Güneydoğu Türkiye'de Heyelan Duyarlılığına Yönelik Karşılaştırmalı Makine Öğrenmesi Yaklaşımları

Abstract

Heyelanlar, dağlık bölgelerdeki en yıkıcı doğal afetler arasında yer almakta olup ciddi ekonomik kayıplara ve altyapı hasarlarına yol açmaktadır. Güvenilir duyarlılık haritalarının oluşturulması, özellikle Güneydoğu Türkiye gibi tektonik açıdan aktif bölgelerde, tehlikelerin azaltılması ve sürdürülebilir arazi kullanım planlaması açısından büyük önem taşımaktadır. Bu çalışmanın amacı; yaygın olarak kullanılan altı makine öğrenmesi algoritmasının —Destek Vektör Makinesi (SVM), Lojistik Regresyon (LR), Rastgele Orman (RF), Yapay Sinir Ağı (ANN), Naive Bayes (NB) ve Maksimum Entropi (MaxEnt)— ve bunlarla birlikte bir Topluluk (Ensemble) modelinin tahmin performanslarını ve mekânsal tutarlılıklarını, aynı jeomorfolojik ve çevresel koşullar altında karşılaştırmaktır. Topografik, jeolojik, hidrolojik ve arazi örtüsü veri setlerinden elde edilen on bir duyarlılık faktörü kullanılarak CBS tabanlı bir yaklaşım uygulanmıştır. Model eğitimi ve doğrulama için saha gözlemleriyle doğrulanmış bir heyelan envanteri kullanılmıştır. Model performansı, ROC (Receiver Operating Characteristic) analizi ve AUC (Area Under the Curve) kullanılarak değerlendirilmiştir. Tüm modeller yüksek tahmin doğruluğu sergilemiştir (AUC = 0,877–0,959). En yüksek performansı NB modeli sergilerken (AUC = 0,959), Ensemble modeli mekânsal açıdan en tutarlı duyarlılık paternlerini üretmiştir. Yüksek ve çok yüksek duyarlılık sınıfları, istikrarlı bir şekilde dik yamaçlar ve zayıf litolojik birimlerle ilişkili bulunmuştur. Karşılaştırmalı makine öğrenmesi yaklaşımları, bölgesel heyelan duyarlılığının değerlendirilmesinde güvenilir ve farklı alanlara uygulanabilir araçlar sunmaktadır. Elde edilen sonuçlar, duyarlılık haritalamasında algoritma seçiminin ve topluluk (ensemble) stratejilerinin önemini vurgulamaktadır.