Fizik-kısıtlı U-net modeli kullanılarak sıralı verilerdeki mekânsal heterojenlik sorunu ve heyelan yatkınlığı değerlendirmesi için genelleme yeteneği üzerine araştırma

Neden önemli

Heyelanlar, özellikle iklim değişikliği daha yoğun yağışlar getirdikçe birçok dağlık bölgede yolları, yerleşimleri ve altyapıyı tehdit ediyor. Bu çalışma, geniş bir Doğu Tibet alanında heyelanların en muhtemel olduğu yerleri, gerçek dünya fiziğiyle yönlendirilen bir yapay zeka modeli kullanarak haritalandırmanın yeni bir yolunu araştırıyor. Yaklaşım, hem engebeli araziyi hem de değişen hava koşullarını yansıtan, planlamacılar ve acil durum yöneticileri için daha keskin ve güvenilir haritalar sağlamayı amaçlıyor.

Dağlardaki tehlikeyi görmek

Araştırmacılar, Lhasa, Nyingchi, Qamdo ve çevresini içeren geniş bir yüksek irtifa bölgesine odaklanıyor. Burada dik yamaçlar, güçlü nehirler, aktif faylar ve zorlu iklim heyelanları sık ve çeşitli hale getiriyor. Geleneksel yöntemler büyük ölçüde geçmiş kayıtlar ve basit istatistiklere dayanıyor; bu da verilerin eksik olduğu yerlerde önemli desenleri kaçırabiliyor. Aynı zamanda, daha esnek olmalarına rağmen yaygın makine öğrenmesi modelleri yerel ayrıntıları bulanıklaştırma eğiliminde ve arazi yerelden yere değiştiğinde zorlanıyor. Doğu Tibet kadar karmaşık bir bölge için bu sınırlamalar, risk haritalarını gerçek dünya kararları için çok kaba hale getirebilir.

Yeni modelin farklı yaptığı

Bu sorunları ele almak için yazarlar, haritadaki her pikseli sınıflandırabilen bir derin öğrenme türü olan fizik-kısıtlı bir U-Net modeli kuruyor. Modele eğim açısı, eğrilik, eğim yönü, topoğrafya türü, kaya türü, nehirlere ve faylara uzaklık, yağış, sıcaklık ve sismik şiddet dahil olmak üzere heyelanları şekillendiren on ana faktör veriliyor. Birçok sinir ağından farklı olarak bu model, nihai yatkınlık haritasının 30 metrelik orijinal yüksek çözünürlüğünü koruyacak şekilde ince mekânsal ayrıntıları muhafaza etmek üzere tasarlanmış. Bu daha yüksek ayrıntı, modelin geniş arazi parçaları üzerinde risk ortalaması yapmak yerine tehlikeli yamaçları ve vadileri vurgulamasına olanak tanıyor.

Yapay zekaya fiziği getirmek

Önemli yeniliklerden biri, modelin şiddetli yağış altında yamaçların temel fiziksel davranışına saygı göstermesi öğretilme biçimi. Dağlık bölgelerde birkaç gün süren yoğun yağış toprağı doyurabilir ve kaymalara yol açabilir; birçok erken uyarı sistemi yedi günlük yağış penceresi kullanır. Yazarlar, modelin öğrenirken minimize etmeye çalıştığı kayıp fonksiyonuna yedi günlük yağış ve bölgesel yağış eşiklerine dayalı basit bir güvenlik faktörü yerleştiriyor. Model, yağış temelli koşullar yüksek tehlike sinyali verdiği hâlde bir bölgede düşük heyelan olasılığı tahmin ettiğinde ekstra bir ceza alıyor. Aynı zamanda eğitim süreci, az bulunan heyelan piksellerine bol bulunan stabil piksellere göre daha fazla ağırlık vererek ağın veri içindeki güçlü dengesizliğe rağmen her iki tür örnekten de öğrenmesine yardımcı oluyor.

Farklı yerlerde ne kadar iyi çalışıyor

Ekip daha sonra fizik-kısıtlı U-Net’i, yaygın olarak kullanılan iki derin öğrenme modeli olan geriye yayılımlı sinir ağı ve rezidüel sinir ağı ile karşılaştırıyor. Sadece genel doğruluğu değil, aynı zamanda jeoloji, nehir şekli ve iklim açısından farklı beş ayrı heyelan sıcak noktasında her bir modelin performansını da karşılaştırıyorlar. Rakip modeller bazı alanlarda iyi bazılarında kötü performans gösterirken, fizik-kısıtlı U-Net beş bölgenin tamamında tutarlı şekilde yüksek puanlar sağlıyor. Ayrıca, üretmiş olduğu yatkınlık haritaları geçmiş heyelan dağılımıyla yakından örtüşüyor; çok yüksek risk olarak etiketlenen bölgelerde daha fazla afet noktası ve çok düşük risk olarak etiketlenen bölgelerde daha az nokta düşüyor. Kritik olarak, bunu tam 30 metre mekânsal çözünürlüğü korurken yapıyor ve nehir kıvrımları, fay zonları ve dik vadi duvarları boyunca ayrıntılı desenleri ortaya koyuyor.

Risk planlaması için bunun anlamı

Basitçe söylemek gerekirse çalışma, bazı temel fiziği “bilen” ve nadir fakat önemli heyelan olaylarına özel önem veren bir yapay zeka modelinin, geniş ve karmaşık bölgelerde daha keskin ve daha güvenilir risk haritaları sağlayabileceğini gösteriyor. Fizik-kısıtlı U-Net sadece standart doğruluk ölçülerini biraz iyileştirmekle kalmıyor; aynı zamanda yamalı verilerle, değişken arazi koşullarıyla ve ince mekânsal ayrıntılarla diğer test edilen modellere kıyasla daha iyi başa çıkıyor. Yazarlar arazi çalışmaları ve daha iyi giriş verilerinin sonuçları daha da iyileştireceğini not etse de, onların çalışması yüksek çözünürlüklü heyelan yatkınlığı haritalarına yönelik, farklı dağlık alanlar arasında aktarılabilir pratik bir yol öneriyor; bu da daha güvenli kentleşme ve daha etkili afet hazırlığına destek sağlayabilir.

Atıf: Zhang, H., Deng, H. Research on the problem of spatial heterogeneity in row data and generalization capability for landslide susceptibility assessment using the physics-constrained U-net model. Sci Rep 16, 15901 (2026). https://doi.org/10.1038/s41598-026-46873-4

Anahtar kelimeler: heyelan yatkınlığı, derin öğrenme, U-Net modeli, mekânsal heterojenlik, Tibet Platosu