Makine öğrenmesi teknikleri kullanılarak yangın riski değerlendirmesi: Çin, Jinan Şehri üzerine bir vaka çalışması

Neden tek bir şehrin yangın riski herkes için önemli

Şehirler büyüdükçe ve yazlar ısındıkça, bir zamanlar nadir görülen yangınlar daha sık ve daha yıkıcı hale geliyor. Bu çalışma, Çin’in doğusundaki hızlı büyüyen Jinan kentini ele alarak basit ama acil bir soruyu soruyor: yangınlar nerede ve ne zaman çıkma eğiliminde? Araştırmacılar, uydu verileri, şehir haritaları ve modern bilgisayar öğrenme tekniklerini harmanlayarak yüksek riskli alanları ayrıntılı biçimde belirleyebileceğimizi ve bu bilgiyi insanları, konutları ve yakındaki ormanları daha iyi korumak için kullanabileceğimizi gösteriyor.

Yangını şehir ölçeğinde bir örüntü olarak görmek

Her yangını izole bir kaza olarak ele almak yerine ekip Jinan’ı bir bütün sistem olarak inceledi. 2001–2024 döneminde uydular tarafından tespit edilen 7.500’den fazla yangın kaydını topladılar ve bunları 15 çevresel faktörle eşleştirdiler. Bunların arasında yağış, sıcaklık, rüzgâr ve nem gibi hava koşulları; arazi şekli (yükseklik, eğim ve bakı); bitki örtüsü (yeşillik ve arazi örtü türü) ve insan etkinliğinin göstergeleri (nüfus yoğunluğu, yollara ve nehirlere uzaklık) vardı. Tüm bu veriler, şehrin her noktasının aynı şekilde tanımlanabilmesi için ortak bir çözünürlükte harita katmanlarına dönüştürüldü: genelde ne kadar ıslak veya kuru olduğu, ne kadar dik olduğu, ne kadar yeşil olduğu ve ne kadar insan hareketli olduğu gibi.

Bilgisayarlara tehlikeli bölgeleri öğretmek

Bu bilgi yığınına kullanışlı tahminler ürettirmek için yazarlar beş farklı makine öğrenmesi yaklaşımını denedi. Bunlar Random Forest ve Destek Vektör Makineleri gibi iyi bilinen yöntemlerden Light Gradient‑Boosting Machine gibi daha gelişmiş tekniklere ve Evrişimli Sinir Ağı (CNN) adındaki derin öğrenme sistemine kadar uzanıyor. Her model, yangın olan yerleri yangın kaydı olmayan benzer yerlerden ayırt edecek şekilde eğitildi. Modeller daha sonra genel doğruluk, kaçırılan yangınlarla yanlış alarmlar arasındaki denge ve riskli ile güvenli alanları ne kadar iyi ayırdığını gösteren AUC gibi eğri‑temelli skorlar kullanılarak yeni, görülmemiş konumları ne kadar doğru sınıflandırabildiğine göre değerlendirildi.

Haritalar yangınların nerede ve ne zaman vurduğunu nasıl gösteriyor

En iyi performans gösteren araçlar CNN ve LightGBM modeli oldu; her ikisi de yangına yatkın yerleri beş kezden dörtten fazlasında doğru tahmin etti ve çok yüksek AUC skorları elde etti. CNN özellikle daha keskin güvenli ve riskli alan sınırları çizmede hafif bir üstünlüğe sahipti. Onun haritaları “üç yüksek riskli bölge ve iki risk kuşağı” olarak tanımlanan ayırt edici bir örüntü gösterdi. Basitçe ifade etmek gerekirse, en yangına yatkın yerler merkezi ve güney kentsel ilçeler çevresinde kümeleniyor ve şehir boyunca çapraz ve aşağı doğru uzanan iki yüksek risk bandı ile birbirine bağlı. Kuzey düzlükleri ve en güneydeki yüksek dağlar genelde daha az riskli. Analiz ayrıca hangi bileşenlerin daha belirleyici olduğuna işaret etti: arazi kullanımı ve arazi örtüsü ile bitki örtüsünün yeşilliği en güçlü sürücüler çıktı; uzun vadeli sıcaklık veya yağış ortalamalarından daha etkili oldular. Başka bir deyişle, insanların peyzajı nasıl şekillendirdiği ve parçaladığı ile mevcut yakıt miktarı, arka plan iklimi kadar en az önemli.

Mevsimler, mahalleler ve insan alışkanlıkları

Jinan’daki yangın riski yıl boyunca sabit değil. Mevsime özgü verileri CNN’e vererek yazarlar bahar ve yazın öne çıktığını buldular. Bahar, geniş çapta yüksek riskli alanlar gösteriyor; bunun bir kısmı kuru ot ve orman yakınlarında açık ateşle yapılan geleneksel açık hava ritüellerine bağlı. Yaz ise gerçek yangın sayısının en fazla olduğu dönem ve sıcak hava, yoğun elektrik kullanımı ve açık hava etkinliklerinin birleştiği yerleşik bölgelerde yoğunlaşıyor. Sonbahar tarım kenarları ve dağ etekleri boyunca dağınık riskler getiriyor; bunun nedeni genellikle tarımsal artıkların yakılması. Kış ise kırsal ve ormanlık alanlarda kuruyan bitki örtüsü ve ısınma uygulamalarına ilişkin riski öne çıkarıyor. Riskler ilçe bazında toplandığında Huaiyin öncelikli önleme bölgesi olarak öne çıktı, bunu Tianqiao, Gangcheng ve Zhangqiu izliyor; bu da yangın teşkilatları ve halk eğitim çalışmalarının en çok nerede etkili olabileceğine işaret ediyor.

Daha güvenli şehirler için ne anlama geliyor

Uzman olmayan bir okuyucu için temel çıkarım şu: şehir içi ve çevresindeki yangınlar ne rastgele ne de kaçınılmaz. Geçmiş olaylardan öğrenerek ve hava, arazi, bitki örtüsü ve insan etkinliğindeki ince işaretleri okuyarak modern algoritmalar, devriyelerin, eski tesisatın yenilenmesinin, bitki yönetiminin ve açık yakma kurallarının nereye yoğunlaştırılacağını tam olarak gösteren ayrıntılı risk haritaları çizebilir. Jinan örneğinde çalışma, kentsel büyümenin yanıcı yeşil alanlarla iç içe geçmesinin başlıca bir sorun reçetesi olduğunu gösteriyor. Aynı örüntü birçok şehirde de görülüyor. Burada kullanılan CNN tabanlı haritalar gibi yaklaşımlar, yerel yetkililere her zaman sonradan tepki vermek yerine bir sonraki yangın sezonunun önünde olabilmek için pratik bir yol sunuyor.

Atıf: Wei, G., Han, GS. & Lang, X. Fire risk assessment using machine learning techniques: a case study of Jinan City, China. Sci Rep 16, 6410 (2026). https://doi.org/10.1038/s41598-026-37074-0

Anahtar kelimeler: kentsel yangın riski, makine öğrenmesi, uydu verileri, evrişimli sinir ağları, afet önleme