Sıcaklığın savunmasızlık değerlendirme çerçevesi için makine öğrenimi algoritmaları kullanılarak çok ölçekli risk sürücüler

Neden artan sıcaklık herkesin sorunu

Tropik bölgelerde, daha sıcak günler ve daha nemli geceler artık sadece rahatsız edici değil—sessiz bir halk sağlığı krizine dönüşüyor. Bu çalışma, Malezya’yı sıcaklık, hava kirliliği ve sosyal eşitsizliğin özellikle yaşlılar ve daha yoksul topluluklar için ölüm riskini nasıl artırdığını gösteren bir örnek olarak ele alıyor. Uydu ve hükümet kayıtlarından gelen büyük veri setlerini modern makine öğrenimiyle harmanlayarak araştırmacılar hangi faktörlerin en önemli olduğunu ortaya koyuyor ve birçok tropik ülkenin yetkililerinin hangi mahallelere öncelik vermesi gerektiğini pratik bir biçimde göstermeye yarayan bir yöntem sunuyor.

Sıcaklık, şehirler ve risk altındaki insanlar

Güneydoğu Asya da dahil olmak üzere birçok tropik ve subtropik bölge daha hızlı ısınıyor ve daha uzun sıcak dönemler yaşıyor. Kalabalık şehirlerde beton ve asfalt ısıyı hapsediyor; sınırlı yeşil alan ve yetersiz konut ise insanların maruziyetini artırıyor. Yaşlı yetişkinler, bebekler, kronik kalp veya akciğer hastalığı olanlar ve düşük gelirli haneler aşırı sıcakla en çok zorlanan gruplar. Malezya’nın hızla büyüyen kentsel merkezlerinde bu kırılganlıklar üst üste geliyor: yoğun nüfus, yaşlanan nüfus ve ekonomik zorluklar, sıcaklıklar yükseldiğinde birçok topluluğun aleyhine işliyor.

Topluluk kırılganlığı için bir puan oluşturmak

Bu karmaşık tabloyu çözmek için yazarlar, 2010 ile 2020 arasında Malezya’nın tüm 13 eyaleti ve üç federal bölgesi için bir Isı Kırılganlık Endeksi (HVI) oluşturdular. Sadece sıcaklığa bakmak yerine, yaşlı nüfus oranı, yoksulluk düzeyleri, eğitim, temiz su ve sağlık hizmetlerine erişim ile yeşillik miktarı da dahil olmak üzere on altı göstergeyi birleştirdiler. İstatistiksel bir yöntem, bu farklı ölçümleri tehlikeli sıcaklıklarla başa çıkma zorluğunu yansıtan tek bir skora sıkıştırmak için kullanıldı. Etnik yapı ve temel hizmetlere erişim bu endeksin özellikle etkili bileşenleri olarak öne çıktı.

Çevreyi eklemek: arazi mi yoksa hava mı

Araştırma ekibi sonra önemli bir soruyu gündeme getirdi: sıcak koşullara bağlı ölümleri tahmin ederken HVI ile birlikte hangi tür çevresel bilgi en iyi sonucu verir? İki katmanı kıyasladılar. Birincisi, bitki örtüsü örtüsü ve gündüz-gece yüzey sıcaklığı farkı gibi yerel arazi özelliklerini kullandı; bu, bir alanın gece nasıl soğuduğuna dair ipucu verebiliyor. İkincisi ise daha geniş atmosferik koşullara odaklandı: sıcaklık, nem, rüzgâr ve güneş ışığını harmanlayan bir termal konfor ölçüsü ile ince partikül ve ozon seviyeleri. Bu veriler uydu ve yeniden analiz ürünlerinden alındı ve eyalet düzeyindeki ölüm sayılarıyla uyumlu olması için yıllık ortalamalar hâline getirildi.

Algoritmaların karar vermesine izin vermek

Random Forest de dahil olmak üzere birden fazla makine öğrenimi modeli kullanılarak, araştırmacılar farklı sosyal ve çevresel değişken kombinasyonlarının yıllar içindeki tüm nedenlere bağlı ölümlerdeki değişimleri ne kadar iyi açıkladığını test ettiler. En güvenilir düzen, HVI ile atmosferik katmanın—ısı stresi, ince partiküller ve ozon—birleştirilmesiyle elde edildi; sadece arazi temelli ölçülerle karşılaştırıldığında daha iyi performans gösterdi. Bu başarılı modelde HVI açık ara en güçlü öngörücüydü, onu ozon ve termal konfor ölçüsü takip etti; ince partiküller de anlamlı bir rol oynamaya devam etti. İleri yorumlama araçları bu etkilerin tekdüzeliğe sahip olmadığını gösterdi: örneğin doğu Malezya’da kirli hava ve yüksek kırılganlık birbirini güçlendirirken, bazı batı bölgelerinde çok yüksek ozonun bazen daha düşük ölçülen riskle çakıştığı daha karmaşık desenler görüldü; bu muhtemelen yerel kimya ve hava koşullarının yansımalarını yansıtıyor.

Isınan dünyada eşitsiz sıcaklık

Zamana bakıldığında çalışma, Malezya genelinde hem ısı stresi hem de ölümlerin arttığını ve topluluk kırılganlığının da 2018’den itibaren yükseldiğini buldu. Başka bir deyişle, sadece iklim daha sert hale gelmiyor, insanları buna karşı koruyan sosyal güvenlik ağı da zayıflıyor. Çok yüksek kırılganlığa sahip bazı eyaletler henüz en yüksek ölüm sayılarını görmüyor; bu, gelecekteki sıcak hava dalgaları gelmeden önce harekete geçmek için bir fırsat penceresi olduğunu gösteriyor. Analiz ayrıca, çerçevenin farklı yıllar boyunca, COVID-19 dönemi gibi kesintiler sırasında bile istikrarlı kaldığını ortaya koydu; ancak olağandışı olaylar ölüm desenlerini geçici olarak değiştirebilir.

Rakamdan eyleme

Bir uzman olmayan için temel mesaj açık: sıcaklık tehlikeli sadece sıcaklığın kendisi nedeniyle değil—kimin maruz kaldığı ve hangi ek baskılarla karşı karşıya oldukları yüzünden tehlikeli, özellikle kirli hava ve zayıf hizmet erişimi. Çalışma, bir sosyal kırılganlık skorunu geniş çaplı ısı ve hava kalitesi ölçüleriyle eşleştirmenin yüksek riskli toplulukları tespit etmek için güçlü ve aktarılabilir bir yol sunduğunu gösteriyor. Büyük şehirler için bu, hava kirliliği kontrollerini sıkılaştırmak ve gölgeli, soğutucu yeşil alanları genişletmek anlamına geliyor. Daha fakir ve daha uzak bölgeler içinse sağlık hizmetleri, konut ve erken uyarı sistemlerini güçlendirmek demek. Tropik ülkeler ısınmaya devam ettikçe, bu tür çerçeveler soyut iklim risklerini hayat kurtaran somut haritalara ve önceliklere dönüştürmeye yardımcı olabilir.

Atıf: Li, Z., Fong, C.S., Aghamohammadi, N. et al. Multi-scalar risk drivers for a heat vulnerability assessment framework using machine learning algorithms. Sci Rep 16, 10594 (2026). https://doi.org/10.1038/s41598-026-44880-z

Anahtar kelimeler: sıcaklık kırılganlığı, tropikal iklim, hava kirliliği, makine öğrenimi, kamu sağlığı riski