1.28 Yangın ve Afet Tespiti

1. Problem Tanımı ve Sistemik Etki

Orman yangınları, küresel ölçekte yıllık ortalama 340 milyon hektar alanı etkilemekte ve ~50 milyar USD doğrudan ekonomik zarara yol açmaktadır (FAO, 2022). İklim değişikliğiyle bağlantılı olarak yangın mevsimi süresi son 40 yılda %18,7 artmış; mega yangın (> 40.000 ha) sıklığı son 20 yılda iki katına çıkmıştır. Tarımsal bağlamda, yangınlar sadece orman alanlarını değil, bitişik tarım arazilerini, meyve bahçelerini ve hayvancılık tesislerini de tehdit etmektedir. Türkiye'de 2021 yılında yaşanan yangınlarda ~200.000 hektar alan yanmış ve tarımsal kayıplar ~3 milyar TL olarak tahmin edilmiştir.

Yangın tespiti ve afet yönetiminde üç temel mühendislik kısıtı mevcuttur:

• Erken tespit zorluğu: Yangınlar ilk 15-30 dakikada küçük ve lokalize durumdadır; bu pencerede müdahale başarı oranı %90'ın üzerindedir. İlk saatten sonra kontrol şansı belirgin biçimde düşer. Mevcut uydu tabanlı sistemler (MODIS, VIIRS) 1-12 saat gecikmeli tespit sağlar; bu süre kritik müdahale penceresini kaçırır.
• Yanlış alarm oranı: Optik ve termal tabanlı tespit sistemleri, güneş yansıması, sıcak zemin, endüstriyel emisyon ve bulut gölgesi gibi faktörlerle yangını karıştırabilir. MODIS Active Fire ürünlerinde yanlış alarm oranı %8-15 arasındadır (Schroeder et al., 2014). Yanlış alarmlar, sınırlı yangın söndürme kaynaklarının yanlış yönlendirilmesine neden olur.
• Geniş alan izleme: Türkiye'nin orman alanı ~22,7 milyon hektar olup bunun tamamının gerçek zamanlı izlenmesi, kamera ağı, uydu ve İHA kombinasyonunu gerektirir. Mevcut gözetleme kulesi ağı orman alanının yalnızca %30-40'ını kapsamaktadır.

Bu zorluklar, bilgisayarlı görü ve makine öğrenmesi tabanlı erken uyarı sistemlerini yangın yönetiminin en kritik teknoloji ihtiyacı haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1990-2012)

Erken dönem yangın tespit yaklaşımları piksel bazlı eşikleme ve istatistiksel modeller üzerine kuruluydu:

• Termal eşikleme: MODIS uydu verilerinde 4 ve 11 mikrometre bantlarında parlaklık sıcaklığı eşikleme ile aktif yangın pikselleri belirlenir. Giglio et al. (2003), kontekstüel algoritma ile MODIS Active Fire ürünlerini geliştirmiştir; %95 tespit oranı ancak %8-15 yanlış alarm oranı. Limitasyon: 1 km mekansal çözünürlük, küçük yangınları (< 1 ha) kaçırır; bulut altında tespit mümkün değildir.
• Duman renk modelleri: RGB kamera görüntülerinde duman rengini (gri-mavi tonlar) eşikleme veya basit istatistiksel modeller ile tespit etme. HSV renk uzayında hue, saturation ve value eşiklerinin kombinasyonu kullanılır. Yuan et al. (2015), renk ve hareket bilgisini birleştiren kurallar tabanlı duman tespiti için %85,7 tespit oranı ve %10,2 yanlış alarm oranı raporlamıştır. Sis, toz ve endüstriyel duman ile karışma oranı yüksektir.
• Yangın tehlike indeksleri: Canadian Forest Fire Weather Index (FWI), meteorolojik değişkenlerden (sıcaklık, nem, rüzgar, yağış) yangın tehlike skoru hesaplar. FWI, yangın davranışını kısmen tahmin eder ancak noktasal meteoroloji verilerine dayanır; mekansal çözünürlüğü istasyon yoğunluğu ile sınırlıdır.

2.2 Modern Yaklaşımlar (2013-Günümüz)

CNN Tabanlı Duman ve Alev Tespiti

Gözetleme kamerası görüntülerinden otomatik duman ve alev sınıflandırması.

• Girdi: Sabit kamera veya İHA RGB görüntüleri (görüntü karesi veya video akışı)
• Çalışma prensibi: ResNet, VGG veya EfficientNet tabanlı sınıflandırma ağı, görüntüyü normal/duman/alev sınıflarına ayırır. İki aşamalı yaklaşımlarda önce adaylar çıkarılır (region proposal), ardından sınıflandırılır.
• Eğitim: Transfer öğrenme ile ImageNet ön eğitimli ağırlıklar; yangın görüntü veri setleri (FIRe Dataset, FLAME) ile ince ayar.
• Performans: Zhang et al. (2018), ResNet tabanlı duman tespitinde %96,4 doğruluk ve %3,2 yanlış alarm oranı raporlamıştır. Ancak gece koşullarında duman tespiti belirgin biçimde düşer (%65-75); bu nedenle termal kamera füzyonu güçlü bir tamamlayıcı olabilir.

YOLO Tabanlı Gerçek Zamanlı Yangın Tespiti

Video akışından alev ve duman bölgelerinin gerçek zamanlı lokalizasyonu.

• Girdi: Video karesi (640x480 veya daha yüksek çözünürlük)
• Çalışma prensibi: YOLOv5/v8 ile tek geçişte duman ve alev bölgelerinin sınırlayıcı kutularla tespiti. Model sıkıştırma ile edge cihazlarda (NVIDIA Jetson) gerçek zamanlı çalıştırılabilir.
• Performans: Li et al. (2020), geliştirilmiş YOLOv3 ile orman yangını tespitinde %89,2 mAP ve 23 fps işlem hızı raporlamıştır. Küçük duman sütunlarının (< 50 piksel) tespitinde duyarlılık %60'a düşmektedir.

Uydu Tabanlı Anomali Tespiti

Uydu termal ve optik verilerinden yangın anomalisi tespiti.

• Girdi: Sentinel-2 SWIR bantları, VIIRS/MODIS termal bantlar, Landsat 8/9 termal verileri
• Çalışma prensibi: Normalden sapan termal anomali piksellerinin ML tabanlı sınıflandırılması. Random Forest veya XGBoost ile çoklu bantlardan anomali skoru üretilir. Zaman serisi karşılaştırma ile arka plan modeli oluşturulur.
• Performans: Schroeder et al. (2014), VIIRS 375 m aktif yangın ürününde MODIS'e göre %20-30 daha küçük yangınları tespit edebildiğini raporlamıştır. Sentinel-2 (20 m çözünürlük) ile yangın izleri (burned area) haritalanmasında %92 genel doğruluk elde edilmiştir.

Termal Görüntüleme ile Erken Tespit

Kızılötesi kameralarla yangın başlangıcının sıcaklık anomalisi olarak tespiti.

• Girdi: LWIR (8-14 mikrometre) veya MWIR (3-5 mikrometre) termal kamera görüntüleri
• Çalışma prensibi: Termal görüntüde arka plan sıcaklık modelinden sapan piksellerin anomali tespiti yoluyla belirlenmesi. CNN veya Gaussian Mixture Model (GMM) tabanlı arka plan modelleme.
• Performans: Termal kameralar, gece koşullarında optik kameralara göre %40-60 daha yüksek tespit oranı sağlar. Ancak LWIR kamera maliyeti (10.000-50.000 USD) geniş ağ kurulumunu ekonomik olarak kısıtlar.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Erken Tespit Penceresi

Yangınların ilk 15-30 dakikası kritik müdahale penceresidir; bu aşamada yangın tipik olarak 0,1-1 hektar alanı kaplar ve söndürme başarı oranı %90'ın üzerindedir. Mevcut uydu tabanlı sistemlerin (MODIS ~4 saat, VIIRS ~1 saat geçiş aralığı) bu pencereyi yakalaması mümkün değildir. Kamera tabanlı sistemler anlık tespit sağlar ancak kapsama alanı sınırlıdır. Jeostasyoner uyduların (GOES, Himawari) 5-10 dakika zamansal çözünürlüğü umut vericidir; ancak mekansal çözünürlük (2-4 km) küçük yangınları kaçırır.

Yanlış Alarm Maliyeti

Her yanlış alarm, itfaiye ekiplerinin gereksiz yönlendirilmesi, havadan söndürme uçaklarının boşa havalanması ve operasyonel güven kaybı anlamına gelir. Bir yangın söndürme uçağının seferinin maliyeti 50.000-200.000 USD arasındadır. Yanlış alarm oranı %5'in üzerinde olan sistemler operasyonel olarak kabul görmemektedir. Ancak hassasiyet (precision) artırma, duyarlılık (recall) düşüşüyle trade-off oluşturur; gerçek yangınların kaçırılması, yanlış alarmdan çok daha yüksek maliyetli sonuçlar doğurur.

Geniş Alan İzleme Altyapısı

Kamera ağı tabanlı yangın izleme, her kamera noktası için enerji, iletişim ve bakım altyapısı gerektirir. Uzak orman bölgelerinde şebeke elektriği ve internet bağlantısı bulunmamaktadır. Güneş paneli + 4G/5G veya uydu iletişimi çözümü birim maliyeti 5.000-15.000 USD arasındadır. Türkiye'nin 22,7 milyon hektar ormanını kapsayacak bir ağ için tahmini 50.000-100.000 kamera noktası gerekmekte olup toplam yatırım maliyeti milyarlarca lira düzeyindedir.

Çevresel Koşul Değişkenliği

Duman ve alev görünümü, rüzgar hızı ve yönü, nem, arka plan aydınlatması ve kamera açısına göre belirgin biçimde değişir. Eğitim veri setlerinde temsil edilmeyen koşullarda (yoğun sis + duman, güneş arkası duman, çok güçlü rüzgarda yatay alev) model performansı %20-40 düşebilir. Veri artırma (renk pertürbasyonu, sis simülasyonu, rüzgar efekti) bu çeşitliliği kısmen artırır; ancak gerçek dünyanın tüm varyasyonlarını simüle etmek olanaksızdır.

Bölgesel Senaryo: Siirt Orman Yangınları

Siirt ili, yazın 40 derecenin üzerinde sıcaklık, düşük nem (%10-20) ve kuzey rüzgarları (poyraz) ile yüksek yangın riski taşımaktadır. Meşe ormanlarının kuru yaprak örtüsü yangın yayılma hızını artırmaktadır.

1. Gözetleme kulesi yetersizliği: Siirt'in engebeli topografyası (derin vadiler, dar boğazlar) mevcut gözetleme kulelerinin görüş alanını ciddi şekilde kısıtlamaktadır. Ölü bölgeler (blind spots) toplam orman alanının %40-50'sini oluşturmaktadır. İHA tabanlı devriye bu ölü bölgeleri kapatabilir; ancak İHA uçuş süresi (30-60 dk) ve personel kapasitesi sınırlıdır.
2. Anız yangını-orman yangını geçişi: Tarım arazileri ile orman alanları arasındaki tampon bölge yetersizliği, anız yangınlarının orman yangınına dönüşme riskini artırmaktadır. ML tabanlı risk haritalama, arazi kullanımı, eğim, rüzgar yönü ve vejetasyon nem içeriğini birleştirerek yüksek riskli geçiş bölgelerini belirleyebilir; ancak bölgeye özgü eğitim verisi mevcut değildir.
3. Haberleşme altyapısı: Kırsal orman bölgelerinde GSM kapsama oranı %50-60 düzeyindedir. Erken uyarı sisteminin etkinliği, tespit ile itfaiye komutasına bildirim arasındaki gecikmeye doğrudan bağlıdır. LoRa veya mesh ağ tabanlı düşük bant genişlikli iletişim sistemleri (alarm bayrağı iletimi için yeterli) alternatif çözüm sunmaktadır.

4. Literatür: Seminal Çalışmalar

Giglio et al. (2003) — MODIS aktif yangın tespit algoritması. 4 ve 11 mikrometre bantlarında kontekstüel eşikleme ile küresel aktif yangın haritalaması. %95 tespit oranı, %8-15 yanlış alarm oranı. Collection 6 güncellemesiyle (2016) performans iyileştirilmiştir. Remote Sensing of Environment dergisinde yayımlanmış. (4.200+ atıf)

Zhang et al. (2018) — CNN tabanlı orman yangını duman tespiti. ResNet-50 mimarisi ile gözetleme kamerası görüntülerinden duman sınıflandırması; %96,4 doğruluk, %3,2 yanlış alarm oranı. 20.000+ etiketli görüntü içeren veri seti oluşturulmuştur. Gece koşullarında doğruluğun %72'ye düştüğü raporlanmıştır. (310+ atıf)

Schroeder et al. (2014) — VIIRS 375 m çözünürlüklü aktif yangın ürünü. MODIS 1 km ürününe göre %20-30 daha küçük yangınların tespiti mümkün olmuştur. 13 aylık global doğrulama; commission error (yanlış pozitif) %4,0, omission error (kaçırma) %14,8. (680+ atıf)

Jain et al. (2020) — Makine öğrenmesi ile ABD yangın mevsimi tahmini. Random Forest ile 2 aylık önceden yangın alanı tahmini; R2 = 0,52. Kuraklık indeksi (PDSI), sıcaklık anomalisi ve geçmiş yangın tarihçesinin en önemli tahmin değişkenleri olduğu belirlenmiştir. Nature Communications'da yayımlanmış. (280+ atıf)

Li et al. (2020) — Geliştirilmiş YOLOv3 ile orman yangını alev ve duman tespiti. Çok ölçekli özellik piramidi ve spatial attention modülü eklenmiş; mAP %89,2, işlem hızı 23 fps (NVIDIA GTX 1080). Küçük duman nesnelerinde (< 32x32 piksel) recall %58; önerilen attention mekanizması bu değeri %67'ye çıkarmıştır. (240+ atıf)

5. Gelecek Vizyonu

Çoklu Sensör Füzyonu

RGB kamera, termal kamera, LiDAR ve hava kalitesi sensörlerinin (PM2.5, CO) birleşik veri akışından çok modlu (multimodal) yangın tespiti, tek sensör yaklaşımlarına göre hem tespit oranını artırma hem yanlış alarm oranını düşürme potansiyeline sahiptir. Termal + RGB füzyonu gece tespit oranını %40-60 artırır; PM2.5 sensörü görüş alanı dışındaki yakın yangınları duman partiküllerinden dolaylı olarak tespit edebilir. Ancak farklı sensörlerin zamansal senkronizasyonu, veri formatı uyumu ve karar füzyon mimarisi açık araştırma problemleridir.

Yapay Zeka Destekli Yangın Davranış Modelleme

Yangın tespit edildikten sonra yayılma hızı ve yönünün tahmin edilmesi, müdahale kaynaklarının en etkili biçimde konumlandırılması için kritik önem taşır. Physics-informed neural networks (PINN) yaklaşımı, Rothermel yangın yayılma denklemlerini ML çerçevesine entegre ederek fiziksel tutarlılık garantisi sağlar. Ancak mikro ölçekli rüzgar kalıpları, yakıt nemi heterojenitesi ve topoğrafik etkilerin gerçek zamanlı modellenmesi, mevcut hesaplama kapasitesinin sınırlarını zorlamaktadır.

İHA Sürüleri ile Otonom İzleme

Çoklu İHA'ların koordineli uçuşu ile geniş orman alanlarının sistematik taranması, sabit kamera ağlarının kapsama sorununu çözme potansiyeline sahiptir. Her İHA termal + RGB kamera taşıyarak alçak irtifada (~100 m) yüksek çözünürlüklü görüntü toplar. Sürü navigasyonu, görev tahsisi ve otonom iniş/şarj istasyonu koordinasyonu, pekiştirmeli öğrenme ile optimize edilebilir. Mevcut kısıtlamalar: uçuş süresi (30-60 dk), hava koşulları hassasiyeti (rüzgar > 40 km/h'de uçuş güvenliği) ve regülasyon engelleri (otonom uçuş izinleri).

Yangın Sonrası Ekolojik Restorasyon İzleme

Yangın sonrası ormansızlaşmış alanların ekolojik toparlanması (revegetation), uydu zaman serileri ile izlenebilir. NDVI/NBR (Normalized Burn Ratio) zaman serilerinin ML tabanlı analizi, toparlanma hızını tahmin etmek ve ağaçlandırma öncelik alanlarını belirlemek için kullanılabilir. Ancak toparlanma dinamikleri toprak tipi, eğim, yağış rejimi ve yangın şiddetine bağlı olarak yıllar-onlarca yıl ölçeğinde değişir; uzun vadeli izleme verisi gerektiren bu modellerin kısa vadeli karar desteği kapasitesi sınırlıdır.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği