AI Summary & Key Takeaways
AI InsightThe model was trained using the Random Forest algorithm, a supervised learning method, and achieved an overall accuracy of 98.88% on the test dataset.
📌 3 Key Takeaways
Abstract
Global climate change and increasing anthropogenic pressures are steadily elevating the risk of forest fires in Türkiye, which is located in the Mediterranean basin. The limitations of traditional risk analysis methods in monitoring dynamic environmental processes have necessitated the use of artificial intelligence based approaches. The aim of this study is to develop a forest fire susceptibility model for Türkiye by integrating Machine Learning algorithms with Geographic Information Systems (GIS). Within the scope of the study, variables such as temperature, wind speed, precipitation, forest density, and distance to settlements and water resources (lakes, dams, and rivers) were analyzed. The model was trained using the Random Forest algorithm, a supervised learning method, and achieved an overall accuracy of 98.88% on the test dataset. Feature importance analysis revealed that the most influential factor affecting fire risk was proximity to lakes and water resources with a weight of 24.72%, followed by temperature with 20.69%. Spatial analyses (Zonal Statistics) conducted on the produced risk map indicate that forest fire risk is particularly concentrated. The model was built over the entire land surface of Türkiye without applying a forest mask, and its output represents fire susceptibility based on long-term environmental conditions rather than fire behaviour (rate of spread or intensity). Because of the imbalanced target variable, model performance is interpreted through precision (78%), recall (67%) and F1 (0.72) rather than overall accuracy. Owing to the 500 m resolution, the resulting map is intended for national and regional prioritisation.
Özet
Küresel iklim değişikliği ve antropojenik baskılar, Akdeniz havzasında yer alan Türkiye’de orman yangını riskini her geçen gün artırmaktadır. Geleneksel risk analiz yöntemlerinin dinamik süreçleri takip etmede yetersiz kalması, yapay zekâ tabanlı yeni yaklaşımları zorunlu kılmıştır. Bu çalışmanın amacı, Makine Öğrenmesi (Machine Learning) algoritmaları ve Coğrafi Bilgi Sistemleri (CBS) entegrasyonu kullanılarak Türkiye geneli için orman yangını duyarlılığını (yangın çıkma eğilimini) tahmin eden bir model geliştirmektir. Çalışma kapsamında sıcaklık, rüzgâr hızı, yağış, orman yoğunluğu, yerleşim yerleri ve su kaynaklarına (göl, baraj, akarsu) mesafe verileri analiz edilmiştir. Denetimli öğrenme yöntemlerinden Random Forest algoritması kullanılarak eğitilen model, test veri seti üzerinde %98.88 genel doğruluk oranına ulaşmıştır. Öznitelik önem analizi, modelin tahminine en çok katkı sağlayan değişkenin %24.72 ile su kaynaklarına uzaklık, ikinci sırada ise %20.69 ile sıcaklık olduğunu göstermiştir; bu değerler tahmin katkısını ifade etmekte olup nedensel bir ilişki anlamına gelmemektedir. Ayrıca yerleşim alanlarına yakınlık, insan kaynaklı riskleri artıran önemli bir parametre olarak öne çıkmaktadır. Üretilen risk haritası üzerinde yapılan bölgesel istatistik analizi (Zonal Statistics), Türkiye’de yangın riskinin özellikle Güneydoğu Anadolu Bölgesi’nde yoğunlaştığını göstermiştir. İl bazlı risk sıralamasında Batman (%71.20), Mardin (%62.76) ve Şırnak (%60.14) en yüksek riske sahip iller olarak belirlenirken; batı bölgelerinde İzmir (%48.39) kritik risk merkezi olarak öne çıkmıştır. Bu çalışma, yangın öncesi planlama ve erken uyarı sistemleri için sayısal ve mekansal bir karar destek mekanizması sunmaktadır. Model, orman maskesi uygulanmaksızın tüm Türkiye kara yüzeyi üzerinde kurulmuş olup çıktı; yangın davranışını (yayılma hızı veya şiddet) değil, uzun dönem çevresel koşullara dayalı yangın duyarlılığını temsil etmektedir. Hedef değişkenin dengesiz dağılımı nedeniyle model başarısı, genel doğruluk yerine kesinlik (%78), duyarlılık (%67) ve F1 (0.72) değerleri üzerinden yorumlanmıştır. Üretilen harita 500 m çözünürlüğü nedeniyle ulusal ve bölgesel önceliklendirme amaçlıdır.