Hızlandırılmış trafik gürültüsü haritalaması için evrişimsel sinir ağı yaklaşımı

Şehir gürültüsünün gündelik yaşama etkisi

Şehir sakinleri, uyku bozukluklarına, artan strese ve zihinsel sağlık etkilerine yol açabilen trafik gürültüsü ile çevrilidir. Hükümetler, farklı sokakların ve mahallelerin ne kadar gürültülü olduğunu gösteren ayrıntılı “gürültü haritaları” ile bu görünmez kirliliği yönetmeye çalışır. Ancak bu haritaları geleneksel bilgisayar modelleriyle üretmek o kadar yavaş ve maliyetlidir ki genellikle sadece birkaç yılda bir güncellenirler. Bu çalışma, evrişimsel sinir ağı adı verilen bir yapay zekâ türünün, gerçek dünya planlaması ve sağlık araştırmaları için yeterince doğru kalırken trafik gürültüsü haritalamasını nasıl hızlandırabileceğini araştırıyor.

Yoğun caddelerden bilgisayarın okuyabileceği görüntülere

Yazarlar, gürültü haritalarının genellikle nasıl yapıldığıyla başlar. Standart araçlar, yollar, trafik yoğunluğu, araç türleri, bina şekilleri ve engeller hakkında ayrıntılı bilgileri alır ve ardından sesin bir şehirde nasıl yayıldığını ve yansıdığını simüle eder. Bu süreç çok hassastır ama özellikle milyonlarca konum hesaplanması gerektiğinde son derece yavaştır. Fiziksel simülasyonları tamamen değiştirmek yerine ekip bunları öğretmen olarak kullanır. Aynı harita bilgilerini görüntü benzeri katmanlara dönüştürür ve her “görüntüyü” bir konumdaki simüle edilmiş gürültü seviyesiyle eşleştirir. Bu çiftler daha sonra harita tarzı görüntülerden doğrudan gürültüyü tahmin etmeyi öğrenen görüntü tabanlı bir yapay zekâ modelinin eğitim verisi olur.

Yeni modelin şehri görme biçimi

Araştırmacılar, trafik gürültüsü için önemli olanı yakalamak üzere çeşitli görüntü formatları tasarlar. Her hedef konum, bir kilometrekarelik bir şehir alanı ile çevrelenir ve ızgaraya bölünür. Bu görüntülerde piksel değerleri bina yüksekliği, trafik yoğunluğu ve yol hızı gibi bilgileri kodlar. Önemli bir yenilik, dinleme noktasına en yakın 100 metreyi yakınlaştıran yüksek çözünürlüklü merkezi bir yama eklemektir; çünkü yakın yollar ve duvarlar insanların gerçekte ne duyduğunu güçlü biçimde belirler. Hem geniş bağlamı hem de ince ayrıntıyı içeren bu iki katmanlı görünüm, kategori yerine bir sayı —tahmin edilen gürültü seviyesi— üretmek üzere uyarlanmış standart görüntü tanıma ağlarına beslenir.

Hız ve doğruluğun diğer yöntemlerle karşılaştırılması

Bu yapay zekâ kestirmesinin faydalı olup olmadığını değerlendirmek için ekip, görüntüler yerine el ile türetilmiş sayısal özellikler üzerinde çalışan iyi bilinen makine öğrenmesi modelleri ile karşılaştırır. Güney Kore’nin Gwangju şehrinde iki buçuk milyondan fazla nokta için simüle edilmiş gürültü verisini kullanarak her modelin hatasını ve işlem süresini değerlendirirler. Görüntü tabanlı ağlar, karmaşık özellik mühendisliği gerektirmemesine rağmen en iyi geleneksel modellerin doğruluğuna ulaşır veya onları geçer. Modern bir grafik işlemciyle tercih edilen ağ saniyede yaklaşık 1.800 tahmin yapabilir ve yaklaşık 1,4 milyon nüfuslu bir şehir için tam bir gürültü haritasını yarım saatten kısa sürede üretebilir; oysa geleneksel simülasyonun tek başına çalıştırılması aylar sürer.

Az veriyle yeni şehirlere uyum sağlama

Her veri güdümlü model için büyük bir zorluk, daha önce hiç görmediği yerlerde iyi çalışmaktır. Yazarlar bunu, Gwangju’da eğitilmiş bir modeli farklı yol düzenleri ve trafik kalıplarına sahip iki başka Kore şehri olan Seul ve Daejeon’a uygulayarak sınar. İlk başta yeni şehirler için tahminler belirgin biçimde yanlıdır, ancak ekip her yeni konumdan küçük bir örnek simüle edilmiş veri kullanarak modeli ince ayar yapar. Mevcut verinin yalnızca birkaç yüzdesi ile uyarlanmış ağlar, orijinal şehirde görülen hata seviyelerine yakın sonuçlara ulaşır. Ortaya çıkan haritaların görsel kontrolleri, modelin bölgeye özgü yapıyı öğrendikçe ana yollar yakınlarında yapılan eksiltmeleri ve daha sessiz bölgelerdeki aşırı tahminleri düzelttiğini gösterir.

Gerçek dünya kullanımı için sınırlamalar ve sonraki adımlar

Yapay zekâ modeli hızlı çalışsa da hâlâ ölçülen değil simüle edilmiş veriden öğrenir ve şu an için tam gün-gece desenleri yerine bir yoğun saat zaman penceresine odaklanır. Ayrıca her noktayı sadece bir kilometrelik alan içinde görür ve alıcı ile yol arasındaki yükseklik farklarını açıkça dahil etmez; bu durum engebeli arazide veya yükseltilmiş otoyollar çevresinde önemli olabilir. Yazarlar, yaklaşımlarını saha ölçümleri, daha zengin üç boyutlu bilgiler ve ülke çapında veri kaynaklarıyla harmanlamanın neredeyse gerçek zamanlı gürültü haritalamasına yol açabileceğini öne sürer. Bu, şehir planlamacıları, halk sağlığı uzmanları ve sosyal bilimcilerin kimin zararlı trafik gürültüsüne daha çok maruz kaldığını ve yeni yollar ya da engellerin bu maruziyeti nasıl değiştirebileceğini daha yakından izlemesine yardımcı olur.

Atıf: Choi, S., Park, T., Lim, J. et al. Convolutional neural network approach for accelerated traffic noise mapping. Sci Rep 16, 15406 (2026). https://doi.org/10.1038/s41598-026-46367-3

Anahtar kelimeler: trafik gürültüsü, gürültü haritalaması, evrişimsel sinir ağı, kentsel ses, CBS