Açıklanabilir bir GeoAI çerçevesi: Hint Himalayaları’ndaki Upper Ravi alt havzasında orman yangını hassasiyetinin mekânsal değerlendirmesi

Himalaya’daki yangınların hepimiz için neden önemi var

Orman yangınları sıklıkla kuru batı manzaralarıyla ilişkilendirilse de, en hızlı değişen yangın risklerinden bazıları artık Hindistan’ın Himalaya dağlarında ortaya çıkıyor. Bu ormanlar su depolar, iklimi soğutur ve yüz binlerce insanın geçimine destek olur. Yandıklarında evler, yaban hayatı ve hatta uzaktaki kar ve nehirler etkilenir. Bu çalışma, Himachal Pradesh’deki Upper Ravi alt havzası gibi bir bölgeyi ele alıyor ve modern haritalama araçları ile yapay zekânın gelecekteki orman yangınlarının nerede başlayıp yayılma olasılığının en yüksek olduğunu nasıl ortaya koyabileceğini gösteriyor; böylece toplumlara felaket gerçekleşmeden önce harekete geçme şansı veriyor.

Artan yangın baskısı altındaki bir dağ vadisi

Upper Ravi alt havzası, subtropik eteklerinden kutup yakınlarındaki irtifalara kadar uzanan dik bir Himalaya arazisidir. Ormanları, sıcaklık artışı, uzayan kurak dönemler ve yol yapımı, turizm ve köylerin genişlemesi gibi insan faaliyetleri nedeniyle giderek daha fazla baskı altında. Orman tabanında biriken çam iğneleri, Şubat–Haziran arasındaki kuru sezonda son derece yanıcı bir örtü oluşturuyor. Son yıllarda Himachal Pradesh, Hindistan’daki en yüksek yangın olay sayılarına sahip bölgelerden bazılarını kaydetti; yangınlar hem uzak yamaçları hem de yerleşik vadileri tehdit ediyor. Bu koşullar altında yazarlar, havzanın hangi kesimlerinin yangına daha yatkın veya daha az yatkın olduğunu gösteren ayrıntılı bir “hassasiyet haritası” oluşturmayı amaçladı.

Uyduları ve haritaları yangın riski resmine dönüştürmek

Bu haritayı oluşturmak için ekip birçok farklı bilgi kaynağını birleştirdi. Uydu verileri örtü, bitki sağlığı, yağış, sıcaklık, toprak nemi ve rüzgâr hakkında ayrıntı sağladı. Yükselti modelleri arazinin ne kadar dik ve engebeli olduğunu yakalarken, açık haritalama projeleri yolların, köylerin, dini alanların ve turistik noktaların konumlarını sundu. NASA’nın yangın tespit sisteminden 20 yılı aşkın geçmiş yangın konumları derlendi. Toplamda, eğim açısı ve rüzgâr hızından köylere ve yollara uzaklığa kadar yangını kolaylaştırabilecek veya engelleyebilecek on altı “şartlandırma faktörü” seçildi. Peyzajdaki her nokta bu faktörlerle tanımlandı ve tarihsel kayıtlarda yanmış veya yanmamış olarak etiketlenerek bilgisayar öğrenimi için ham maddeyi üretti.

Algoritma takımına uzlaşma sağlama

Tek bir istatistiksel modele güvenmek yerine, araştırmacılar karmaşık verilerde örüntüleri bulmaya uzmanlaşmış birkaç gelişmiş makine öğrenmesi yöntemini eğitti. Bunlar arasında Random Forest, XGBoost, LightGBM ve CatBoost gibi popüler ağaç tabanlı yaklaşımlar yer aldı. Son olarak, hepsinin güçlü yanlarını en iyi nasıl karıştıracağını öğrenen basit bir modelin olduğu bir “stacking” yöntemiyle bunları birleştirdiler. Bağımsız veriler üzerinde test edildiğinde, her yöntem yangına yatkın alanları güvenli alanlardan oldukça iyi ayırt edebildi; ancak en iyi performansı stacked model gösterdi ve çoğu zaman doğru ayırımı yaptı. Bu başarı, çeşitli algoritmalardan oluşan bir kurulun iklim, arazi ve insan faktörlerinin dağlardaki yangın davranışı üzerindeki karışık etkilerini daha iyi yakalayabildiğini düşündürüyor.

Yapay zekânın kara kutusunun içini incelemek

Güçlü olmalarına rağmen, bu tür modeller sıklıkla şeffaf olmamakla eleştiriliyor. Bunu ele almak için yazarlar, her bir faktörün tahmini daha yüksek veya daha düşük yangın riskine doğru ne kadar ittiğini tahmin eden bir açıklanabilirlik tekniği kullandı. Sonuçlar belirgin bir önder sürücüler grubunu vurguladı. Daha sıcak hava sıcaklıkları ve daha kuru topraklar hassasiyeti artırırken, daha yüksek toprak nemi ve bağıl nem onu baskıladı. Köylere daha yakın yerler daha yüksek risk gösterdi; bu durum insan kaynaklı tutuşturmanın rolüne işaret ediyor. Dik yamaçlar ve belirli yamaç yönleri de önemliydi, çünkü bunlar yakıtların ne kadar çabuk kuruduğunu ve alevlerin nasıl tırmandığını etkiler. Kısacası, model fiziksel sezgiyle örtüştü: sıcak, kuru, yamaçlı ve insanların yakınındaki arazi sorunların başlaması için en olası yerlerdir.

Cevapların gerçekten ne kadar kararlı olduğunu kontrol etmek

Her model girdi verileri kadar güvenilirdir; bu girdiler ölçüm hataları veya değişen hava koşulları nedeniyle belirsiz olabilir. Kararlılığı test etmek için araştırmacılar girdilerini gerçekçi bir aralık içinde tekrar tekrar "salladı" ve modeli binlerce kez yeniden çalıştırdı; bu, Monte Carlo simülasyonu olarak bilinen bir teknik. Ayrıca, her bir faktörün—tek başına ve diğerleriyle etkileşim halinde—tahmini riskteki değişikliklere ne kadar katkıda bulunduğunu ölçen küresel bir duyarlılık yöntemi uyguladılar. Her iki kontrol de en etkili bileşenler olarak toprak nemi ve sıcaklığı gösterdi; bunu yağış ve nem izledi. Girdiler dürtüldüğünde bile modelin yeteneği sadece hafifçe düştü; bu da ana sonuçların kırılgan tesadüfler değil, sağlam çıkarımlar olduğunu gösteriyor.

Yangınların bir sonraki durağına dair daha net bir görüş

Tüm bu içgörüleri bir araya getirerek çalışma, Upper Ravi alt havzasının yaklaşık beşte birinin, ağırlıklı olarak yollar ve yerleşimler yakınındaki dik, kuru yamaçlarda, yüksek veya çok yüksek orman yangını hassasiyeti sınıflarında olduğunu sonuçlandırıyor. Yerel yetkililer için bu harita akademik bir üründen daha fazlası: erken uyarı, yakıt yönetimi ve halk bilinci çalışmalarının nerelere odaklanması gerektiğini vurguluyor. Sıradan bir okuyucu için ana mesaj açık. Bu Himalaya vadisinde sıcaklık, kuruluk ve insan varlığının birleşimi belli yamaçları sessizce yanmaya hazır hâle getiriyor. Uyduları, akıllı algoritmaları ve açık açıklamaları harmanlayan araçlar, bu gizli deseni pratik eyleme dönüştürmeye yardımcı olabilir—bir sonraki şiddetli yangın mevsimi gelmeden önce.

Atıf: Suheb, Nawazuzzoha, M., Ali, M.S. et al. An explainable GeoAI framework for spatial assessment of wildfire susceptibility in the Upper Ravi sub-basin, Indian Himalaya. Sci Rep 16, 11662 (2026). https://doi.org/10.1038/s41598-026-46924-w

Anahtar kelimeler: orman yangını hassasiyeti, Himalaya ormanları, makine öğrenmesi, toprak nemi, iklim ve yangın