Multimodal büyük dil modelleri, sokak görüntüleri ve kentsel politika-istihbaratı: redlining’in sürdürülebilirlik etkilerini yeniden ortaya koymak

Neden şehir sokakları ve eski haritalar bugün hâlâ önem taşıyor

Birçok şehir yoksulluğu azaltmaya ve insanları sıcaklıktan korumaya çalışıyor, ancak yardıma en çok nerede ihtiyaç duyulduğuna dair blok bazında güncel bilgilere sık sık sahip değiller. Bu çalışma, modern yapay zekanın sıradan sokak fotoğraflarını okuyarak düşük gelir ve az ağaç örtüsünün hâlâ nerelerde kümelendiğini ortaya koyabileceğini; bunun özellikle Arizona, Phoenix’teki tarihsel redlining uygulamasıyla şekillenmiş mahallelerde geçerli olduğunu gösteriyor.

Eski konut derecelendirmeleri ve bugünün eşitsiz sokakları

1930’larda federal konut haritaları bazı mahalleleri konut kredileri için “tehlikeli” olarak etiketledi; bu sürece redlining deniyor. Genellikle daha fazla renkli nüfusun ve daha eski konutların bulunduğu bu yerler on yıllar boyunca daha az kamu ve özel yatırım aldı. Amerika Birleşik Devletleri’nin en sıcak büyük şehri olan Phoenix’te bu tarih hâlâ önem taşıyor, çünkü daha az paraya ve daha az ağaca sahip alanlar daha tehlikeli ısıya ve kötü yaşam koşullarına maruz kalıyor. Yazarlar mahalle sağlığının iki basit dayanağına odaklanıyor: kaç sakinin yoksulluk içinde yaşadığı ve ne kadar ağaç örtüsünün gölge sağladığı.

Sokak fotoğraflarını mahalle rapor kartlarına dönüştürmek

Araştırmacılar bir binden fazla küçük mahalle genelinde neredeyse yirmi bin Google Street View görseli topladı. Ardından bu resimleri “okuyan” iki tür araç geliştirdiler. Bir araç, tüm sahneyi gören ve konut kalitesi, görülebilir bakım ve yeşillik gibi ipuçları hakkında düz bir dilde akıl yürüterek bunları yoksulluk ve ağaç örtüsü için sayısal puanlara çeviren çokmodlu büyük dil modeli GPT-4o’yu kullanıyor. Diğer araç ise yol, bina veya ağaç gibi kategorilere piksel bazında sınıflandırma yapan ve her birinin ne kadar olduğunu sayan standart bir bilgisayarlı görme modeli. Her mahalle için ekip birçok görselden elde ettikleri sonuçları ortaladı ve bu yapay zeka temelli ölçümleri yoksulluk konusunda ABD Sayım Bürosu’nun ve ağaç örtüsü konusunda Google’ın Environmental Insights Explorer verileriyle karşılaştırdı.

Yapay zekayı resmi rakamlar ve redlining mirasıyla karşılaştırmak

Takım daha sonra yapay zeka tahminlerinin redlining’in süregelen etkilerine dair resmi istatistiklerle aynı hikâyeyi anlatıp anlatmadığını test etti. Yerel özellikleri, şehir hizmetleri farklılıklarını ve yakın mahalleler arasındaki sızıntıları hesaba katan çeşitli istatistiksel modeller kullanarak, tarihsel olarak redlining uygulanmış alanları iki referans grubuyla karşılaştırdılar: yüksek gelirli “ideal” alanlar ve “kararlı veya düşüşte” olup tehlikeli olarak işaretlenmemiş alanlar. Neredeyse tüm model versiyonlarında her iki yapay zeka yaklaşımı da tanıdık bir deseni yeniden üretti: redlining yapılan mahallelerin hâlâ karşılaştırma alanlarına göre daha yüksek yoksulluk ve daha düşük ağaç örtüsüne sahip olması. Kritik olarak, GPT-4o’nun bu boşluklara ilişkin tahminleri resmi verilerle neredeyse özdeşken, piksel sayma modeli yoksulluğun redlining ile ne kadar güçlü bağlı olduğunu genellikle olduğundan daha az gösterme eğilimindeydi.

Neden bütüncül sokak anlayışı daha iyi çalışıyor

Bunu anlamak için yazarlar her yöntemin resmi yoksulluk ve örtü rakamlarındaki değişimi ne kadar iyi açıkladığını inceledi. Yalnızca GPT-4o, yoksulluk deseninin yaklaşık olarak aynı kadarını, demografik ve eğitim istatistiklerinin zengin bir kümesi kadar yakaladı ve segmentasyon modelinden çok daha fazlasını açıkladı. Avantajı özellikle en dezavantajlı veya en çok ağaçlı mahallelerde güçlüydü; buralarda politika soruları sıklıkla en acil olanlar. Bu, yoksulluğun yalnızca ağaç sayısı gibi izole nesnelerde değil, bakım durumu, yapı formu ve altyapı ihmaline dair daha geniş ipuçlarında da iz bıraktığını öne sürüyor. GPT-4o’nun tüm sahneyi dikkate alma yeteneği, basit piksel sayımlarının kaçırabileceği bu ince sinyalleri yakalamasını sağlıyor; aynı zamanda ağaç örtüsü için sayımın en önemli olduğu durumlarda da iyi performans gösteriyor.

Daha adil, daha yeşil şehirler için yeni araçlar

Çalışma, çokmodlu büyük dil modeli için dikkatle tasarlanmış istemlerin yaygın sokak görüntülerini yoksulluk ve ağaç gölgesi konusunda zamanında, mahalle ölçeğinde göstergelere dönüştürebileceğini ve bunların güvenilir kaynaklarla yakından örtüştüğünü sonucuna bağlıyor. Bu yaklaşım her şehir için yeni bir model eğitilmesini gerektirmediği ve uygun kontrollerle uzman olmayan kişilerce çalıştırılabildiği için, planlamacılar, kurumlar ve topluluk grupları için sosyal ve çevresel boşlukların nerede örtüştüğünü haritalamak, yerel programların işe yarayıp yaramadığını izlemek ve ihtiyaçlar değiştikçe kaynakları yeniden hedeflemek için pratik bir yol sunuyor; tüm bunlar denetim için insanları sürece dahil ederek yapılabiliyor.

Atıf: Howell, A., Wu, N., Bagchi-Sen, S. et al. Multimodal large language models, street view images and urban policy-intelligence: recovering the sustainability effects of redlining. npj Urban Sustain 6, 79 (2026). https://doi.org/10.1038/s42949-026-00380-7

Anahtar kelimeler: kentsel sürdürülebilirlik, redlining, sokak görünümü görüntüleri, çokmodlu yapay zeka, ağaç örtüsü