Hibrit CNN–LSTM derin öğrenme modeli kullanılarak uzaktan algılama temelli heyelan tahmini ve risk değerlendirmesi

Yamaçların nerede çökeceğini bilmek nasıl hayat kurtarabilir

Heyelanlar az bir uyarıyla gerçekleşebilir, evleri gömebilir, yolları tıkayabilir ve kritik altyapıya zarar verebilir. Yağışın yoğun ve zeminin zaten gerilmiş olduğu dağlık bölgelerde insanlar, gözle kestirilmesi zor olan yamaçların altında yaşar ve seyahat eder. Bu çalışma, uydu verileri ile ileri düzey bir desen tanıma yeteneğine sahip bilgisayar modelinin büyük bir bölgede hangi alanların kaymaya en yatkın olduğunu belirlemek için nasıl birlikte kullanılabileceğini gösteriyor; bu da planlayıcılara ve acil durum yöneticilerine riski azaltmak için güçlü yeni bir araç sağlar.

Uzaydan riskli yamaçları görmek

Araştırmacılar İran’ın güneydoğusundaki Kerman Eyaleti’ne odaklanıyor; burası aktif faylar ve sert iklim tarafından biçimlenmiş yüksek dağlar, derin vadiler ve kuru ovalardan oluşan bir peyzaj. Bu tür engebeli arazide geleneksel saha çalışmaları yavaş ve eksik kalır. Bunun yerine ekip uzaktan algılamaya yöneliyor: arazi örtüsünü ve bitki örtüsünü gösteren uydu görüntüleri ile zeminin yüksekliğini ve eğimini tanımlayan dijital yükselti modelleri. Bu kaynaklardan eğim açısı, yönü ve suyun nasıl biriktiği veya aktığına dair göstergeler gibi temel özellikler türetiliyor. Ayrıca her noktanın ne kadar yakınında nehirler, yollar ve faylar olduğunu haritalıyor ve tarım arazilerinden çıplak kayaya kadar arazi kullanımını sınıflandırıyorlar.

Zaman içinde suyun hikâyesini izlemek

Ancak heyelanlar yalnızca arazi şekliyle tetiklenmez. Yağmur olarak gelen veya rezervuarlarda depolanan su, yamaçları zamanla zayıflatarak çökmesine neden olabilir. Problemin bu değişen yönünü yakalamak için çalışma günlük yağış ve rezervuar seviyesi kayıtlarını derliyor. Bölgedeki her nokta için model, bilinen bir heyelanın gerçekleştiği—veya herhangi bir çökme olmayan bir döneme karşılık gelen—önceki 30 günü geriye dönük olarak inceliyor; ne kadar su geldiğini ve gün gün nasıl değiştiğini hesaplıyor. Bu aylık hareketli pencere yöntem, yalnızca aşırı sağanakları değil, zemini yavaşça doyuran birçok yağışlı günün kümülatif etkisini de tanıma olanağı veriyor.

Hibrit bir modeli uzayı ve zamanı okumaya öğretmek

Çalışmanın merkezinde iki tamamlayıcı tekniği birleştiren hibrit bir derin öğrenme modeli yer alıyor. Konvolüsyonel sinir ağı olarak adlandırılan bir bölüm mekânda desen tanımada uzmanlaşmıştır. Birikimli arazi ve arazi kullanımı katmanlarının küçük yamalarını inceler, hangi eğim, kaya türü ve diğer faktör kombinasyonlarının geçmiş heyelanlarla ilişkilendirildiğini öğrenir. Diğer bölüm olan uzun kısa‑süreli bellek ağı (LSTM) ise dizilerle başa çıkmak üzere tasarlanmıştır. 30 günlük yağış ve rezervuar seviyeleri zincirlerini okur, hangi zamansal desenlerin en tehlikeli olduğunu öğrenir. Model bu iki akımı—yamaç konumu ve son dönemde ne kadar ıslak olduğu—tek bir değerlendirmede birleştirerek her noktanın kayma olasılığını belirler.

Gerçek heyelanlara karşı test

Sistemlerinin ne kadar iyi çalıştığını değerlendirmek için yazarlar raporlar, saha kontrolleri ve ayrıntılı görüntülerden derlenen 719 belgelenmiş heyelan envanterini toplar ve bunları eşit sayıda stabil konumla eşleştirirler. Bu veriyi eğitim ve bağımsız test setlerine bölerler; modelin öğrenme sırasında test örneklerini hiç görmemesini sağlarlar. Görülmemiş vakalarla karşılaştığında hibrit model heyelan ve heyelan olmayan alanları doğru olarak yüzde 95’in üzerinde ayırt eder ve standart bir tanısal eğride mümkün olan en yüksek puanlardan birini elde eder. Destek vektör makineleri, karar ağaçları, rastgele ormanlar ve yalnızca uzayı ya da yalnızca zamanı kullanan daha basit derin öğrenme modelleri gibi yaygın yöntemleri geride bırakır.

Tahminleri işe yarar haritalara dönüştürmek

Eğitilmiş modeli kullanarak ekip, Kerman Eyaleti genelindeki her ızgara hücresi için sürekli bir heyelan olasılığı üretir ve ardından sonuçları düşük, orta, yüksek ve çok yüksek eğilimlilik olarak sınıflandırır. Bölgenin yaklaşık dörtte biri yüksek risk grubuna girer; ağırlıklı olarak yağışın ve rezervuar değişimlerinin belirgin olduğu dik yamaçlarda yoğunlaşır, oysa yaklaşık üçte biri düşük riskli kabul edilir. Yazarlar haritalarını bağımsız heyelan envanteriyle üst üste koyduğunda kaydedilmiş olayların yüzde 86’dan fazlası yüksek ve çok yüksek alanlar içinde yer alır; bu da modelin uyarılarının gerçek dünyadaki çöküşlerle yakından örtüştüğünü gösterir. Girdilerin analizleri eğim dikliğinin baskın faktör olduğunu doğrular; bunu toplam yakın dönem yağışları ve rezervuar seviyelerindeki değişimler izler.

Bu, sahadaki insanlar için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma uydulardan alınan "nerede" bilgisi ile su hakkındaki "ne zaman" bilgisini birleştirmenin, tek başına olanlardan çok daha net bir heyelan tehlikesi resmi oluşturduğunu gösteriyor. Hibrit model bir yamaçın hangi gün çökeceğini tahmin etmez, ancak tipik ıslak koşullar altında hangi alanların doğası gereği hassas olduğunu ortaya koyar. Bu bilgi daha güvenli yol ve yapı yerleşimi konusunda rehberlik edebilir, korunması veya izlenmesi gereken köyleri ve altyapıyı ön plana çıkarabilir ve acil durum planlayıcılarının kıt kaynakları en çok ihtiyaç duyulan yerlere yoğunlaştırmasına yardımcı olabilir. Yöntem ayrıca esnektir: uygun verilerle, yerçekimi ve su kaynaklı benzer tehditlerle karşılaşan diğer dağlık bölgelere uyarlanabilir.

Atıf: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

Anahtar kelimeler: heyelan eğilimliliği, uzaktan algılama, derin öğrenme, risk haritalama, tehlike tahmini