Makine öğrenmesi yöntemleri ile yangın verilerinin analizi ve sınıflandırılması

Yangınlar, hem doğal süreçlerin hem de insan kaynaklı faaliyetlerin sonucu olarak ortaya çıkabilen ve yerleşim yerlerinden sanayi alanlarına kadar geniş bir coğrafyada ciddi can ve mal kayıplarına neden olan afetler arasında yer almaktadır. Artan kentleşme, iklim değişikliği ve sanayileşme yangın riskini artırmakta; bu durum, geleneksel yöntemlerin ötesine geçerek veri odaklı karar destek sistemlerine olan ihtiyacı ortaya koymaktadır. Bu çalışmanın temel amacı, yangın verileri üzerinde makine öğrenmesi algoritmalarını uygulayarak yangın türlerinin sınıflandırılması ve elde edilen modellerin performanslarının karşılaştırılmasıdır. Araştırma kapsamında, 2015–2023 yılları arasında bir ilin yerel itfaiye kayıtlarından elde edilen 29.135 adet yangın verisi kullanılmıştır. Veriler ön işleme tabi tutulmuş, ardından Ki-Kare testi ile en etkili öznitelikler belirlenmiştir. Sınıflandırma sürecinde üç farklı makine öğrenmesi algoritması olan Karar Ağacı (Fine Tree), Gaussian Naive Bayes (GNB) ve Lineer Destek Vektör Makineleri (Linear SVM) kullanılmıştır. Tüm modeller, 5 katlı çapraz doğrulama yöntemiyle test edilmiş; doğruluk oranı, karışıklık matrisi, F1-Skoru ve ROC eğrisi (AUC) gibi performans ölçütleriyle değerlendirilmiştir. Analizler sonucunda, en yüksek doğruluk oranı %61,4 ile Linear SVM modelinde elde edilmiş; onu %61,2 ile Karar Ağacı ve %58,5 ile GNB modeli takip etmiştir. AUC değerleri açısından da Linear SVM modeli 0,7511 ile en yüksek ayırt etme gücüne sahip model olarak öne çıkmıştır. Karar Ağacı modeli, yorumlanabilirliği sayesinde karar vericiler için avantaj sağlamış; GNB ise düşük hesaplama maliyeti ile dikkat çekmiştir. Modellerin "Tamamen" yangın sınıfını sınıflandırmada zorlandığı gözlemlenmiş ve bu durum, örnek dengesizliği ile açıklanmıştır. Çalışma, literatüre; kentsel ve kırsal yangınları birlikte ele alan, gerçek saha verilerine dayalı geniş kapsamlı bir sınıflandırma sunması; farklı makine öğrenmesi algoritmalarının aynı veri seti üzerinde karşılaştırmalı olarak analiz edilerek en uygun modelin belirlenmesi; ve özellik seçiminin model başarısına etkisinin somut olarak ortaya konması açısından katkı sağlamaktadır. Sonuç olarak bu tez, yangın tahmin süreçlerine yönelik makine öğrenmesi tabanlı yaklaşımıyla yerel yönetimlerin müdahale stratejilerine bilimsel bir temel sunmakta; özellikle kaynak planlaması, risk yönetimi ve erken uyarı sistemlerinin geliştirilmesine destek olmaktadır. İleride yapılacak çalışmalarda, farklı coğrafi bölgelerin verileriyle desteklenmiş ve sınıf dengesi sağlanmış veri kümeleriyle modelin genellenebilirliğinin artırılması önerilmektedir.