İnsansız Hava Aracı (İHA) operasyonlarında sistemik risk analizine yönelik bir Bayes ağı yaklaşımı

Neden Drone Dolu Gökyüzü Daha Akıllı Risk Düşüncesi Gerektirir

Teslimat dronları, hava kameraları ve acil müdahale İHA’ları hızla günlük yaşamın bir parçası haline geliyor. Ancak her uçuş kötü hava, kalabalık şehirler, radyo paraziti ve insan hatası gibi risklerin arasında güvenli bir şekilde ilerlemeli. Bu makale hayati bir soruyu gündeme getiriyor: birçok şey aynı anda yanlış gidebiliyorsa, hangileri en önemlidir? Yazarlar, yerde ve havadaki koşulların teknoloji ve pilot davranışıyla nasıl birleşerek bir dron uçuşunun güvenli, başarılı veya yerdeki insanlar için tehlikeli olacağını izleyen nicel bir model kuruyor.

İHA Riskini Bağlantılı Bir Sistem Olarak Görmek

Mevcut çoğu güvenlik aracı dron arızalarını tek tek ele alıyor—örneğin kırık bir motor ya da pilot hatası gibi. Bu yaklaşım, hava durumu, düzenlemeler, radyo sinyalleri, yazılım ve şirket baskılarının etkileştiği bugünün karmaşık operasyonlarıyla başa çıkmakta zorlanıyor. Bu çalışmada yazarlar, etkiler ağı olarak tanımlanabilecek olasılıksal bir harita olan Bayes ağı kullanarak bu etki ağını yakalıyor. Yirmi kilit faktörü üç katmana organize ediyorlar. Birinci katman, hava durumu, arazi, sinyal kalitesi, şirket güvenlik kültürü, pilot eğitimi ve görev zorluğu gibi başlangıç koşullarını kapsıyor. İkinci katman, güvensiz donanım, yazılım arızaları, iletişim kaybı ve zayıf pilot farkındalığı ve kararları gibi uçuş sırasında neyin yanlış gidebileceğini tanımlıyor. Üçüncü katman ise nihayetinde ne olduğunu izliyor: kontrol kaybı, görev hedefinin gerçekleşip gerçekleşmediği ve yerdeki insanlar için risk düzeyi.

Koşullardan Sonuçlara Zinciri İzlemek

Modeli büyük veri kümelerine ihtiyaç duymadan pratik kılmak için yazarlar, her nedenin başarısızlık olasılığını bağımsız olarak değiştirdiğini varsayan basitleştirilmiş bir risk birleştirme yöntemi kullanıyorlar. Başlangıç koşulları için kaza raporları, düzenlemeler ve sektör anketlerine dayalı temel olasılıkları belirliyorlar; kasıtlı olarak ideal bir gün yerine stresli bir senaryo—örneğin kötü hava olasılığı olan karmaşık kentsel arazi—seçiyorlar. Daha sonra her faktörün bir sonrakini tetiklemedeki gücünü tahmin ediyorlar. Örneğin, şiddetli hava ve kötü bakım her ikisi de gövde güvenilirliğini düşürürken, zayıf bir güvenlik kültürü ve düşük pilot deneyimi ön uç kontrolleri ve uçuş içi kararları zayıflatıyor. Bu, her unsurun kötü durumda olma olasılığını ve bu durumların kontrol kaybı ve kazalara nasıl kaskatlandığını gösteren tam bir olasılıksal tablo üretiyor.

Modelin Riskin Gerçek Kaynağı Hakkında Söyledikleri

Stres testi koşulları altında model karamsar bir tablo çiziyor: pilot performansı önemli bir zayıf nokta olarak öne çıkıyor; uçuşların yarısından fazlasında kötü karar verme ve neredeyse yarısında azalmış durum farkındalığı bekleniyor. Bu insan eksiklikleri, bozulan navigasyon ve iletişimle birlikte kontrol kaybı olayını alarm verici şekilde olası kılıyor. Ancak yazarlar modeli daha derinlemesine incelediklerinde—hangi kaldıraçların kötü sonuç ihtimallerini en çok değiştirdiğini sorduklarında—farklı bir desen beliriyor. Güvenlik, görev başarısı ve üçüncü taraflara yönelik tehlike açısından iki bileşen hakim: hava koşulları ve arazi. Şiddetli hava ve engel açısından zengin, karmaşık ortamlar tutarlı şekilde kazaların, başarısız görevlerin ve yerdeki insanlara yönelik risklerin en güçlü temel sürücüleri olarak öne çıkıyor. Teknik sorunlar ve pilot deneyimi hâlâ önemli, ancak çoğunlukla çevresel stresi artıran çarpanlar olarak rol oynuyorlar, ana kaynak değil.

Görev Başarısının Güvenlikle Aynı Şey Olmamasının Nedenleri

Model ayrıca tüm kötü sonuçların aynı olmadığını gösteriyor. Bir uçuş fiziksel olarak güvenli kalabilir ama yine de amacını yerine getiremeyebilir. Burada sinyal paraziti—örneğin radyo gürültüsü veya uydu navigasyon bozulması—özellikle önemli bir rol oynuyor. Bu her zaman bir çarpışmaya yol açmayabilir, ancak veriyi bozabilir, faydalı yük kontrolünü aksatabilir veya erken dönüşleri zorlayarak görev başarısını zedeleyebilir. Başka bir deyişle, insanları ve mülkü korumak yeterli değil; güvenilir teslimatlar veya yüksek kaliteli algılama isteyen operatörlerin sistemlerini, özellikle yoğun kentsel ortamlarda, ince iletişim ve navigasyon sorunlarına karşı da güçlendirmeleri gerekiyor.

Reaktif Uçuştan Daha Akıllı Planlamaya

Uzman olmayanlar için ana çıkarım basit: dronlar söz konusu olduğunda nerede ve ne zaman uçtuğunuz, ne uçurduğunuzdan bile daha önemlidir. Çalışma, hava pencereleri, uçuş rotaları ve işletme yerleri hakkında dikkatli seçimlerin, uçuş içi kahramanlıklara veya yalnızca giderek daha karmaşık yerleşik teknolojiye güvenmekten daha etkili bir şekilde riski azaltabileceğini gösteriyor. Aynı zamanda, farklı hedefler farklı koruyucu önlemler gerektiriyor: güvenlik çevresel sınırlar ve pilot hazırbulunuşluğuna sıkı bir odaklanma isterken, görev başarısı sinyal ve bağlantıların korunmasına da dayanıyor. Yazarlar, katkıda bulunan faktörler yumağını net, nicel bir haritaya dönüştürerek düzenleyicilere ve operatörlere drone dolu gökyüzünü hem daha güvenli hem de daha güvenilir kılacak yatırımları ve politikaları önceliklendirme aracı sunuyorlar.

Atıf: Wang, L., Zhu, M. & Li, N. A bayesian network approach for systemic risk analysis in unmanned aerial vehicle (UAV) operations. Sci Rep 16, 13546 (2026). https://doi.org/10.1038/s41598-026-43333-x

Anahtar kelimeler: İHA güvenliği, Bayes ağları, sistemik risk, drone operasyonları, olumsuz hava koşulları