Derin öğrenme yaklaşımları kullanarak kentsel mekan algısının haritalanması

Bu çalışma, derin öğrenme yöntemleri ile Coğrafi Bilgi Sistemlerini (CBS) bir araya getirerek kent algısının nicel ve mekânsal olarak analiz edilebileceğini ortaya koymayı amaçlamaktadır. Bu kapsamda, Eskişehir kentinden toplanan 4.520 adet sokak görüntüsü kullanılarak transfer öğrenme yaklaşımıyla üç farklı Evrişimli Sinir Ağı (CNN) mimarisi (EfficientNet-B1, ResNet18 ve VGG19) eğitilmiş ve altı algısal tema (canlı, depresif, güvenli, güzel, sıkıcı, varlıklı) için tahmin modelleri geliştirilmiştir. Modellerin başarısı MAE, RMSE ve R² gibi regresyon metrikleri ile değerlendirilmiştir. EfficientNet-B1 modeli, özellikle güvenli, canlı ve güzel gibi somut görsel ipuçlarına dayalı temalarda en yüksek doğruluğu sağlamıştır. Buna karşın, sıkıcı ve depresif gibi daha soyut ve öznel temalarda tüm modellerin tahmin doğruluğu sınırlı kalmıştır. Elde edilen tahmin sonuçları, ısı haritaları aracılığıyla görselleştirilmiş ve kentin bilinen mekânsal yapısıyla genel olarak örtüşen desenler sunduğu gözlemlenmiştir. Çalışmanın önemli katkılarından biri, kent algısına ilişkin sayısallaştırılmış ve haritalanabilir bir veri altyapısı sunmasıdır. Ancak modelin açıklayıcılık gücünün sınırlı kalması, görsel verilerin tek başına kent algısını tam olarak yansıtmakta yetersiz kaldığını göstermektedir. Gelecek çalışmalarda çoklu veri türlerinin (ses, metin, yorum, check-in vb.) entegrasyonu ve açıklanabilir yapay zekâ (XAI) yaklaşımlarının kullanılması, model yorumlanabilirliğini ve planlama uygulamalarıyla entegrasyonunu güçlendirecektir.