Taşkın duyarlılık haritalaması için mekansal istihbarat ile makine öğreniminin bütünleştirilmesi

İnsanlar ve yerler için neden önemli

Taşkınlar en yıkıcı doğal afetler arasında yer alır ve şehirler nehir vadilerine genişledikçe ve iklim ısındıkça daha sık ve daha maliyetli hale gelmektedir. Buna karşın hâlâ birçok bölgede hangi alanların en çok taşkına uğrama olasılığı taşıdığını gösteren ayrıntılı, güvenilir haritalar yoktur. Bu çalışma, bilim insanlarının uydu gözlemlerini, coğrafi verileri ve gelişmiş bilgisayar öğrenme tekniklerini nasıl birleştirerek İran’daki büyük ve karmaşık bir nehir havzası için yüksek doğruluklu taşkın “duyarlılık” haritaları oluşturduklarını açıklar. Geliştirilen yaklaşım, planlamacılar ve toplumların gelecekte hangi alanların daha fazla taşkına maruz kalacağını daha iyi anlamalarına yardımcı olabilir.

Risk altındaki bir nehir havzasını anlamak

Araştırma, ülkenin en büyük nehri ve milyonlarca insan, tarım arazisi ve sanayiye ev sahipliği yapan güneybatı İran’daki Büyük Karun Nehir Havzası’na odaklanır. Bu havza, yüksek dağlar, derin vadiler ve alçak ovalar ile 40’tan fazla baraj ve 2019’daki yıkıcı bir olay da dahil olmak üzere şiddetli taşkın geçmişine sahiptir. Peyzaj ve iklim havza genelinde çok fazla değiştiğinden, şiddetli yağışlar sırasında suyun nerede birikeceğini tahmin etmek zordur. Yazarlar, iklim (yağış, sıcaklık, buharlaşma, kar), hidroloji (nehirler, barajlar, drenaj desenleri), arazi örtüsü (bitki örtüsü, toprak, jeoloji, kentsel alanlar) ve topoğrafya (rakım, eğim ve ilgili indeksler) hakkında zengin bir coğrafi bilgi seti derlediler. 2000–2019 dönemini kapsayan uydu tabanlı taşkın kayıtlarını kullanarak taşkınların gerçekten nerede meydana geldiğini belirleyip modellerini eğitmek ve test etmek için kullandılar.

Bilgisayarlara taşkına açık arazileri tanıtmak

Bu verileri taşkın duyarlılık haritalarına dönüştürmek için ekip, örneklerden desenler öğrenen ve sabit denklemleri takip etmeyen bilgisayar algoritmaları olan makine öğrenimi yöntemleri ailesini kullandı. Beş farklı model eğitildi: geleneksel bir istatistiksel model (genelleştirilmiş doğrusal model olarak adlandırılır) ve karmaşık, doğrusal olmayan ilişkilerle başa çıkmada özellikle iyi olan dört ağaç tabanlı model (Karar Ağacı, Rastgele Orman, XGBoost ve LightGBM). Her model aynı girdileri aldı: çevresel faktörleri temsil eden haritalar ve hangi yerlerin taşkınlandığına dair kayıt. Algoritmalar daha sonra faktör kombinasyonlarını—örneğin nehre yakın seyrek bitki örtüsüne sahip alçak araziler—daha yüksek taşkın olasılığı ile ilişkilendirmeyi öğrendiler.

Birçok modeli tek güçlü bir rehbere dönüştürmek

Araştırmacılar tek bir “en iyi” modeli seçmek yerine, havzadaki her konum için beş temel modelin olasılık tahminlerini harmanlayan bir ansambl (oylama) modeli oluşturdu. Basit bir evet-hayır oyu yerine, her model belirli bir pikselin taşkına açık olma olasılığını katkı olarak sunar ve ansambl bunların ortalamasını hesaplar. Bu yumuşak oylama stratejisi herhangi bir modelin hatalarının etkisini azaltır ve farklı yaklaşımların uzlaştığı konumları vurgular. Nihai çıktı sürekli bir taşkın duyarlılığı haritasıdır; daha sonra karar vericilerin kolayca yorumlayabilmesi için çok düşükden çok yükseğe beş sezgisel sınıfa ayrılmıştır.

Ne kadar iyi çalıştı ve en çok ne önemliydi?

Ansambl model son derece doğru çıktı. Bağımsız verilere karşı test edildiğinde, taşkınlanmış ve taşkınlanmamış alanları Ay altında Kavis (AUC) skoru 0,994 ile doğru olarak ayırt etti; bu, herhangi bir bireysel modelden daha iyi ve rastlantısal beklentilerin çok üzerindeydi. Yüksek ve çok yüksek duyarlılık bölgeleri, özellikle Huzistan Eyaleti’nin aşağı akış ovalarında, gözlemlenen taşkın yerleriyle yakından eşleşti. Hangi faktörlerin en etkili olduğuna dair analiz, akarsuya uzaklık, zemin eğimi ve bitki örtüsü yoğunluğunun (uydu görüntülerinden ölçülen) taşkın duyarlılığının en güçlü belirleyicileri olduğunu; rakım, akış birikimi, barajlara uzaklık ve yağışın ise önemli ikincil bilgiler sağladığını gösterdi. Basitçe söylemek gerekirse, nehre yakın olmak, daha dik veya birleşen arazi üzerinde bulunmak ve yoğun bitki örtüsünden yoksun olmak, bir alanın taşkın görme olasılığını büyük ölçüde artırır.

Haritalardan eyleme

Bir uzman olmayan için özet şu: bu çalışma, bilgisayarlara peyzajı “okuma” ve geniş, veri kıt bölgeler dahil olmak üzere en çok taşkın riski taşıyan yerleri belirleme gücünü nasıl kazandırılacağına dair güçlü bir yöntem gösteriyor. Geçmiş taşkınların uydu kayıtlarını iklim, arazi, nehirler ve arazi kullanımıyla ilgili ayrıntılı haritalarla birleştirip ardından birkaç makine öğrenimi modelini tek, daha güçlü bir ansamblede birleştirerek yazarlar Büyük Karun Havzası için son derece güvenilir taşkın duyarlılık haritaları ürettiler. Bu tür haritalar konut ve altyapının daha güvenli yerleştirilmesine rehberlik edebilir, arazi kullanımı ve baraj yönetimi politikalarını şekillendirebilir ve erken uyarı ile acil durum planlamasını destekleyebilir. Yöntem büyük ölçüde küresel olarak erişilebilir verilere ve yaygın olarak kullanılan araçlara dayandığı için dünyanın diğer nehir havzalarına aktarılabilir; böylece toplulukların sular yükselmeden önce taşkın zararlarını öngörüp azaltmalarına yardımcı olabilir.

Atıf: Rahimi, M., Malekmohammadi, B., Firozjaei, M.K. et al. Integrating geospatial intelligence and machine learning for flood susceptibility mapping. Sci Rep 16, 10228 (2026). https://doi.org/10.1038/s41598-026-41014-3

Anahtar kelimeler: taşkın duyarlılık haritalaması, makine öğrenimi, coğrafi veriler, nehir havzası yönetimi, afet risk azaltma