Makine öğrenmesinde istatistiksel veriler kullanılarak maruziyetin belirlenmesi: Sakarya ölçeğinde bir çalışma

Afet yönetimi döngüsünde, afet öncesi acil müdahale ve yardım hazırlıklarının tamamlanması ve finansal yönden yatırım yapılması insani ve maddi kayıp yaşanmasını minimize etmek için oldukça önemlidir. Bu nedenle afet döngüsünün ilk fazı olan hazırlık fazının etkin bir şekilde tamamlanması için afet öncesi dönemde olası kayıp analizlerinin yapılmasına ve bu doğrultuda önlemler alınmasına ihtiyaç duyulmaktadır. Kayıp analizleri için yapılan çalışmalar üç temel bileşen üzerine kurulur bunlar; tehlike, maruziyet ve kırılganlık bileşenleridir. Kayıp bileşenleri arasında en fazla zamana ve insan gücüne ihtiyaç duyulan aşama, tehlikeye maruz kalacak değerlerin karakterizasyonun yapılıp mekânsal dağılımlarının belirlenmesi olarak tanımlan maruziyetin belirlenmesi aşamasıdır. Mevcut maruziyet modellerinin barındırdığı en büyük belirsizliklerden biri veri eksikliği nedeniyle mekânsal dağılım için kullanılan çözünürlüğün kaba olmasıdır. Bir diğer bilgi yetersizliğinden kaynaklanan belirsizlik ise veri setlerindeki bina fiziksel özelliklerin eksikliğidir. Ulusal düzeyde oluşturulacak maruziyet modelleri için ilk başvurulan veri kaynağı ülkenin merkezi istatistik bürosu tarafından toplanan yapı izin istatistikleri ve nüfus sayımları içinde toplanan ek bilgilerdir. Ancak veriler her ulus için yeterli sayıda veya detayda bilgi içermeyebilir. Bunun için modellerin çözünürlüklerinde ve bilgi seviyelerinde belirsizlikler oluşmakta ve ek bilgilere ihtiyaç duyulmaktadır. Bu tez kapsamında ise çeşitli veri setleri, istatistiksel özetler, uzman görüşleri, istatistiksel dağılımlar ve makine öğrenmesi algoritmaları kullanılarak tüm Türkiye için genelleştirilmiş bir bina maruziyet modeli oluşturulmuştur. Geliştirilen bina maruziyet modeli üç ana veri setine dayanmaktadır. İlk veri seti Sakarya Büyük Şehir Belediyesi (SBB) ve Afet ve Acil Durum Yönetimi Başkanlığı (AFAD) tarafından yürütülen, kentsel dönüşüm çalışmalarında kullanılması için Sakarya il sınırları içerisinde bulunan bina başına fiziksel özellikler, kullanım amacı, doluluk durumları ile ilgili bilgiler içermektedir. Bu veri setinde binaların sismik tehlikelere karşı kırılganlıklarında önemli bir faktör olan planda düzensizlik, yumuşak kat düzensizliği ve yapı nizamı gibi makine öğrenmesinde etiket olarak kullanılabilecek özellikler de bulunmaktadır. Bu özellikler dışında kat sayısı, bağımsız bölüm sayısı, taşıyıcı sistem türleri, yığma binalar için dolgu duvar türleri ve ruhsat tarihi gibi önemli özellikler de bulunmaktadır. İkinci ana veri olarak ise Türkiye İstatistik Kurumu (TÜİK) tarafından toplanmış Türkiye sınırları içerisinde bulunan ilçelere ait 1992-2023 arasında inşa edilen binaların izin istatistikleri bulunmaktadır. Bu veri setinde Avrupa Birliği tarafından ortak standartlıların oluşturulması için önerilen bina sınıflandırması kullanılmış ve özellikler bu sınıflarda toplanılmıştır. İzin istatistiklerinde SBB'ye benzer bir şekilde binaların kullanım amaçları, yapısal sınıfları, kat adeti, daire sayısı gibi fiziksel özellikler bulunmaktadır. SBB verisinden farklı olarak daha özet niteliğinde bina fiziksel özelliklerini tüm Türkiye genelinde sunmaktadır. Son olarak kullanılan ana veri ise Avrupa Çevre Ajansı ile yürütülen Türkiye'nin de içinde üye xviii ülke olarak bulunduğu, uydu görüntüleri ile arazi örtülerinin belirlendiği CORİNE 2018 yapay alan örtüsüdür. Bu veri setinde ilçe düzeyinde yerleşim alanlarının poligonları bulunmaktadır. Tez kapsamında ilk iki veri seti bina karakterizasyonu için, üçüncü veri seti ise binaların uzaysal dağılımı için kullanılmıştır. SBB veri seti her ne kadar detaylı özellik uzayına sahip olsa da hem veri seti içerisinde boş hücrelerinin bulunması hem de sadece belli bir bölgeye ait stok bilgisini içerdiği için kullanılmadan önce belirli istatistiksel işlemler ve dönüşümler gerçekleştirilmiştir. TÜİK veri seti ise SBB verisinin detay seviyesinden yoksun olmasına rağmen SBB verisine nazaran temsil ettiği zaman aralığında tüm ilçelerdeki bina özelliklerini içermektedir. TÜİK veri setindeki en büyük eksiklik binalardaki doluluk oranları ile 1992 öncesi inşa edilmiş bina bilgisinden tamamen yoksun olmasıdır. Tez kapsamında bu iki veri seti birbirinin eksikliklerini kapatacak şekilde ortak bir bina karakterizasyon taksonomisi kullanılarak birleştirilmiş ve eksik bilgiler bu tam veri içerisinde istatistiksel yöntem ve dağılımlar ile tamamlanmıştır. Eksik veriler için K-en yakın komşu algoritması (KNN) ve inşa yıl dağılımları için ise beta dağılımları kullanıldı. İller için tam bina sayılıları Doğal Afet Sigortaları Kurumu (DASK) tarafından yayımlanan interaktif deprem haritası üzerindeki veriler kullanıldı. Yapı izin verisindeki inşa yılı 1992 öncesi eksik binalar, SBB verisindeki 1992 öncesi bina özellik dağılımları ve yapı izin verisi içerisindeki 1992-1999 inşa yıllarına sahip binalar ile tamamlandı. TÜİK verisi içerisinde bir binada yaşayan sayısını bulmak için yine TÜİK'te paylaşılan ilçe düzeyinde Adrese Dayalı Nüfus Kayıt Sistemi (ADNKS) sonuçları kullanıldı. İlçe nüfusları, daire oranlarına göre ve TÜİK tarafından yayımlanan Bina Nitelik ve Konut Araştırması (BKNA) özet istatistiklerindeki inşa yılına göre hane halkı oranları kullanılarak elde edildi. Son olarak her bina için yeniden inşa maliyetleri Çevre, Şehircilik ve İklim Değişikliği Bakanlığı tarafından Resmî Gazete üzerinde yayınlanmış mimarlık ve mühendislik hizmet bedelleri hesabında kullanılacak yapı yaklaşık birim maliyetleri kullanılarak her binanın kullanım türü ve yüzölçümleri ile hesaplandı. Türkiye için oluşturulan bu tam veri setinde 11,409,354 bina hesaplandı ve bu binaların yeniden inşası için 2.5 Trilyon $ yeniden inşa maliyeti elde edilmiştir. Maruziyet modellerindeki bina kırılganlıklarının daha hassas elde edilebilmesi için mevcut verilerdeki kırılganlığa etki edebilecek özelliklerin kullanılması gerekmektedir. Tez kapsamında ise SBB verisinde bulunan fakat TÜİK verisi içerisinde bulunmayan üç adet bina düzensizliklerinin tahminini gerçekleştiren makine öğrenmesi modelleri eğitilmiştir. Algoritma olarak Random Forest Classification kullanılmış, tahmin etiketleri için SBB verisi içerisindeki "Planda Düzensizlik", "Yumuşak Kat" ve "Yapı Nizamı" özellikleri kullanılmıştır. SBB verisi içinde doğrulaması gerçekleştirilen modellerin doğruluk oranları Planda Düzensizlik etiketi için %80.36, Yumuşak Kat Etiketi için %85.73 ve Yapı Nizamı için ise %71.93 olarak elde edilmiştir. Daha sonra bu modeller ile tüm veri üzerinde tahmin sonuçları elde edilip maruziyet modeli içine eklenmiştir. Son olarak oluşturulan veri setinin bölgesel dağılımları için binanın bulunduğu ilçe koordinatları elde edilmiştir. Literatürde maruziyet modellerinin mekânsal dağılımların model belirsizliği üzerindeki büyük bir etkisi olduğu kanıtlanmıştır. Bu nedenle ilçelerde bulunan tüm binaları tek bir nokta üzerinde temsil edilmesi modelin belirsizliğini artıracağı için uygun yöntemlerle binaların bölgesel dağılımları yapılmıştır. Bu tez kapsamında binaların mekânsal dağılımları için CORINE veri seti üzerinde tanımlanmış yapay alan örtüleri kullanılmıştır. İlçe koordinatlarına en yakın xix yapay örtüler hesaplanıp bu örtü üzerine binalar homojen olarak dağıtılmıştır. Son olarak tüm veri Türkiye haritası üzerine dağılımlarıyla birlikte eklenmiştir.