Prediction and optimization applications in disaster management

Bu çalışma ile felaket yönetiminin hazırlık ve cevap aşamasına katkıda bulunulmaya çalışılmaktadır. Felaket yönetiminde yaşanılan en büyük sorunlardan biri, felaket yaşanmadan önce, yaralı sayısını az hata ile tahmin etmektir. Felaket yönetimi konusunda çalışan çoğu araştırmacı eski felaket verilerini kesin veriler olarak kullanmaktadır. Oysaki bir sonraki felakette bu verilerin gerçekleşme olasılığı sıfırdır. Bu sebeple yeni çalışmalar makine öğrenmesi metotlarını kullanarak yaralı ve ölü sayılarını tahmin etmeye çalışmaktadır. Bu amaçla kullanılan metotlar yapay sinir ağları, destek vektör makinası (support vector machine), destek vektör regresyonu (support vector regression), Gauss süreci ve çoklu doğrusal regresyondur. Bu çalışmada yaralı sayıları Gauss süreci kullanılarak tahmin edilmektedir. Açıklayıcı değişken olarak nüfus yoğunluğu ve hasarsız, az ve orta hasarlı bina sayıları kullanılmıştır ve yaralı sayıları tahmin edilmeye çalışılmıştır. Veriler, 6 şubat 2023 tarihinde Türkiye'nin güneydoğu bölgesinde gerçekleşen deprem verilerinden oluşmaktadır ve farklı kaynaklardan toplanmıştır. Tahmin metodu, literatürden üç metot ile karşılaştırılmıştır. Metotlardan hiçbiri az hatalı tahmin üretememiştir. Hataların hesaplanmasında eğitim-test very seti ayırma (leave-one-out cross-validation) metoduyla yapılmıştır. Bu metot her seferinde bir veri hariç diğer verileri eğitim seti olarak kullanıp, parametreleri tahmin etmekte ve daha sonra eğitimde kullanmadığı bir adet test versini kullanarak hatayı hesaplamaktadır. Bu hesaplama very setindeki tüm veriler için ayrı ayrı yapılmaktadır. Bu çalışmada kullanılan Gauss sürecinin diğer metotlara karşı olan en bariz üstünlüğü sadece tahmin ediciyi değil, tahmin edicinin varyansını da bulmaktadır. Ayrıca, tahmin edici normal dağılıma sahiptir. Bu tahminler, barınak seçimi yapabilmek için kullanılan olasılıksal kısıtları olan bir eniyileme probleminde kullanılmıştır. Bu eniyileme problemi rastlantısal olarak üretilmiş bir veri seti için çözülmüştür. İleride yapılması gereken çalışmalar şu şekilde sıralanabilir: i- Farklı ve daha az hatalı makine öğrenmesi metotlarının dikkate alınması; ii- Olasılıksal kısıtları olan eniyileme probleminin gerçek veri seti ile çözülmesi ve sonuçların tartışılması; iii- Büyük ölçekli ve olasılıksal kısıtları olan problemler için çözüm yöntemlerinin geliştirilmesi. Anahtar sözcükler : Makine öğrenmesi, Gauss süreci, Olasılıksal kısıtlar, Barınak seçimi problemi, Afet yönetimi