonun temel aracidir; KMO ve Bartlett testi, verinin faktor analizine
    uygunlugunun on-kontrolu olarak raporlanir.

====================================================================================

#76  Intraclass Correlation (ICC)
    dosya: 76_icc_3uzman_50park.xlsx
  >> SENARYO (anlatim):
    Ayni 50 parki degerlendiren uc uzmanin tutarliligini (degerlendiriciler arasi
    guvenirlik) ICC ile olcmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Degerlendiriciler: expert_1, expert_2, expert_3

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ICC(1,1) = 0.880   (Mukemmel)   3 uzman / 50 park   %95 GA ~ (0.82 , 0.93)

>> YORUM (anlatim):
    Ayni 50 parki degerlendiren uc uzmanin ne kadar tutarli oldugunu ICC ile degerlendirdik. ICC = 0.88 "mukemmel":
    uzmanlar arasi degerlendirme uyumu cok yuksek, hangi uzman degerlendirirse degerlendirsin benzer sonuc cikiyor.
    Bu, peyzaj kalite degerlendirmesinde kritik: eger puanlama uzmandan uzmana degisseydi, park siralamalari ve
    planlama kararlari guvenilmez olurdu. ICC, surekli olcumlerde (puan, derecelendirme) uzmanlar arasi guvenirligi
    olcmenin standardidir (Cohen Kappa kategorik veri icinken, ICC surekli veri icindir). Uzman-tabanli peyzaj
    degerlendirmelerinin guvenirligini kanitlamanin standart yoludur.

====================================================================================

#77  Confirmatory Factor Analysis (CFA)
    dosya: 77_cfa_12_item_3faktor.xlsx
  >> SENARYO (anlatim):
    Onceden kurgulanan uc faktorlu (estetik/erisim/konfor) yapinin verilere uyup
    uymadigini CFA ile sinamak istiyoruz.
  >> DEGISKEN SECIMI:
    - Faktorler: aesthetic_1..4 ; access_1..4 ; comfort_1..4

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    CFI = 1.00   RMSEA = 0.000   (mukemmel uyum)
    3 faktor: estetik + erisim + konfor

>> YORUM (anlatim):
    EFA gizli yapiyi kesfederken, CFA onceden kurulmus bir kurami sinar: burada "estetik", "erisim" ve "konfor" olmak
    uzere uc ayri park-kalite boyutunun verilere uyup uymadigini test ettik. Uyum mukemmel (CFI = 1.00, RMSEA = 0.000):
    maddeler gercekten bu uc boyuta dusuyor, kurgulanan olcek yapisi tam dogrulaniyor. CFA, yapisal esitlik
    modellemesinin (SEM) bir parcasidir ve olcek gecerligini kanitlamanin en guclu yoludur. Peyzajda park-kalite,
    yer-bagi gibi cok-boyutlu yapilarin gecerligini gostermenin standart yontemidir; kanit temelli tasarim
    arastirmalarinda olceklerin saglamligini kanitlar.

====================================================================================

#78  Survey Means (Complex Sample)
    dosya: 78_survey_means_income.xlsx
  >> SENARYO (anlatim):
    Tabakali, agirlikli bir kullanici anketinden aylik gelirin agirlikli ortalamasini
    ve dogru standart hatasini tahmin etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Degisken: monthly_income_TL  |  Agirlik: weight  |  Tabaka: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Aylik gelir agirlikli ortalama = 13,282.61 TL   SE = 185.85   %95 GA (12,917 , 13,648)   CV %1.40

>> YORUM (anlatim):
    Bir kullanici anketi katilimcilari rastgele degil, tabakali ve agirliklandirilmis bir tasarimla secilmis. Boyle
    veride basit ortalama yanlis olur; karmasik orneklem analizi, tasarim agirliklarini ve tabakalamayi hesaba katarak
    dogru ortalama geliri ve standart hatayi (Taylor linearization) verir. Park kullanicilarinin aylik gelir agirlikli
    ortalamasi 13,283 TL, cok dar bir guven araligiyla (CV %1.40). Park kullanicilarinin sosyo-ekonomik profilini
    cikarmak, esitlikci yesil alan erisimi (kim parka erisiyor) analizinde onemlidir. Survey yontemleri, populasyona
    genellenebilir, tarafsiz tahmin icin sarttir.

====================================================================================

#79  Survey Frequency (Complex Sample)
    dosya: 79_survey_freq_use.xlsx
  >> SENARYO (anlatim):
    Park kullanim sikligi kategorilerinin oranlarini, tasarim agirliklari ve tabakalamayi
    dikkate alarak tahmin etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Degisken: use_frequency  |  Agirlik: weight  |  Tabaka: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    "her gun" oran = 0.083 (SE 0.014)   |   "hic" oran = 0.440 (SE 0.025)
    Park kullanim sikligi -- tabakali + agirlikli tasarim

>> YORUM (anlatim):
    Kullanicilar arasinda park kullanim sikligi kategorilerinin oranini, karmasik orneklem tasarimini dikkate alarak
    tahmin ettik. Her gun kullananlar %8, hic kullanmayanlar %44 (tasarim-tabanli standart hatalarla). Bu carpici --
    nufusun neredeyse yarisi parklari hic kullanmiyor; bu, erisim/cekicilik sorununa isaret edebilir. Basit yuzde
    hesabi, tabakalama ve agirliklari yok saydigi icin yanlis standart hata verirdi; survey frekans analizi gercek
    belirsizligi yansitan guven araligi uretir. Bir populasyondaki kullanim oranlarini (park kullanimi, yesil alan
    erisimi) tasarima uygun tahmin etmenin dogru yoludur -- yesil alan politikasi izlemenin temelidir.

====================================================================================

#80  Survey Total (Complex Sample)
    dosya: 80_survey_total_green_prediction.xlsx
  >> SENARYO (anlatim):
    Orneklemden tum kente olcekleyerek toplam yesil alani ve belirsizligini tahmin
    etmek istiyoruz; karmasik anket toplami uygundur.
  >> DEGISKEN SECIMI:
    - Degisken: green_area_m2  |  Agirlik: weight  |  Tabaka: stratum

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Toplam yesil alan = 6,511,244 m2   SE = 91,997   %95 GA (6,330,141 , 6,692,347)
    Tabakali tasarim (Taylor SE)

>> YORUM (anlatim):
    Bir kentteki/bolgedeki toplam yesil alan miktarini, ornekleme tasarimini ve agirliklari kullanarak tahmin ettik:
    yaklasik 6.5 milyon m2 (%95 GA 6.33 - 6.69 milyon). Ornekledigimiz alanlardan tum kente "olcekleyerek" toplami
    cikarmak, dogru agirliklandirma gerektirir -- her ornek birim, temsil ettigi populasyon parcasi kadar agirlik
    tasir. Survey toplam analizi tam bunu yapar ve belirsizligi standart hatayla ifade eder. Toplam yesil alan, kisi
    basi yesil alan hesabi ve kent yesil altyapi envanteri gibi peyzaj planlama gostergelerinin orneklemden tahmininde
    kullanilan resmi istatistik yontemidir.

====================================================================================

#81  Survey Regression (Complex Sample)
    dosya: 81_survey_reg_income.xlsx
  >> SENARYO (anlatim):
    Tabakali/agirlikli anketten aylik geliri yas ve egitim yilindan, tasarim-tabanli
    standart hatalarla tahmin etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Hedef: monthly_income_TL  |  Yordayicilar: age, education_year  |  Agirlik: weight  |  Tabaka: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.731   yas katsayisi = 77.50   p < .001 ***
    Aylik gelir ~ yas + egitim yili   (tabakali + agirlikli)

>> YORUM (anlatim):
    Park kullanicilarinin aylik gelirini yas ve egitim yilindan, karmasik orneklem tasarimini (tabaka, agirlik)
    dikkate alarak modelledik. Yasin etkisi anlamli (katsayi 77.50, p < .001) ve model varyansin %73'unu acikliyor.
    Tasarim-tabanli standart hatalar, basit OLS'in verecegi (cogu zaman fazla iyimser) hatalardan daha dogrudur. Bu,
    park kullanici profilini sosyo-ekonomik degiskenlerle iliskilendirmenin gecerli yolu -- yesil alan erisiminde
    esitlik analizinde onemli. Ulusal/kentsel anket verisiyle iliskileri tahmin ederken survey regresyonu, gecerli
    cikarim icin gereklidir; aksi halde p-degerleri yaniltici olur.

====================================================================================

#82  Survey Logistic Regression
    dosya: 82_survey_logistic_repeat.xlsx
  >> SENARYO (anlatim):
    Tekrar ziyaret (ikili) olasiligini memnuniyet/yastan, karmasik orneklem tasarimiyla
    tahmin etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Hedef (ikili): repeat_visit  |  Yordayicilar: age, satisfaction  |  Agirlik: weight  |  Tabaka: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    satisfaction: OR = 1.966   p < .001 ***
    Tekrar ziyaret ~ yas + memnuniyet   (tabakali + agirlikli)

>> YORUM (anlatim):
    Bir kullanicinin parka tekrar gelme olasiligini memnuniyetten tahmin ederken, hem ikili sonucu (lojistik) hem
    karmasik orneklem tasarimini birlikte ele aldik. Memnuniyet icin odds orani 1.966 (p < .001): memnuniyet bir birim
    arttiginda tekrar ziyaret odds'u neredeyse iki katina cikiyor -- memnuniyetin park sadakatindeki guclu rolu.
    Tasarim agirliklari ve tabakalama hesaba katildigi icin OR ve guven araligi tasarima uygun ve gecerli. Karmasik
    kullanici anketlerinden ikili sonuclari (tekrar ziyaret, baglilik) modellemenin dogru yolu survey lojistik
    regresyondur; park sadakatini artiran faktorleri belirlemede degerlidir.

====================================================================================

#83  Generalized Additive Model (GAM)
    dosya: 83_gam_PM25_temperature.xlsx
  >> SENARYO (anlatim):
    Hava kirliligi (PM2.5) ile sicaklik arasindaki dogrusal olmayan iliskiyi duzgun
    egrilerle (splines) modellemek istiyoruz; GAM uygundur.
  >> DEGISKEN SECIMI:
    - Hedef: PM25_ugm3  |  Yordayici: s(temperature_C)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (aciklanan) = 0.790
    PM2.5 (hava kirliligi) ~ s(sicaklik)  (duzgun/smooth fonksiyon)

>> YORUM (anlatim):
    GAM, dogrusal regresyonun esnek bir genellemesidir: degiskenlerin etkisini duz cizgi yerine "duzgun egriler"
    (splines) ile modeller. PM2.5 (ince partikul kirliligi) ile sicaklik iliskisi dogrusal degildir -- belirli
    sicakliklarda kirlilik tepe yapabilir (inversiyon, mevsimsel etkiler). GAM bu egrisel oruntuyu, sekli onceden
    varsaymadan veriden ogrenir; model varyansin %79'unu acikliyor. Yorumlanabilirligi korurken esneklik saglar:
    kirliligin hangi sicaklikta arttigini egriden okuyabiliriz. Peyzajda yesil altyapinin hava kalitesi/iklim
    duzenleme ekosistem hizmetini modellemede -- dogrusal olmayan cevre iliskileri icin -- ideal bir yontemdir.

====================================================================================

#84  Discriminant Analysis
    dosya: 84_diskriminant_3park_5feat.xlsx
  >> SENARYO (anlatim):
    Uc park tipini en iyi ayiran dogrusal degisken bilesimlerini bulup yeni parklari
    siniflandirmak istiyoruz; diskriminant analizi uygundur.
  >> DEGISKEN SECIMI:
    - Hedef: park_type  |  Ozellikler: area_m2, green_ratio, tree_density, coast_proximity, path_length_m

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dogruluk = 1.000   (3 park tipi)
    5 ozellikten ayirma (alan, yesil orani, agac yogunlugu, kiyi yakinligi, yol uzunlugu)

>> YORUM (anlatim):
    Diskriminant analizi, gruplari (uc park tipi) en iyi ayiran dogrusal degisken bilesimlerini bulur -- bir bakima
    siniflandirma odakli PCA gibi. Dogruluk %100: bes ozellik uc park tipini kusursuz ayiriyor. Diskriminant analizi
    hem siniflandirma yapar hem "hangi ozellik ayrimda en etkili" sorusunu yanitlar (diskriminant fonksiyon yukleri).
    Lojistik regresyona benzer ama coklu gruplarda ve degiskenler normal dagildiginda klasik tercihtir. Peyzajda park
    tipi siniflandirmasinda ve yeni parklari var olan tipolojiye atamada kullanilir; planlama standartlari ve tip-bazli
    yonetim icin temel saglar.

====================================================================================

#85  Conditional Logit
    dosya: 85_conditional_logit_transport.xlsx
  >> SENARYO (anlatim):
    Kullanicilarin parka hangi ulasim moduyla geldigini (ayrik secim) sure ve maliyetten
    modellemek istiyoruz; kosullu logit uygundur.
  >> DEGISKEN SECIMI:
    - Secici: participant_id  |  Secilen: chosen  |  Yordayicilar: duration_min, cost_TL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Pseudo R2 (McFadden) = 0.803  (cok yuksek)
    Ulasim modu tercihi ~ sure (dk) + maliyet (TL)

>> YORUM (anlatim):
    Kullanicilarin parka hangi ulasim moduyla (yuruyus, bisiklet, toplu tasima, araba) gelecegini kosullu logit
    modeliyle inceledik -- her kullanici bir secenek kumesinden birini seciyor. McFadden pseudo R2 = 0.80 cok yuksek
    (secim modellerinde 0.2-0.4 zaten guclu sayilir): sure ve maliyet, mod tercihini neredeyse tam acikliyor. Model,
    kullanicilarin kisa sureli ve dusuk maliyetli ulasim modlarini tercih ettigini gosterir. Bu yontem, ulastirma ve
    erisilebilirlik analizinin temelidir; peyzajda parka erisim modlarini ve yesil/aktif ulasim (yuruyus, bisiklet)
    tesvik politikalarini modellemede gucludur.

====================================================================================

#86  Kaplan-Meier Survival
    dosya: 86_km_street_agaci.xlsx
  >> SENARYO (anlatim):
    Sokak agaclarinin sagkalim suresini turune gore inceleyip log-rank ile karsilastirmak
    istiyoruz; sansurlu "zaman-olay" verisi icin Kaplan-Meier uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year  |  Olay: event  |  Gruplama: type

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Medyan sagkalim = 8.41 yil   (agac turune gore gruplu)
    Log-rank testi gruplari karsilastirir

>> YORUM (anlatim):
    Sokak agaclarinin sagkalim suresini -- turune gore -- Kaplan-Meier ile analiz ettik. Medyan sagkalim 8.41 yil
    (kentsel sokak kosullarinin zorlugunu yansitir -- sicaklik, kirlilik, sinirli kok alani). Kaplan-Meier, "olaya
    kadar gecen sure" verisini -- henuz olmemis (sansurlu) agaclari da dogru kullanarak -- analiz eder ve log-rank
    testiyle turler arasi sagkalim farkini sinar. Peyzajda sokak agaci sagkalimi, kentsel agaclandirma basarisinin ve
    tur-kosul uygunlugunun temel gostergesidir. Hangi turun kentsel kosullarda daha uzun yasadigini belirlemek, tur
    secimi icin kritiktir.

====================================================================================

#87  Cox Proportional Hazards
    dosya: 87_cox_death_hazard.xlsx
  >> SENARYO (anlatim):
    Sokak agaci olum riskini cevresel degiskenlerle iliskilendirip risk oranlarini (HR)
    elde etmek istiyoruz; Cox regresyon uygundur.
  >> DEGISKEN SECIMI:
    - Sure: duration_year  |  Olay: event  |  Kovaryatlar: age_year, stress_score, moisture_pct

  >> GELISMIS PARAMETRELER (formda opsiyonel — ne ise yarar):
    - Orantili tehlike varsayim testi (Schoenfeld): kovaryans basina ki-kare/p; anlamli = PH ihlal, zaman-bagimli etki dusunun.

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay = 147 (%58.8)   Concordance = 0.570
    stress_score: HR = 1.009 p = 0.106 (anlamli degil)   (yas, nem kovaryatlariyla)

>> YORUM (anlatim):
    Sokak agaclarinin olum riskini cevresel/fizyolojik degiskenlerle (yas, stres skoru, nem) Cox regresyonuyla
    modelledik. Bu modelde stres skoru sinirda anlamsiz (HR = 1.009, p = 0.106), concordance 0.57 ile model mutevazi
    ayirici. Bu da bilgilendiricidir: agac olumu bu degiskenlerle kismen aciklaniyor, baska faktorler (kok hasari,
    altyapi catismasi, vandalizm) da etkili. Cox regresyon, "olaya kadar gecen sureyi" birden cok yordayiciyla
    iliskilendiren altin standart sagkalim modelidir; risk oranlarini (HR) verir. Kentsel agac olum riskini cevresel
    kosullarla iliskilendirmek, dirençli tur secimi ve dikim alani iyilestirme icin degerlidir.

====================================================================================

#88  Parametric Survival (Weibull AFT)
    dosya: 88_aft_weibull_omur.xlsx
  >> SENARYO (anlatim):
    Agac omrunu, sagkalim egrisini Weibull dagilimiyla modelleyen parametrik AFT ile
    incelemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Sure: duration_year  |  Olay: event  |  Kovaryat: maintenance_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Dagilim = Weibull   Medyan sagkalim = 12.22 yil
    Sagkalim ~ bakim skoru

>> YORUM (anlatim):
    Sokak agaclarinin omrunu parametrik Weibull modeliyle inceledik. Cox yaridan parametrik iken, Weibull tum sagkalim
    egrisini belirli bir matematiksel dagilimla modeller -- veri o dagilima uyuyorsa daha verimli tahmin verir ve
    gelecege ekstrapolasyon yapilabilir. Medyan omur 12.22 yil. AFT (hizlandirilmis basarisizlik zamani) yorumu
    sezgiseldir: bakim gibi bir faktor agac omrunu kac kat uzatir/kisaltir. Surenin dagilimi biliniyorsa parametrik
    modeller, Cox'a gore daha guclu ve ongorulebilir sonuc verir. Kentsel agac omru tahmini, agac varlik yonetimi ve
    yenileme planlamasinda (kac yilda bir agac degisimi) degerlidir.

====================================================================================

#89  Competing Risks
    dosya: 89_competing_risks_3neden.xlsx
  >> SENARYO (anlatim):
    Bir agacin birbirini dislayan farkli olum nedenlerini (hastalik/stres/hasar) yarisan
    riskler cercevesinde, her neden icin ayri kumulatif insidansla incelemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Sure: duration_year  |  Olay tipi: death_cause (0=sansurlu)  |  Kovaryat: age_planting

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Sansurlu (0) = 59   |   3 farkli olum nedeni (death_cause tipleri)
    Her olay tipi icin ayri kumulatif insidans (CIF) ve risk

>> YORUM (anlatim):
    Bir sokak agaci birden fazla nedenle olebilir: hastalik, kuraklik/stres, ya da mekanik hasar (insaat, kaza) -- ve
    bunlar birbirini dislar (biri olunca digerleri olamaz). Klasik sagkalim bunu yanlis ele alir; yarisan riskler
    analizi her olum nedeni icin ayri kumulatif insidans cikarir. Veride 59 agac hala canli (sansurlu), digerleri
    farkli nedenlerle olmus. Bu cerceve, "kuraklik/yas hangi olum nedeninin riskini artirir" gibi sorulari dogru
    yanitlar. Kentsel agac sagkalim arastirmasinda farkli olum nedenleri oldugunda yarisan riskler analizi sarttir --
    aksi halde bir nedenin riski abartilir ve yanlis koruyucu mudahale secilir.

====================================================================================

#90  Time-Dependent Cox
    dosya: 90_tvcox_tree_stress.xlsx
  >> SENARYO (anlatim):
    Zamanla degisen stres skorunu (start-stop) kullanarak guncel durumun olum riskine
    etkisini modellemek istiyoruz; zaman-bagimli Cox uygundur.
  >> DEGISKEN SECIMI:
    - Kimlik: tree_id  |  Baslangic/Bitis: start, end  |  Olay: event  |  Kovaryat: stress_score

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    stress_score: HR = 1.002   %95 GA (0.978 , 1.028)   p = 0.851 (anlamsiz)
    Zamanla degisen stres skoru kovaryati

>> YORUM (anlatim):
    Agacin stres skoru zaman icinde degisir (kuraklik donemleri, mevsim); standart Cox bunu sabit varsayar,
    zaman-bagimli Cox ise her zaman araliginda guncel stres skorunu kullanir (start-stop formati). Bu modelde guncel
    stresin olum riskine etkisi anlamsiz cikti (HR = 1.002, p = 0.851) -- bu veride anlik stres degisimi, olum
    zamanlamasini yordamiyor. Anlamsiz sonuc da bilgidir. Zaman-bagimli Cox, "sadece baslangic degeri degil, surekli
    izlenen guncel durum onemli" durumlarinda dogru yontemdir; boylamsal agac izlemede zamanla degisen stres/saglik
    olcumlerini modellemenin standardidir.

====================================================================================

#91  Survey Cox (Survey PHREG)
    dosya: 91_survey_phreg_project.xlsx
  >> SENARYO (anlatim):
    Proje tamamlanmasini, agirlikli/kumeli orneklem tasarimini dikkate alan survey-PHREG
    ile modellemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Sure: duration_month  |  Olay: completed  |  Kovaryat: budget_TL  |  Agirlik: weight  |  Kume: cluster_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.511   Agirlikli/kumeli sagkalim (butce kovaryati, bolge kumesi)
    Proje tamamlanma ~ butce

>> YORUM (anlatim):
    Sagkalim analizini karmasik orneklem tasarimiyla birlestirdik: peyzaj projeleri agirlikli ve bolgelere kumeli
    olarak secilmis bir populasyondan geliyor; "olay" proje tamamlanmasi. Survey-PHREG, Cox modelini tasarim
    agirliklari ve kume-dirayetli (cluster-robust) standart hatalarla calistirir, boylece risk oranlari ve guven
    araliklari populasyona genellenebilir olur. Concordance 0.51 ile bu modelde butce tek basina zayif ayirici.
    Peyzaj proje yonetiminde "tamamlanmaya kadar gecen sure" verisi varsa, tasarimi yok saymak yanli tahmin verir;
    survey-PHREG dogru cikarimi saglar.

====================================================================================

#92  Interval-Censored Survival
    dosya: 92_interval_censored_disease.xlsx
  >> SENARYO (anlatim):
    Olay (hastalik baslangici) zamani iki kontrol arasi bir araliktadir; bu belirsizligi
    Turnbull algoritmasiyla dogru ele almak istiyoruz.
  >> DEGISKEN SECIMI:
    - Alt sinir: left_censor  |  Ust sinir: survival_censor

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Olay sayisi = 28   Medyan sagkalim = 8.0 yil   (Turnbull algoritmasi)
    Hastalik baslangic zamani [alt sinir, ust sinir] araliginda biliniyor

>> YORUM (anlatim):
    Kentsel agac izlemesinde olayin (hastalik baslangici) tam zamanini nadiren biliriz: agaci periyodik kontrol
    ederiz, bir kontrolde saglikli, sonrakinde hastalikli buluruz -- hastalik bu iki tarih arasinda bir yerde basladi.
    Aralik-sansurlu sagkalim (Turnbull algoritmasi) tam bu belirsizligi dogru ele alir; olayi keyfi bir tarihe
    sabitlemekten kacinir. Medyan hastaliga kadar sure 8 yil. Periyodik denetimin dogasi geregi (yillik kontrol) olay
    zamani hep bir araliktadir; bu veriyi tek bir noktaya zorlamak yanli sonuc verir. Aralik-sansurlu yontem, periyodik
    agac sagligi izleme verisinin gercegine uygundur.

====================================================================================

#93  Frailty Cox
    dosya: 93_frailty_cox_neighborhood.xlsx
  >> SENARYO (anlatim):
    Mahallelere kumeli agac sagkaliminda, mahalle-duzeyi paylasilan "kirilganligi"
    (rastgele etki) hesaba katan frailty Cox kullanmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Sure: duration_year  |  Olay: event  |  Kovaryat: age_planting  |  Kume (frailty): neighborhood_id

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Concordance = 0.554   Mahalle-kumeli paylasilan frailty (rastgele etki)
    Olum ~ dikim yasi  +  (mahalle kirilganligi)

>> YORUM (anlatim):
    Sokak agaclari mahallelere kumelenmis; ayni mahalledeki agaclar olculmeyen ortak faktorleri (mikroklima, bakim
    rejimi, kirlilik, altyapi) paylasir ve benzer olum riski tasir. Frailty Cox, her mahalle icin paylasilan bir
    "kirilganlik" (rastgele etki) ekleyerek bu kumelenmeyi modeller -- sagkalim analizinin karma-model versiyonu.
    Concordance 0.55. Mahalle-duzeyi gizli farkliliklari hesaba katmak, hem dogru standart hatalar hem de "mahalleler
    arasi agac sagkaliminda ne kadar heterojenlik var" bilgisini verir -- hangi mahallelerin agac dostu/dusman oldugunu
    gosterir. Kumeli kentsel agac sagkalim verisinde (mahalleler, sokaklar) dogru yontemdir.

====================================================================================

#94  Time Series Analysis
    dosya: 94_ts_monthly_visitor.xlsx
  >> SENARYO (anlatim):
    Aylik park ziyaretci serisinin yapisini -- trend, mevsim, duraganlik -- ortaya
    cikarmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Tarih: date  |  Deger: visitor_monthly

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    60 gozlem (aylik)   ADF p = 0.755 -> duragan DEGIL   Trend = artan   Mevsimsellik tespit edildi

>> YORUM (anlatim):
    Aylik park ziyaretci serisini inceledik. ADF testi seriyi duragan bulmuyor (p = 0.755) -- ortalama zamanla
    degisiyor, bir trend var (artan -- belki artan farkindalik/kullanim) ve guclu mevsimsellik mevcut (yaz piki, kis
    dusugu). Bu on-teshis kritik: cogu zaman serisi modeli (ARIMA gibi) duraganlik gerektirir, bu yuzden once fark
    alma/donusum gerekebilir. Zaman serisi analizi, uzun izleme verisinin yapisini -- trend, mevsim, duraganlik --
    ortaya cikararak hangi modelleme adimlarinin gerektigini soyler. Park kullanim verilerinin (ziyaretci, doluluk)
    zaman icindeki seyrini analiz etmenin temelidir.

====================================================================================

#95  STL Decomposition
    dosya: 95_stl_PM25_daily.xlsx
  >> SENARYO (anlatim):
    Gunluk PM2.5 serisini trend + mevsim + artik bilesenlerine ayristirmak istiyoruz; STL uygundur.
  >> DEGISKEN SECIMI:
    - Tarih: date  |  Deger: PM25_ugm3

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Periyot (mevsim uzunlugu) = 7 (gunluk -> haftalik dongu)
    Seri: trend + mevsim + artik bilesenlerine ayristirildi

>> YORUM (anlatim):
    STL (Seasonal-Trend decomposition using Loess), gunluk PM2.5 (hava kirliligi) serisini uc bilesene ayirir: uzun
    donem trend, tekrarlayan dongu (7 gunluk = haftalik) ve geri kalan artik. Haftalik periyot anlamli -- hava
    kirliligi hafta ici/sonu duzenli dalgalaniyor (trafik/aktivite deseni). Bu ayristirma, "kirlilik genel olarak
    artiyor mu yoksa sadece haftalik mi dalgalaniyor" sorusunu netlestirir. STL, mevsimsel/dongusel cevre serilerini
    (kirlilik, sicaklik) yorumlamanin en sezgisel yoludur; trend ve dongu etkisini ayirarak yesil alanlarin hava
    kalitesine uzun donem etkisini gormeyi saglar.

====================================================================================

#96  ARIMA Forecast
    dosya: 96_arima_monthly_budget.xlsx
  >> SENARYO (anlatim):
    Aylik park butcesini ARIMA ile modelleyip gelecegi tahmin etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Tarih: date  |  Deger: monthly_budget_TL

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    ARIMA modeli kuruldu   AIC = 2438.85
    Aylik park butcesi (TL) -- gelecek tahmini

>> YORUM (anlatim):
    Aylik park bakim/yonetim butcesi serisine ARIMA modeli uydurup gelecegi tahmin ettik. ARIMA, serinin kendi gecmis
    degerlerini (AR), gecmis hatalarini (MA) ve fark almayi (I, duraganlastirma icin) birlestirir. AIC = 2439 ile en
    iyi model secildi. Tahminler, gozlemlenen trend ve mevsimsel otokorelasyon yapisina dayanir ve belirsizlik bandiyla
    gelir. Butce tahmini, peyzaj yonetimi icin onemli: gelecek bakim/yenileme harcamalarini ongormek, mali planlama ve
    kaynak tahsisini saglar. ARIMA, mevsimsellik ve trend iceren mali/yonetim serilerinde klasik tahmin yontemidir.

====================================================================================

#97  Exponential Smoothing (Holt-Winters)
    dosya: 97_ets_monthly_visitor_yazpik.xlsx
  >> SENARYO (anlatim):
    Guclu mevsimsel (yaz pikli) ziyaretci serisini Holt-Winters ustel duzlestirme ile
    tahmin etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Tarih: date  |  Deger: visitor

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Yontem = Holt-Winters (toplamsal mevsim, periyot 12)   AIC = 831.93
    Aylik ziyaretci sayisi tahmini (yaz pikli)

>> YORUM (anlatim):
    Holt-Winters ustel duzlestirme, seviye + trend + mevsimsellik bilesenlerini agirlikli olarak (yakin gecmise daha
    cok agirlik vererek) tahmin eder. Aylik ziyaretci serisinin guclu mevsimsel desenini (yaz piki) yakaladi (AIC =
    832). Park ziyaretciligi tipik olarak guclu mevsimsellik gosterir (yazin yuksek, kisin dusuk); Holt-Winters boyle
    serilerde cogu zaman cok basarilidir ve ARIMA'ya gore daha sezgiseldir. Peyzaj/rekreasyon talep tahmininde
    (ziyaretci, doluluk) kurmasi kolay ve yorumlanabilir bir alternatiftir; mevsimsel personel/bakim planlamasi icin degerlidir.

====================================================================================

#98  Mann-Kendall Trend + Sen's Slope
    dosya: 98_mann_kendall_temperature_trend.xlsx
  >> SENARYO (anlatim):
    Ortalama sicaklikta uzun donem trendi (kentsel isi adasi/iklim) parametrik olmayan
    Mann-Kendall + Sen egimi ile sinamak istiyoruz.
  >> DEGISKEN SECIMI:
    - Deger: mean_temperature_C

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    p < .001 ***   Trend = ARTIS
    Ortalama sicaklik uzun donem trendi

>> YORUM (anlatim):
    Ortalama sicaklikta uzun donemli anlamli bir trend olup olmadigini Mann-Kendall testiyle sinadik -- parametrik
    olmayan, aykiri ve dagilima dayanikli bir trend testi. Sonuc cok anlamli (p < .001) ve yon artis: sicaklik yillar
    icinde tutarli sekilde yukseliyor. Bu, kentsel isi adasi ve iklim degisikligi etkisinin somut gostergesidir.
    Peyzaj mimarligi acisindan kritik: artan sicaklik, yesil altyapinin (golge, serinletme, evapotranspirasyon)
    soguma hizmetini daha da onemli kiliyor -- iklim-uyumlu tasarimin gerekciesi. Mann-Kendall + Sen egimi, iklim/cevre
    serilerinde uzun donem trend tespitinin altin standardidir.

====================================================================================

#99  Anomaly Detection
    dosya: 99_anomali_park_inventory.xlsx
  >> SENARYO (anlatim):
    Park envanterindeki olaganustu kayitlari (coklu-degisken aykiri) tespit etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Degiskenler: area_m2, green_ratio, visitor_weekly, satisfaction

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Anomali sayisi = 24   (IQR tabanli coklu-degisken aykiri tespit)
    Park envanterindeki olaganustu kayitlar

>> YORUM (anlatim):
    Park envanterindeki (alan, yesil orani, ziyaretci, memnuniyet) olaganustu kayitlari anomali tespitiyle bulduk --
    24 park normal desenden saparak isaretlendi. Bu anomaliler gercek durumlara isaret edebilir: olaganustu buyuk/
    yesil bir park, beklenmedik dusuk memnuniyetli bir park (sorun var), ya da veri giris hatasi. Anomali tespiti,
    buyuk park veritabanlarinda dikkat gerektiren az sayidaki ozel durumu otomatik ayikalar. Peyzaj yonetiminde erken
    uyari (sorunlu parklari tespit), oncelikli mudahale ve veri kalitesi kontrolu icin son derece pratiktir.

====================================================================================

#100  Variance Components (VARCOMP)
    dosya: 100_varcomp_city_neighborhood_park_satisfaction.xlsx
  >> SENARYO (anlatim):
    Memnuniyet degiskenliginin hangi mekansal duzeyden (sehir/mahalle/park) geldigini
    yuvalanmis varyans bilesenleri (REML) ile ayristirmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction  |  Faktorler: city (ust), neighborhood (sehir icinde nested)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sehir (city) = %40.2   mahalle (neighborhood, sehir icinde nested) = %13.4   artik = ~%46.3
    Yuvalanmis: sehir > mahalle > park (REML)

>> YORUM (anlatim):
    Park memnuniyetinin degiskenliginin hangi mekansal duzeyden -- sehir, mahalle ya da park -- kaynaklandigini
    varyans bilesenleri analiziyle ayristirdik: sehir ve mahalle yuvalanmis. Sonuc: varyansin %40.2'si sehirler arasi
    farktan, %13.4'u (sehir icindeki) mahalleler arasi farktan, ~%46'si park-duzeyi/artik varyasyondan geliyor. Yani
    en buyuk yapisal kaynak sehir duzeyi -- sehirler memnuniyet bakimindan belirgin farkli (kentsel politika/iklim/
    kultur farki). Bu, kalitsallik benzeri cok-duzeyli tasarimda kritik: degiskenligin nerede yogunlastigini gosterir
    ve mudahalenin hangi duzeyde (sehir politikasi mi yerel mahalle mi tek park mi) hedeflenmesi gerektigini soyler.

====================================================================================

#101  Bayesian t-Test
    dosya: 101_bayesian_t_test_new_old_design.xlsx
  >> SENARYO (anlatim):
    Yeni vs eski tasarimin memnuniyet farkini Bayes Faktoru ile (kanit gucu) degerlendirmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction  |  Grup: design_group

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    BF10 = 8.32e+67 (kesin/decisive kanit)   Cohen d = 4.95
    Yeni tasarim vs eski tasarim -- memnuniyet

>> YORUM (anlatim):
    Yeni bir tasarim yaklasiminin eskiden farkli memnuniyet verip vermedigini Bayesci t-testiyle sinadik. Bayes Faktoru
    BF10 = 8.32e+67 -- astronomik buyuklukte, "kesin kanit": veri, fark oldugu hipotezini fark olmadigi hipotezine gore
    akil almaz kat daha cok destekliyor. Cohen d = 4.95 ile etki olaganustu buyuk. Yeni tasarim memnuniyeti ezici
    sekilde artirmis. Klasik p-degerinden farki: Bayes Faktoru hem H1 hem H0 lehine kanit gucunu dogrudan olcer ve
    "kanit yoklugu" ile "yokluk kaniti"ni ayirir. Yeni tasarimin etkisi yalnizca istatistiksel degil, pratik olarak da
    ezici -- Bayesci cerceve bunu ikna edici sekilde gosteriyor.

====================================================================================

#102  Bayesian Correlation
    dosya: 102_bayesian_correlation_green_satisfaction_BF10.xlsx
  >> SENARYO (anlatim):
    Yesil alan orani - memnuniyet iliskisinin gucunu ve kanit faktorunu (BF10) Bayesci
    korelasyonla degerlendirmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Degisken 1: green_area_ratio  |  Degisken 2: satisfaction

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    r = 0.823 (cok guclu)   BF10 = 4.47e+22 (kesin kanit)
    Yesil alan orani - memnuniyet iliskisi

>> YORUM (anlatim):
    Yesil alan orani ile park memnuniyeti arasindaki iliskiyi Bayesci korelasyonla degerlendirdik: r = 0.82 cok guclu
    ve Bayes Faktoru BF10 = 4.47e+22 ile iliskinin varligina dair kanit kesin. Yesil orani arttikca memnuniyet belirgin
    artiyor -- peyzaj mimarliginin temel ilkesinin (yesil = memnuniyet/iyi olus) nicel kaniti. Bayesci korelasyon,
    klasik korelasyondan farkli olarak, iliskinin gucunu bir olasilik dagilimi ve kanit faktoruyle ifade eder -- "ne
    kadar eminiz" sorusunu da yanitlar. BF10'un bu kadar buyuk olmasi, iliskinin tesadufi olma olasiliginin yok
    denecek kadar dusuk oldugunu soyler. Yesil alanin kullanici memnuniyetine etkisini niceleyen guclu bir cercevedir.

====================================================================================

#103  Bayesian ANOVA
    dosya: 103_bayesian_anova_design_region.xlsx
  >> SENARYO (anlatim):
    Tasarim stili ve bolgenin memnuniyete etkisini, her etki icin Bayes Faktoruyle
    Bayesci ANOVA ile incelemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction  |  Faktor 1: design_style  |  Faktor 2: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    design_style: BF10 = 7.66e+06 (kesin kanit)
    Tasarim stili x bolge -> memnuniyet

>> YORUM (anlatim):
    Tasarim stili ve bolge faktorlerinin memnuniyete etkisini Bayesci ANOVA ile inceledik. Tasarim stili etkisi ezici:
    Bayes Faktoru 7.66e+06 -- "kesin kanit". Yani farkli tasarim stilleri memnuniyet bakimindan belirgin farkli.
    Bayesci ANOVA, her etki ve etkilesim icin ayri bir Bayes Faktoru vererek "hangi faktor gercekten onemli" sorusunu
    klasik ANOVA'dan daha bilgilendirici yanitlar -- anlamli olmayan etkiler icin de "yokluk kaniti" sunabilir. Peyzaj
    deneylerinde (tasarim x bolge) faktor etkilerini kanit gucuyle birlikte degerlendirmenin guclu bir yontemidir;
    kanit-temelli tasarim kararlarinin Bayesci dayanagini saglar.

====================================================================================

#104  Bayesian Hierarchical Model
    dosya: 104_hierarchical_bayesian_city_random.xlsx
  >> SENARYO (anlatim):
    Cok-sehirli veride memnuniyeti yesil orandan, sehir rastgele etkisiyle Bayesci
    hiyerarsik model ile tahmin etmek istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction  |  Grup: city  |  Yordayici: green_ratio

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Grup (sehir) random varyansi = 0.0604 (%33.5)   artik = 0.1202 (%66.5)   ICC = 0.335
    Memnuniyet ~ yesil orani  +  (1 | sehir)   (Bayesci)

>> YORUM (anlatim):
    Cok-sehirli veriyi (sehirler icinde parklar) Bayesci hiyerarsik modelle analiz ettik -- LMM'in Bayesci karsiligi.
    Sehir duzeyi varyans toplamin %33.5'i (ICC = 0.335); degiskenligin onemli bir kismi sehirler arasi farktan,
    cogunlugu ise park-duzeyinden geliyor. Yani memnuniyet hem sehre hem de tek tek parka bagli. Bayesci hiyerarsik
    modelin gucu: hem grup-ici hem gruplar-arasi belirsizligi tam olasilik dagilimlariyla ifade eder ve az gozlemli
    sehirleri "kismi havuzlama" (partial pooling) ile dengeler. Cok-sehirli/cok-merkezli peyzaj calismalarinda hem
    yerel hem genel etkileri modellemenin modern yoludur.

====================================================================================

#105  Spatial Lag Model (SAR)
    dosya: 105_spatial_sar_park_value_spatial.xlsx
  >> SENARYO (anlatim):
    Park degerini, komsu degerlerin etkisini (mekansal gecikme, rho) iceren SAR ile
    modellemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli: park_value_TL  |  Yordayicilar: area_m2, green_ratio  |  Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    rho (mekansal gecikme) = 0.29   z = 3.19   p = 0.001   Pseudo R2 = 0.81
    Park degeri ~ alan + yesil orani  +  komsu park degeri

>> YORUM (anlatim):
    Park degerini modellerken mekansal bagimliligi -- yakin parklarin benzer degerde olma egilimini -- hesaba kattik.
    SAR (mekansal otoregresif) model, bir parkin degerini komsularinin degerine de baglar (rho). Burada rho = 0.29,
    anlamli pozitif (z = 3.19, p = 0.001): komsuluk etkisi gercek ve orta duzeyde -- bir parkin degeri komsu parklardan/
    cevreden etkileniyor (mahalle prestiji, erisim). Model varyansin %81'ini acikliyor. Mekansal model kullanmak
    kritik, cunku siradan regresyon "mekansal otokorelasyon" varken sahte anlamli sonuc verir. SAR, kentsel yayilim ve
    komsu etkisi olan mekansal park/gayrimenkul degerlerini modellemenin dogru yoludur.

====================================================================================

#106  Spatial Error Model (SEM)
    dosya: 106_spatial_error_use_residual.xlsx
  >> SENARYO (anlatim):
    Olculmeyen mekansal faktorlerin artiklar uzerinden yarattigi korelasyonu (lambda)
    iceren mekansal hata modeliyle park degerini incelemek istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli: park_value_TL  |  Yordayicilar: area_m2, green_ratio  |  Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    lambda (mekansal hata) = 0.41   z = 3.40   p = 0.001   Pseudo R2 = 0.79
    Park degeri ~ degiskenler  +  mekansal hata yapisi

>> YORUM (anlatim):
    Mekansal hata modeli, SAR'dan farkli bir mekansal bagimlilik turunu ele alir: komsu degerlerin dogrudan etkisi
    degil, modelde gozlenmeyen (atlanmis) mekansal faktorlerin artiklar uzerinden yarattigi korelasyon. Lambda = 0.41
    (z = 3.40, p = 0.001) bu mekansal hata yapisinin anlamli oldugunu gosterir -- olculmeyen ortak mekansal etmenler
    (mahalle altyapisi, sosyo-ekonomik baglam, ulasim) var. Hangi mekansal model (SAR mi SEM mi) uygundur sorusu,
    etkinin komsu degerlerden mi yoksa olculmeyen faktorlerden mi geldigine baglidir. SEM, bu olculmeyen mekansal
    karistiricilari temizleyerek degiskenlerin park degeri uzerindeki gercek etkisini daha dogru tahmin eder.

====================================================================================

#107  Geographically Weighted Regression (GWR)
    dosya: 107_gwr_local_park_value.xlsx
  >> SENARYO (anlatim):
    Park degeri iliskisinin mekanda nasil degistigini (yerel katsayilar) GWR ile
    haritalamak istiyoruz.
  >> DEGISKEN SECIMI:
    - Bagimli: park_value_TL  |  Yordayicilar: area_m2, green_ratio  |  Koordinatlar: lat, lon

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    R2 = 0.831   (yerel/konuma ozgu regresyon)
    Park degeri iliskisinin mekansal degisimi

>> YORUM (anlatim):
    Siradan regresyon tum kent icin TEK bir park degeri iliskisi varsayar; ama bu iliski mekanda degisebilir -- bir
    bolgede yesil orani degeri guclu etkilerken digerinde zayif olabilir. GWR (Cografi Agirlikli Regresyon), her konum
    icin ayri bir yerel regresyon kurarak bu mekansal heterojenligi yakalar (R2 = 0.83). Cikti, katsayilarin
    haritasidir: yesil orani/alanin park degerine etkisinin nerede guclu nerede zayif oldugunu gosteren bir yuzey. Bu,
    "iliski her yerde ayni mi" sorusunu test eder ve yerel yatirim/yenileme onceliklerini belirler. Kentsel peyzaj
    degeri analizinde GWR, mekansal esitsizlikleri ve yere-ozgu degeri haritalamada kuresel modelin gizledigini ortaya kor.

====================================================================================

#108  Nested Mixed Model (Nested LMM)
    dosya: 108_nested_lmm_city_park_visit.xlsx
  >> SENARYO (anlatim):
    Ic ice yuvalanmis (sehir > park > ziyaret) tasarimda her duzeyin katkisini ayri ayri
    test etmek istiyoruz; nested LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction  |  Replikasyon: visit  |  Ust grup: city  |  Alt grup: park_no

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    sehir (P): F = 9.06, p < .001 ***   |   park_no [sehir icinde] (F): F = 8.30, p < .001 ***
    ziyaret (R): F = 2.98, p = 0.038 *

>> YORUM (anlatim):
    Bu tasarimda olcumler ic ice yuvalanmis: sehir > park > ziyaret. Yuvalanmis karma model, her duzeyin varyansa
    katkisini ayri ayri test eder. Sonuclar tum duzeylerde anlamli: sehirler arasi (F = 9.06), sehir icindeki parklar
    arasi (F = 8.30) ve ziyaretler arasi (F = 2.98) gercek farklar var. Yuvalanmis veride duzeyleri karistirmak
    (ornegin sehri gormezden gelmek) sahte anlamlilik ya da yanlis standart hata uretir. Nested LMM, hiyerarsik kentsel
    tasarimlarda (sehir/park/ziyaret, bolge/mahalle/birim) her olcegin gercek katkisini ayiran dogru cercevedir;
    cok-duzeyli kentsel yesil alan analizinin temelidir.

====================================================================================

#109  Crossed Mixed Model (Crossed LMM)
    dosya: 109_crossed_lmm_design_region.xlsx
  >> SENARYO (anlatim):
    Caprazlanmis (her tasarim her bolgede) tasarimda ana etkileri ve tasarim×bolge
    etkilesimini incelemek istiyoruz; crossed LMM uygundur.
  >> DEGISKEN SECIMI:
    - Bagimli: satisfaction  |  Faktor A: design_style  |  Faktor B: region

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    tasarim stili: F = 1.23, p = 0.356 (anlamsiz)   |   bolge: F = 0.69, p = 0.584 (anlamsiz)
    tasarim x bolge etkilesimi: F = 11.62, p < .001 *** (ANLAMLI)

>> YORUM (anlatim):
    Yuvalanmanin aksine burada iki faktor caprazlanmis: her tasarim stili her bolgede uygulanmis (tam faktoriyel).
    Carpici sonuc: iki ana etki de anlamsiz (tasarim: p = 0.356, bolge: p = 0.584), ama etkilesim cok anlamli
    (F = 11.62, p < .001). Bu klasik bir "saf etkilesim" ornegi: tek baslarina tasarim ve bolge bir sey soylemiyor,
    ama BIRLIKTE -- belirli tasarim-bolge kombinasyonlari -- guclu etki yaratiyor. Yani bir tasarim stili bir bolgede
    cok basarili, baska bolgede basarisiz olabilir; "her yere uygun tek tasarim yoktur". Ana etkilere bakip "hicbir
    sey anlamli degil" demek buyuk hata olurdu. Caprazlanmis karma model, baglama-duyarli (context-sensitive) peyzaj
    tasarimda tasarim×bolge etkilesimini yakalamanin dogru yontemidir.

====================================================================================

#110  KDE -- Kernel Density (Map)
    dosya: 110_KDE_park_distribution_density.xlsx
  >> SENARYO (anlatim):
    Parklarin cografi yogunlugunu cekirdek yogunluk (KDE) isi haritasiyla gorsellestirip
    yesil alan erisim bosluklarini gormek istiyoruz.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon  |  Deger: park_value_TL  (Harita sekmesi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    95 park noktasi   ortalama park degeri = 478,473 TL
    Cekirdek yogunluk tahmini ile park dagilim yogunlugu haritasi

>> YORUM (anlatim):
    Harita sekmesinde, parklarin cografi yogunlugunu KDE (Cekirdek Yogunluk Tahmini) ile bir isi haritasina dokuyoruz.
    KDE, noktalari yumusak bir yogunluk yuzeyine cevirir: nerede yogun park var, nerede bosluk (yesil alan acigi) var
    gorulebilir. 95 parkin dagilimi, kentsel yesil altyapinin cografi olarak nasil yogunlastigini gosterir. Bu, hem
    yesil alan erisim bosluklarini (hangi mahalleler parksiz) tespit etmek -- "15 dakikalik sehir" / esitlikci yesil
    alan dagilimi acisindan kritik -- hem de park yogun bolgeleri gormek icin kullanilir. Mekansal park verisini
    gorsellestirmenin temel haritalama aracidir.

====================================================================================

#111  Hexbin (Map)
    dosya: 111_Hexbin_visitor_distribution.xlsx
  >> SENARYO (anlatim):
    Yogun ziyaretci noktalarini altigen hucrelere toplayip okunabilir yogunluk
    haritasi olusturmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon  |  Yogunluk: density_interval  (Harita sekmesi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    150 ziyaretci/birim noktasi   altigen hucrelere toplulastirildi
    Her hucre, icindeki nokta yogunlugunu renkle gosterir

>> YORUM (anlatim):
    Hexbin haritasi, cok sayida noktayi altigen (hexagon) hucrelere toplayip her hucredeki yogunlugu renkle gosterir --
    binlerce noktanin ust uste binip okunamaz hale geldigi durumlarda KDE'ye alternatif, net bir cozumdur. 150
    ziyaretci noktasini altigen izgaraya dokerek hangi bolgelerde kullanim yogunlugu oldugunu gorsellestirdik. Altigen
    hucreler kareye gore daha az kenar-yanliligi tasir ve komsuluk iliskilerini daha esit temsil eder. Yogun mekansal
    kullanim verisini (ziyaretci konumu, aktivite noktasi) okunabilir bir yogunluk haritasina cevirmenin pratik
    yoludur; park-ici yogun kullanilan alanlari belirlemede kullanilir.

====================================================================================

#112  Moran's I (Map)
    dosya: 112_Morans_I_park_value_autocorrelation.xlsx
  >> SENARYO (anlatim):
    Park degerinin mekansal otokorelasyonunu (yakin parklar benzer mi?) Moran's I ile
    sinamak istiyoruz.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon  |  Deger: park_value_TL  (Harita sekmesi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Moran's I = 0.555   z = 9.94   p < .001
    Park degerinin mekansal otokorelasyonu (guclu pozitif)

>> YORUM (anlatim):
    Moran's I, "yakin parklar benzer degere mi sahip" sorusunu olcen kuresel mekansal otokorelasyon istatistigidir.
    Sonuc guclu pozitif (I = 0.56, z = 9.94, p < .001): park degeri mekansal olarak kumeleniyor -- yuksek degerli
    parklar birbirine yakin, dusuk olanlar da. Bu tesaduf degil; mahalle prestiji, sosyo-ekonomik baglam ve kentsel
    gelisim komsu parklari benzer kiliyor. Bu bulgu kentsel peyzajda mekansal esitsizligin somut gostergesidir ve
    metodolojik onem tasir: mekansal otokorelasyon varsa siradan istatistik yanlis olur (bu yuzden #105-107 mekansal
    modelleri gerekli). Moran's I, mekansal analizin baslangic teshisidir.

====================================================================================

#113  Getis-Ord Gi* (Map)
    dosya: 113_Getis_Ord_high_value_hotspot.xlsx
  >> SENARYO (anlatim):
    Park degerinin sicak/soguk noktalarini (nerede yogunlasiyor) Getis-Ord Gi* ile
    haritalamak istiyoruz.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon  |  Deger: park_value_TL  (Harita sekmesi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    17 sicak nokta (yuksek deger kumesi)   27 soguk nokta (dusuk deger kumesi)   n = 68
    Getis-Ord Gi* yerel istatistigi (z > 1.96 anlamli)

>> YORUM (anlatim):
    Moran's I tum kentin genel kumelenmesini soylerken, Getis-Ord Gi* NEREDE sicak/soguk noktalar oldugunu tek tek
    konumlar icin gosterir. 17 park istatistiksel olarak anlamli "sicak nokta" (yuksek degerin yuksek degerle
    cevrelendigi prestijli kumeler), 27 park "soguk nokta" (dusuk deger kumeleri -- dezavantajli/ihmal edilmis
    bolgeler). Bu, kentsel yesil alan adaleti icin dogrudan yol gosterir: yatirim ve yenileme kaynaklarini soguk nokta
    (dezavantajli) kumelerine odaklamak yesil alan esitsizligini azaltir. Gi* sicak nokta analizi, "park degerinin/
    kalitesinin cografi olarak nerede yogunlastigini" bulmanin standart mekansal yontemidir -- yesil alan esitsizliginin
    haritasini cikarir.

====================================================================================

#114  DBSCAN (Map)
    dosya: 114_DBSCAN_park_kumeleri.xlsx
  >> SENARYO (anlatim):
    Park konumlarini yogunluk tabanli DBSCAN ile kumeleyip izole parklari (gurultu)
    ayirmak istiyoruz.
  >> DEGISKEN SECIMI:
    - Koordinatlar: lat, lon  (Harita sekmesi)

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Kume sayisi = 4   gurultu (izole) = 8   n = 115
    Park konumlari yogunluk tabanli kumelendi

>> YORUM (anlatim):
    Haritada parklarin cografi konumlarini DBSCAN ile yogunluk tabanli kumeledik: dort yogun park obegi bulundu, 8
    park ise hicbir kumeye girmeyen "izole/gurultu" noktasi olarak isaretlendi. DBSCAN'in gucu, kume sayisini onceden
    istememesi ve duzensiz sekilli kumeleri yakalayabilmesidir -- ayrica seyrek/uzak parklari otomatik ayirir. Dort
    kume, parklarin belirli bolgelerde yogunlastigini gosterir; izole parklar ise yesil alan acigi olan bolgelerdeki
    tek parklar olabilir (oncelikli korunmali/desteklenmeli). Bu mekansal kumeleme, yesil alan hizmet bolgeleri
    tanimlamak, erisim bosluklarini bulmak ve cografi olarak benzer parklari birlikte yonetmek icin pratik bir aractir.
    Boylece Peyzaj Mimarligi paketinin 114 analizlik tam turunu tamamlamis oluyoruz.

====================================================================================

#115  Karma Desen (Split-Plot) ANOVA
    dosya: 115_mixed_anova_thermal_comfort_index.xlsx
  >> SENARYO (anlatim):
    40 sites uc season duzeyinde (spring, summer, autumn) olculur; her biri iki design grubundan birine (naturalistic / hardscape) aittir. Karma (split-plot) desen; thermal comfort index uzerinde denekler-arasi ana etki,
    denek-ici ana etki ve etkilesimi sinar.
  >> DEGISKEN SECIMI:
    - Bagimli degisken: thermal_comfort_index
    - Denek kimligi: site_id
    - Denekler-arasi faktor: design
    - Denek-ici faktor: season

  ----- SONUC & YORUM -----
>> SONUC (ekran):
    Between (design): F(1,38) = 33.14  p < .001  np2 = 0.466
    Within (season):  F(2,76) = 19.42  p < .001  np2 = 0.338
    Interaction:         F(2,76) = 16.17  p < .001  np2 = 0.298
    Mauchly W = 0.915  p = 0.186   n_subjects = 40   n_obs = 120

>> YORUM (anlatim):
    design x season karma deseninde 40 sites icin thermal comfort index incelendi (120 gozlem). Etkilesim anlamli (F(2,76) = 16.17, p < .001, np2 = 0.298) *** -- iki grubun season boyunca degisimi farkli buyukluktedir. Denekler-arasi ana etki (naturalistic vs hardscape) F = 33.14, p < .001; denek-ici ana etki (spring/summer/autumn) F = 19.42, p < .001. Mauchly p = 0.186, yani kurelik saglanir, denek-ici p duzeltmesiz okunur. Once etkilesime bakilir: anlamliysa grup etkisi her season duzeyinde ayri yorumlanmalidir. Peyzaj mimarlığında karma desen, peyzaj tasarımlarını konfor açısından mevsimler boyunca karşılaştırma icin standart analizdir.

====================================================================================
