Üç makine öğrenimi tekniği kullanılarak taşkın hassasiyeti değerlendirmesi ve performanslarının karşılaştırılması

Bir Etiyopya Havzasında Taşkın Riskinin Neden Önemli Olduğu

Taşkınlar her yıl dünya genelinde binlerce kişinin ölümüne, ürünlerin yok olmasına ve konut ile yolların zarar görmesine neden oluyor. Etiyopya’nın Mavi Nil’e su sağlayan yüksek kesimlerindeki Choke Havzası’nda ani taşkınlar hızlı bir şekilde ve çoğunlukla uyarı vermeden geliyor. Bu çalışma, uydu görüntülerini, haritaları ve yağış kayıtlarını detaylı taşkın riski haritalarına dönüştürmek için modern bilgisayar tekniklerinin nasıl kullanılabileceğini gösteriyor; bu sayede topluluklar ve planlamacılar bir sonraki fırtına gelmeden önce nerelere yapı yapılacağına, nerelerde tarım yapılacağına ve nerelerin korunacağına karar verebiliyor.

Baskı Altındaki Bir Dağ Manzarası

Choke Havzası, kuzeybatı Etiyopya’nın yükseklerinde yer alır; burada dik dağlar 60’tan fazla nehir ve yüzlerce kaynağı besler. Bu engebeli arazi tarımı, hidroelektriği, içme suyunu ve hatta turizmi destekliyor, ancak aynı zamanda mevsimsel yoğun yağışları dar vadilere ve taşkın ovalarına yönlendiriyor. Son on yılda tekrarlayan taşkınlar, özellikle Haziran ile Eylül arasındaki ana yağış mevsiminde tarlalara, yollara, köprülere, okullara ve evlere zarar verdi. Nüfus artışı, ormansızlaşma ve kasabaların genişlemesi arazi yüzeyini değiştirdi; bu da suyu emme kapasitesini genellikle azalttı ve ani su akışlarının aşağı akışa taşınmasını kolaylaştırdı.

Haritaları ve Ölçümleri Taşkın Tarihine Dönüştürmek

Araştırmacılar, taşkınların en sık nerede gerçekleştiğini anlamak için önce havza için bir taşkın “envanteri” oluşturdular. Hükümet afet raporlarını, saha bilgilerini ve bulutların içinden bile taşkınlı alanları tespit edebilen Sentinel-1 radar görüntülerini birleştirdiler. 2005 ile 2020 arasındaki beş büyük taşkın yılında, olaylardan önce ve sonra çekilen görüntüleri karşılaştırarak su basmış bölgeleri belirlediler. Kalıcı gölleri ve ayakta su barındırmayacak dik eğimleri kaldırmak için yükselti verilerini de kullandılar. Bunlardan, taşkına uğramış ve kuru kalmış yerlerin dengeli bir setini oluşturarak bilgisayar modelleri için öğrenme materyalini derlediler.

Gelecek Taşkınları Öngörmek İçin Araziyi Okumak

Sonraki adımda ekip, suyun nerede birikeceğini etkileyen yükseklik, eğim dikliği, yamaç eğriliği, toprak nem eğilimleri, nehir ağları, kanal uzaklığı, yağış, toprak tipi ve arazi kullanımı dahil olmak üzere on bir çeşit bilgi topladı. Tüm bunlar coğrafi bilgi sisteminde eşleştirilmiş harita katmanlarına işlendi. Modeller bu katmanları geçmiş taşkınlarla ilişkilendiren desenleri tanımak üzere eğitildi. Farklı testler arasında üç özellik özellikle önemli olarak öne çıktı: yükselti, eğim ve belirli yerlerde suyun birikme eğilimini yansıtan ıslaklık indeksi. Düşük alanlar, hafif eğimler ve yüksek ıslaklık değerleri taşkın için açık sıcak noktalar olarak ortaya çıktı; buna karşın bakı (yamaçların hangi yöne baktığı) ve yağış değişkenliği bu dağlık bağlamda daha az belirleyiciydi.

Yüksek Riskli Alanları Tespit Etmesi İçin Makineleri Eğitmek

Çalışma, birçok karar ağacının birlikte çalışmasına dayanan üç gelişmiş makine öğrenimi yöntemini karşılaştırdı: Rastgele Orman (Random Forest), Gradient Boosting ve Extreme Gradient Boosting. Bu yaklaşımlar, mükemmel verilere veya basit formüllere ihtiyaç duymadan birçok faktör arasındaki karmaşık ilişkilerle başa çıkmada iyidir. Verilerini eğitim ve test gruplarına ayırdıktan sonra yazarlar her modeli ayarladı ve bir dizi istatistiksel skor kullanarak performansı kontrol etti. İki yöntem, Gradient Boosting ve Extreme Gradient Boosting, özellikle isabetliydi; taşkına uğramış ve uğramamış noktaları yaklaşık yüzde 97 doğrulukla ayırt ettiler; Rastgele Orman bunu yakın takip etti. Üçü de havzayı çok düşükden çok yükseğe beş sınıfa bölen taşkın hassasiyeti haritaları üretti; en büyük tehlike kuzey ve güneybatı kesimlerinde görüldü.

Bilgisayar Haritalarından Daha Güvenli Topluluklara

Uzman olmayanlar için ana sonuç, bu makine destekli haritaların dağılmış kayıtları ve uydu görüntülerini suyun en çok nerelere yayılma eğiliminde olduğuna dair net bir resme dönüştürmesi. Choke Havzası’nın sadece sınırlı bir bölümü en yüksek risk zonlarına girse de bu cepler nüfuslu alçak kesimler ve önemli tarım arazileriyle çakışıyor. Yerel yetkililer sonuçları yeni yerleşim yerlerinin nereye konacağına, köprülerin ve drenajın güçlendirilmesine veya akışı yavaşlatmak için bitki örtüsünün yeniden kazandırılmasına rehberlik etmek için kullanabilir. Modeller ayrıntılı hidrolik simülasyonların yerini alamasa da, sınırlı kaynakları en savunmasız alanlara odaklamak için hızlı ve maliyet-etkin bir yol sunuyor ve heyelan veya depremler gibi diğer tehlikelere de uyarlanabilir. Veri ve bütçelerin sık sık kısıtlı olduğu bir ülkede, uydular ile akıllı algoritmaların bu bileşimi daha dayanıklı peyzajlar ve toplumlar yönünde pratik bir yol sunuyor.

Atıf: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

Anahtar kelimeler: taşkın hassasiyeti, makine öğrenimi, Choke Havzası, uzaktan algılama, afet risk azaltma