Evrimsel algoritmalarla optimize edilen YSA modelleriyle heyelan duyarlılığının tahmini

Neden kararsız yamaçların haritalanması önemlidir

Heyelanlar, sakin bir yamaç sahasını saniyeler içinde ölümcül kaya ve çamur akışına dönüştürebilir. Yollar, kasabalar ve tarım alanları dik arazilerde genişledikçe, hangi yamaçların başarısız olma olasılığının yüksek olduğunu bilmek can ve para kurtarmak için hayati hale gelir. Bu çalışma, geçmiş heyelan gözlemleri ve çevresel koşullara ilişkin dağınık verileri, gelecekteki kaya kaymalarının en olası olduğu yerleri belirleyen ayrıntılı haritalara dönüştürme potansiyelini araştırıyor.

Manzaranın gizli uyarı işaretlerini okumak

Araştırmacılar, heyelanların yaygın olduğu ve artan nüfus ile altyapının giderek daha fazla risk altında olduğu İran’ın kuzeybatısındaki Doğu Azerbaycan iline odaklandı. Yamaç stabilitesini etkileyen 16 farklı bileşeni kullanarak araziye dair ayrıntılı bir resim oluşturdular. Bunlar arasında rakım, eğim şiddeti, yağış, toprak ve kaya türleri, bitki örtüsü ve arazi pürüzlülüğü gibi doğal özelliklerin yanı sıra yollara ve nehirlere uzaklık gibi insanla ilgili faktörler yer aldı. Uydu görüntüleri, sayısal yükseklik modelleri ve uzun dönem yağış kayıtları kullanılarak bu ham bilgiler tekdüze harita katmanlarına dönüştürüldü ve bir heyelan envanteri oluşturuldu: daha önce heyelan olmuş yerler ve yakınındaki stabil kalmış alanlar belirlendi.

Bilgisayarlara riskli yamaçları tanıtmaya çalışmak

Bu karmaşık veri karışımında gizli desenleri öğrenmek için ekip, beyin hücrelerinin bilgi işleme şeklinden esinlenen yapay sinir ağları kullandı. Bu ağlar çok sayıda girdiyi alır, bunları birkaç iç katmandaki basit matematiksel birimlerden geçirir ve bir çıktı üretir: bu durumda haritadaki belli bir noktanın heyelana yatkın olma olasılığı. Bilim insanları, çoklu faktörler arasındaki doğrusal olmayan ilişkileri yakalayabilecek fakat eğitim verisini ezberlemeye dönüşmeyecek bir yapıyı bulmak amacıyla farklı ağ derinlikleri ve iç ünite sayılarıyla denemeler yaptılar. Birkaç gizli katmana sahip daha derin bir ağın esneklik ve güvenilirlik arasında en iyi dengeyi sağladığını gördüler.

Modelleri ince ayar için evrime bırakmak

Ağı elle ayarlamak yerine yazarlar, yerçekimi, hayvan davranışı ve çoklu evren etkileşimleri gibi doğal süreçleri taklit eden arama yöntemleri olan sözde evrimsel algoritmalara başvurdu. Dört farklı optimizasyon stratejisi test edildi: kara delik esinli bir yöntem, guguk kuşu yuvası stratejisi, çokevren optimizatörü ve bir girdap benzeri arama. Her biri ağın iç ayarlarını tekrar tekrar değiştirdi ve bilinen heyelan konumlarını stabil alanlardan ne kadar iyi ayırdığı değerlendirdi. Çok sayıda döngü boyunca bu algoritmalar, standart, optimize edilmemiş bir ağa kıyasla daha küçük hatalar ve daha tutarlı tahminler üreten sinir ağı sürümleri “evrimleştirdi”.

Sayıları pratik risk haritalarına dönüştürmek

Bu ayarlı modelleri kullanarak ekip, Doğu Azerbaycan’ın her alanını çok düşük ile çok yüksek risk arasında beş seviyede sınıflandıran heyelan duyarlılığı haritaları üretti. Ortaya çıkan desenler coğrafi olarak anlamlıydı: yüksek ve çok yüksek duyarlılık kümeleri esas olarak ilin kuzey, merkez ve güneydoğu kesimlerinde belirdi; buralarda dik yamaçlar, daha yoğun yağış ve belirli arazi kullanımları bir araya geliyordu. Batı ve en güneydoğu bölgeler genellikle düşük veya çok düşük kategorilere düştü. Dört hibrit model arasında, çokevren tabanlı sinir ağı en doğru ve en kararlı olanıydı; başarı oranları yüzde 80’in üzerinde ve sınıflandırma performansının standart testlerinde neredeyse mükemmel puanlar elde etti.

Bu, dik yamaçların altında yaşayan insanlar için ne anlama geliyor

Uzman olmayanlar için ana mesaj, doğadan ödünç alınan fikirlerle birleştirilen akıllı bilgisayar öğreniminin heyelanların en olası olduğu yerlerin son derece ayrıntılı ve güvenilir haritalarını sağlayabileceğidir. Bu haritalar yolların ve evlerin nereye yapılacağına, mevcut yamaçların nerelerinin güçlendirilmesi gerektiğine ve erken uyarı sistemleri ile acil durum planlamasının nerelere odaklanacağına rehberlik edebilir. Çalışma İran’ın bir iline dayansa da çerçeve—çevresel faktörleri özenle seçme, sinir ağlarını eğitme ve bunları evrimsel aramayla keskinleştirme—dünyanın diğer dağlık bölgelerine uyarlanabilir. Kısacası, çalışma dijital araçların dağınık gözlemleri on yıllar boyunca pratik, maliyet-etkin kılavuzlara dönüştürebileceğini gösteriyor.

Atıf: Cifci, M.A., Hu, X., Öney, B. et al. Prediction of landslide susceptibility through ANN models optimized by evolutionary algorithms. Sci Rep 16, 9471 (2026). https://doi.org/10.1038/s41598-026-39458-8

Anahtar kelimeler: heyelan duyarlılığı, yapay sinir ağları, evrimsel algoritmalar, risk haritalama, afet risk azaltma