Birbirine bağlı sosyo-teknik sistem özelliklerine dayalı derin öğrenme ile toplum dayanıklılığı derecelendirmesi

Zor zamanlarda kentin gücü neden önemli

Dünyanın dört bir yanındaki şehirler giderek daha fazla sel, fırtına ve diğer şoklarla karşılaşıyor ve gündelik yaşam, yolların kapanması, elektriğin kesilmesi veya hastanelere ulaşımın zorlaşması gibi etkilerle hissediliyor. Bu çalışma, farklı mahallelerin bu tür kesintilere karşı ne kadar dayanabildiğini ve kendini toparlayabildiğini anlamaya yönelik yeni bir yaklaşım sunuyor. Tek tek bir sistemi incelemek yerine, binaların, yolların, baz istasyonlarının, yeşil alanların ve sosyal koşulların gerçek hayattaki topluluk gücünü nasıl birlikte şekillendirdiğini görmek için modern makine öğrenmesini kullanıyor.

Şehri yaşayan bir ağ olarak görmek

“Dayanıklı şehirler” için geleneksel puan tabloları genellikle uzmanlarca ağırlıklandırılan birçok göstergenin toplamını tek bir endekse indirger. Bu yöntemler faydalı olmakla birlikte, yollar, hastaneler ve gelir düzeyi gibi kentin parçalarını bağımsız hareket ediyormuş gibi ele alır. Oysa gerçek hayatta sorunlar sıklıkla gizli nedensellik zincirleri aracılığıyla yayılır. Su basan bir kavşak kliniklere erişimi kesebilir ve bu da sağlık etkilerini kötüleştirebilir. Yazarlar, bu etkileşim ağını yakalamak için birçok veri türü arasında ince desenleri ve doğrusal olmayan etkileri tespit edebilen araçlara ihtiyaç olduğunu savunuyor.

Mahalle dayanıklılığı için akıllı bir derecelendirme sistemi

Bu zorluğun üstesinden gelmek için araştırmacılar, metropol alanı çapında küçük ızgara hücreleri için dayanıklılığı derecelendiren üç bölümlü bir derin öğrenme çerçevesi olan Resili-Net’i geliştirdi. Bu sistem, üç açık fikir altında toplanan on iki ölçülebilir özelliği alıyor: nesnelerin ne kadar sağlam olduğu (yeni binalar ve baz istasyonları veya düşük yoksulluk gibi), kaç yedek olduğu (birden çok yol, hastane veya baz istasyonu gibi) ve toplulukların kaynakları ne kadar iyi kullanabildiği (yol yoğunluğu, internet hızı, yeşil alan ve eğitim düzeyi dahil). Sadece kamusal verileri kullanarak Resili-Net önce bu özelliklerin nasıl etkileştiğini tanımlayan sıkıştırılmış desenleri öğreniyor, sonra konumları kümelere ayırıyor ve son olarak bu kümeleri çok düşük ile çok yüksek arasında değişen dayanıklılık seviyelerine dönüştürüyor.

Modelin dört büyük ABD bölgesi hakkında neler gösterdiği

Araştırma ekibi Resili-Net’i Los Angeles, Chicago, Dallas ve Houston çevresindeki daha geniş bölgelere uyguladı ve her bölgeyi 2 kilometrelik karelere böldü. Model her bölgede beş dayanıklılık seviyesi tespit etti ve benzer seviyelerin rastgele dağılmak yerine kümeler halinde toplandığını gösterdi. Daha yüksek dayanıklılıktaki alanlar genellikle yeni binaların, daha bağlantılı yolların, daha hızlı internetin, sağlık hizmetlerine daha iyi erişimin ve daha yüksek eğitim düzeylerinin olduğu çekirdek şehir bölgelerinde veya yakınlarında yer alıyor. Buna karşılık, düşük dayanıklılık cepleri sıklıkla kenarlarda veya daha güçlü çevre içinde gömülü olarak bulunuyor; bu durum daha eski altyapıyı, daha az tesisi ve daha yüksek yoksulluğu yansıtıyor. Aynı verileri kullanan basit bir "ekle ve sırala" yöntemi ile karşılaştırıldığında Resili-Net keskin karşıtlıkları korudu ve temel bir endeksin düzleştirdiği ince taneli zayıf noktaları ortaya çıkardı.

Olası gelecekleri test etmek ve sel tehlikesini katmanlamak

Araştırmacılar ayrıca Resili-Net’i hedefli iyileştirmelerin dayanıklılığı nasıl değiştirebileceğini araştırmak için kullandı. Bir senaryoda düşük dayanıklılıktaki konumlara yakın daha fazla hastane ve daha uzun yol ağları verildi; bu, odaklanmış bir altyapı atılımını taklit etti. Greater Los Angeles gibi bazı bölgeler belirgin iyileşmeler gösterdi. Chicago’nun bazı bölgeleri gibi diğerleri karmaşık sosyal ve fiziksel faktörlerin etkileşimi nedeniyle düzensiz yanıt verdi; bazı mahalleler aslında gerileme yaşadı. Bu, sadece daha fazla yol ve hastane eklemenin her zaman en iyi çözüm olmadığını; bazı yerlerde sosyal bağların veya yeşil alanların güçlendirilmesinin daha önemli olabileceğini öne sürüyor. Ekip daha sonra dayanıklılık haritalarını ayrı bir sel riski derin öğrenme modeliyle birleştirerek hem yüksek tehlike hem de düşük dayanıklılığa sahip, sıklıkla sosyal açıdan savunmasız sakinlerin yaşadığı toplulukları vurgulayan eşleşik haritalar üretti.

Veriyi daha adil ve akıllı şehir kararlarına dönüştürmek

Günlük yaşam için çıkarılacak ders, bir topluluğun felaketlerle başa çıkabilme yeteneğinin sadece fırtınanın büyüklüğüyle ilgili olmadığı—önceden kentin birçok parçasının ne kadar iyi uyum sağladığıyla ilgili olduğudur. Resili-Net, plancılara ve politika yapıcılara bu bağlantıları daha net görme yolu sunarak zayıf altyapı ile sosyal sıkıntının bir tehlikeyi krize dönüştürebileceği yerleri işaretliyor. Her mahalle türünde hangi özelliklerin en çok önem taşıdığını göstererek çerçeve, yolları güçlendirmek, klinikleri genişletmek, yeşil alan eklemek veya savunmasız sakinleri desteklemek gibi daha hedefli, kanıta dayalı yatırımlara rehberlik edebilir—böylece şehirler artan riskler karşısında sadece daha güçlü değil, aynı zamanda daha adil hale gelir.

Atıf: Yin, K., Li, B. & Mostafavi, A. Deep learning-driven community resilience rating based on intertwined socio-technical systems features. npj Urban Sustain 6, 56 (2026). https://doi.org/10.1038/s42949-026-00364-7

Anahtar kelimeler: kentsel dayanıklılık, derin öğrenme, sel riski, sosyo-teknik sistemler, şehir planlaması