Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDeprem öncesi ve sonrası görüntülerin piksel düzeyinde karşılaştırılması sonucunda, incelenen alt bölgelerde %89’a kadar ulaşan ve bazı lokal alanlarda daha yüksek oranlara varan yeşil alan azalışları gözlemlenmiştir.
📌 3 Maddede Bu Makale
Özet
Büyük ölçekli depremler sonrasında gerçekleştirilen hızlı yeniden yapılanma süreçleri, kentsel ekosistemlerde önemli mekânsal dönüşümlere yol açmakta ve özellikle kent içi yeşil alanlar üzerinde belirgin etkiler oluşturmaktadır. Bu çalışma, 2023 Kahramanmaraş depremleri sonrasında Hatay (Antakya) ve Elazığ (Güneykent) bölgelerinde meydana gelen kentsel yeşil alan değişimlerini yüksek çözünürlüklü uydu görüntüleri ve optimize edilmiş derin öğrenme tabanlı anlamsal segmentasyon yaklaşımı kullanarak nicel olarak değerlendirmektedir. Çalışmada, parametre verimliliğini artırmak ve geniş bağlamsal bilgiyi korumak amacıyla asimetrik ve genişletilmiş (dilated) evrişim katmanları içeren geliştirilmiş bir U-Net mimarisi tasarlanmıştır. Yaklaşık 1.7 milyon parametreye sahip olan önerilen model, %88 doğruluk, 0.76 IoU ve 0.86 Dice skoru elde etmiş; daha yüksek parametre sayısına sahip çağdaş segmentasyon modelleriyle karşılaştırıldığında rekabetçi performans göstermiştir. Deprem öncesi ve sonrası görüntülerin piksel düzeyinde karşılaştırılması sonucunda, incelenen alt bölgelerde %89’a kadar ulaşan ve bazı lokal alanlarda daha yüksek oranlara varan yeşil alan azalışları gözlemlenmiştir. Bulgular, afet sonrası yoğun yapılaşma ve kentsel yeniden düzenleme süreçlerinin çevresel sürdürülebilirlik üzerinde anlamlı bir baskı oluşturabileceğini göstermektedir. Önerilen yöntem, afet sonrası çevresel değişimlerin izlenmesi ve sürdürülebilir kentsel planlama stratejilerinin geliştirilmesi için hesaplama açısından verimli ve ölçeklenebilir bir karar destek çerçevesi sunmaktadır.
Abstract
Large-scale earthquakes and the rapid reconstruction processes that follow lead to significant spatial transformations in urban ecosystems, particularly exerting pronounced impacts on intra-urban green spaces. This study quantitatively evaluates changes in urban green areas that occurred after the 2023 Kahramanmaraş earthquakes in Hatay (Antakya) and Elazığ (Güneykent) by utilizing high-resolution satellite imagery and an optimized deep learning–based semantic segmentation approach. In the proposed framework, an enhanced U-Net architecture incorporating asymmetric and dilated convolutional layers was designed to improve parameter efficiency while preserving extensive contextual information. The proposed model, comprising approximately 1.7 million parameters, achieved 88% accuracy, 0.76 Intersection over Union (IoU), and a 0.86 Dice score, demonstrating competitive performance compared to contemporary segmentation models with substantially higher parameter counts. Pixel-level comparison of pre- and post-earthquake imagery revealed reductions in green space reaching up to 89% in the examined sub-regions, with even higher rates observed in certain localized areas. The findings indicate that intensive post-disaster construction and urban reorganization processes may impose substantial pressure on environmental sustainability. The proposed method provides a computationally efficient and scalable decision-support framework for monitoring post-disaster environmental changes and developing sustainable urban planning strategies.