Yangın ve Afet Tespiti (Fire and Disaster Detection)

Orman yangınları, tarımsal alanları, ekosistemleri ve kırsal toplulukları ciddi biçimde etkileyebilen afetler arasındadır. Küresel ölçekte yanmış alan miktarı yıl, bölge ve veri kaynağına göre değişmekle birlikte, iklim koşulları ve arazi kullanımı bu riski belirgin biçimde etkiler. Bunun yanı sıra dolu, fırtına, sel ve kuraklık gibi tarımsal afetler de ürün kayıplarına ve ekonomik zararlara yol açmaktadır. Makine öğrenmesi, uydu ve yer gözlem verileriyle birlikte kullanıldığında erken tespit, yanmış alan haritalama ve risk değerlendirme iş akışlarını destekleyen yararlı araçlar sunabilir; ancak performans sahadaki veri kalitesine, sensör kapsamasına ve operasyonel doğrulamaya bağlıdır.

Orman Yangını Biliminde ML Uygulamaları

Jain et al., 2020 tarafından yapılan kapsamlı derleme, yangın biliminde ML uygulamalarını altı problem alanında sınıflandırmaktadır:

1. Yakıt karakterizasyonu, yangın tespiti ve haritalama: Uydu ve hava araçlarından elde edilen görüntülerle yanıcı madde tiplerinin sınıflandırılması, aktif yangınların tespiti ve yanmış alanların haritalanması
2. Yangın havası ve iklim değişikliği: Meteorolojik koşulların yangın riski üzerindeki etkisinin modellenmesi ve iklim değişikliği senaryoları altında yangın rejimlerinin tahmin edilmesi
3. Yangın olasılığı, duyarlılık ve risk: Coğrafi, iklimsel ve antropojenik faktörlere dayalı yangın oluşum olasılığının mekansal modellemesi
4. Yangın davranışı tahmini: Yangın yayılım hızı, yönü ve yoğunluğunun gerçek zamanlı tahmin edilmesi
5. Yangın etkileri: Yanma şiddeti değerlendirmesi, emisyon tahmini ve ekosistem üzerindeki uzun vadeli etkilerin modellenmesi
6. Yangın yönetimi: Kaynak tahsisi, söndürme stratejisi ve kontrollü yakma kararlarının optimize edilmesi

Çalışma, 2019 sonuna kadar 300 ilgili yayın tespit etmiş olup, en sık kullanılan ML yöntemlerinin random forest, yapay sinir ağları, destek vektör makineleri ve lojistik regresyon olduğunu belirlemiştir. Derin öğrenme yöntemlerinin (CNN, LSTM) son yıllarda hızla yaygınlaştığı vurgulanmıştır.

Derleme, ML yöntemlerini genel bir çerçevede üç kategoride ele alır: - Denetimli öğrenme: Etiketli veri setleri ile yangın/yangın dışı sınıflandırma, yangın büyüklüğü regresyonu - Denetimsiz öğrenme: Kümeleme ve boyut indirgeme ile yangın rejimi analizi, anomali tespiti - Ajan tabanlı öğrenme: Takviyeli öğrenme ile yangın yönetimi karar destek sistemleri

Derin Öğrenme ile Yangın ve Duman Algılama

Sathishkumar et al., 2023 çalışması, görüntülerden yangın ve duman tespiti için derin öğrenme tabanlı "Unutmadan Öğrenme" (Learning without Forgetting -- LwF) yaklaşımını uygulamıştır. Bu yenilikçi yöntem, önceden eğitilmiş CNN modellerinin yeni görevler öğrenirken mevcut sınıflandırma yeteneklerini kaybetmesini (felaketi unutma problemi) önler.

Çalışmada üç transfer öğrenme modeli kullanılmıştır:

• VGG16: Derin evrişimli yapı ile özellik çıkarımı
• Inception V3: Çoklu ölçekli evrişim filtreleri ile verimli özellik yakalama
• Xception: Derinlemesine ayrılabilir evrişim ile hesaplama verimliliği; %79,23 doğruluk sağlamıştır

LwF yaklaşımı ile bu modeller BoWFire gibi zorlu veri setlerine başarıyla transfer edilmiştir. Bayesian optimizasyon, hiperparametre ayarlamasında kullanılarak en iyi model konfigürasyonlarının sistematik biçimde belirlenmesi sağlanmıştır. Geleneksel makine öğrenmesi yöntemlerinin el ile özellik çıkarımına bağımlılığına karşın, derin öğrenme modelleri otomatik olarak karmaşık özellik temsillerini öğrenerek daha yüksek doğruluk elde eder.

Uydu ile Yangın İzleme ve Yanmış Alan Haritalama

Remote Sensing Agriculture teknolojileri, geniş alanların sürekli izlenmesini mümkün kılarak yangın yönetiminin vazgeçilmez bir bileşenidir:

• MODIS ve VIIRS: Termal anomali algılama ile aktif yangın noktalarının yakın gerçek zamanlı tespiti
• Sentinel-2 ve Landsat: Yüksek mekansal çözünürlüklü multispektral görüntüler ile yanmış alan haritalama ve yanma şiddeti değerlendirmesi
• SAR (Sentetik Açıklıklı Radar): Bulut koşullarından bağımsız olarak yangın etki alanlarının belirlenmesi
• CHIRPS ve ERA5: İklim verileri ile yangın riski indekslerinin hesaplanması

Google Earth Engine gibi bulut hesaplama platformları, büyük ölçekli uydu veri setlerinin ML algoritmalarıyla işlenmesini kolaylaştırarak yangın değerlendirmelerinin hız ve ölçeğini artırmaktadır. CNN tabanlı segmentasyon modelleri (U-Net, DeepLab), yanmış alan sınırlarının piksel düzeyinde doğru çıkarılmasında geleneksel eşikleme yöntemlerini geride bırakmaktadır.

Erken Uyarı Sistemleri

Etkin yangın yönetimi, erken tespit ve hızlı müdahale gerektirir. ML tabanlı erken uyarı sistemleri:

• Kamera ağları: Gözetleme kulelerindeki kameralardan gerçek zamanlı görüntü analizi ile duman tespiti; CNN modelleri %95'in üzerinde doğruluk sağlayabilir
• IoT sensör ağları: Sıcaklık, nem, rüzgar hızı ve gaz sensörlerinden gerçek zamanlı yangın riski hesaplama
• Uydu tabanlı uyarılar: FIRMS (Fire Information for Resource Management System) gibi sistemlerin ML ile geliştirilmesi
• Mekansal risk modelleme: Topografya, bitki örtüsü, meteoroloji ve insan faaliyeti katmanlarının ML ile birleştirilerek yüksek riskli bölgelerin haritalanması
• Yangın yayılım simülasyonu: Rüzgar, eğim ve yakıt nemi verilerinden ML ile gerçek zamanlı yayılım tahminleri

Tarımsal Afet Risk Değerlendirme

Yangınların ötesinde, tarımsal üretimi tehdit eden diğer doğal afetlerin ML ile değerlendirilmesi de kritik bir alandır:

Dolu hasarı değerlendirme: - Radar verileri ve ML ile dolu fırtınalarının şiddetinin tahmin edilmesi - Uydu görüntüleri ile dolu hasarı gören tarım alanlarının otomatik tespiti ve hasar oranının sınıflandırılması

Sel ve taşkın riski: - Hidrolojik modeller ve ML entegrasyonu ile tarımsal alanların sel riskinin haritalanması - Yağış tahminleri ve toprak doygunluk verileriyle erken uyarı sistemlerinin geliştirilmesi

Fırtına ve rüzgar hasarı: - Meteorolojik verilerden ML ile şiddetli rüzgar olaylarının tahmin edilmesi - Hasar sonrası uydu/drone görüntülerinden devrilmiş veya hasar görmüş bitkilerin otomatik tespiti

Çoklu tehlike değerlendirmesi: - Birden fazla afet türünün mekansal örtüşmesinin ML ile modellenmesi ve bütünleşik risk haritalarının oluşturulması - Climate Agriculture senaryoları altında afet sıklığı ve şiddetinin gelecek projeksiyonları

Yangın Sonrası Toparlanma ve Tarımsal Etki

Yangın sonrası ekosistem ve tarımsal alan toparlanmasının izlenmesi, uzun vadeli yönetim kararları için kritiktir:

• Bitki örtüsü yenilenme indekslerinin (NDVI, NBR) zaman serisi analizi ile toparlanma hızının ML ile modellenmesi
• Toprak erozyonu riskinin yanma şiddeti ve topografyaya dayalı ML ile tahmini
• Yangına dayanıklı tarımsal uygulamaların ve arazi yönetim stratejilerinin veri odaklı tasarımı

Gelecek Yönelimler

Yangın ve afet tespitinde ML uygulamalarının geleceği, gerçek zamanlı derin öğrenme modellerinin kenar bilişim (edge computing) cihazlarına dağıtılması, drone sürülerinin otonom yangın izleme görevlerinde koordinasyonu ve fizik tabanlı yangın modelleri ile veri odaklı ML yaklaşımlarının hibrit modellerle birleştirilmesiyle şekillenecektir. İklim değişikliğinin yangın rejimlerini nasıl dönüştürdüğünü anlamak, uzun vadeli tarımsal planlama ve Crop Yield Prediction projeksiyonları açısından hayati öneme sahiptir. Çok sensörlü (uydu + drone + yer sensörü) füzyon yaklaşımları ve açıklanabilir yapay zeka (XAI) ile karar vericilere şeffaf ve güvenilir bilgi sunulması, gelecekteki araştırmaların öncelikli hedefleri arasında yer almaktadır.