Generating lost urban fabric: exploring generative adversarial networks as a tool for urban design

Bu araştırma, Generative Adversarial Networks'ün (GAN'ler) kaybolan kentsel dokuyu yeniden üretmek için bir tasarım aracı olması potansiyelini incelemektedir. Çalışma, 2023 Kahramanmaraş depremleri nedeniyle büyük yapısal kayıplar yaşayan Hatay şehir merkezine odaklanmaktadır ve kentsel dokuları üretmek için Pix2PixHD mimarisini kullanmaktadır. Araştırma, eğitim veri seti olarak afet öncesi kentsel haritaları kullanarak, Hatay'ın mekânsal sürekliliğini yansıtan kentsel dokular üretmeyi hedeflemektedir. Tez, yarı deneysel ve durum çalışması yaklaşımlarını birleştiren hibrit bir metodoloji benimsemektedir. Çalışma, makine öğrenmesinin temel prensipleri ve kentsel çalışmalardaki önemine değinmektedir, ardından modelin eğitim ve doğrulama süreçlerinin ayrıntılı bir şekilde belgelenmesiyle devam etmektedir. Modelin kentsel dokuları yeniden üretme yeteneğini değerlendirmek için Fréchet Inception Distance (FID) skoru ve üretim çıktılarını görsel gerçeklik ile yapısal bütünlüğü değerlendirmek için Structural Similarity Index Measure (SSIM) gibi nicel metrikler kullanılarak analiz edilmektedir. Ayrıca, veri seti ölçeklerinin (1:2000, 1:3000 ve 1:5000) model performansı üzerindeki etkisi araştırılmaktadır. Bu araştırma, Generative Adversarial Networks'ün afet sonrası kentsel tasarımda bir araç olma potansiyelini ortaya koymakta ve veri seti ölçeğinin gerçekçi kentsel desenler üretmedeki başarısı üzerindeki etkisine dair önemli içgörüler sunmaktadır.