KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Süs ve Tıbbi Bitkiler Botanik Bahçesi Dergisi / 2026 / Cilt: 5 Sayı: 1

Görsel Peyzaj Kalitesinin Değerlendirilmesinde Yapay Zeka ve Uzman Görüşlerinin Karşılaştırmalı Analizi

A Comparative Analysis of Artificial Intelligence and Expert Opinions in the Assessment of Visual Landscape Quality

Feyzanur Aktürk(Düzce University)
Haldun Müderrisoğlu(Düzce University)
Sayfa
1–7
Yayın Tarihi
2026-06-29
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

İstatistiksel analizler, YZ ve uzman puanları arasında tüm kriterlerde güçlü bir pozitif korelasyon (r > 0,75) olduğunu ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, görsel peyzaj kalitesinin (GPK) değerlendirilmesinde yapay zeka (YZ) tabanlı sistemlerin konunun uzmanların yaptığı değerlendirmelerle olan tutarlılığını araştırmaktadır.
📊
Temel Bulgular & Veri:GPK değerlendirme yöntemi, peyzaj estetiği literatüründe yaygın olarak kullanılan dokuz ana kriter (doğallık, uyum, bakım, tutarlılık, hafızada kalma, tarihsellik, mevsimsellik, görsel ölçek ve bozulma) temel alınarak yapılandırılmıştır.
💡
Sonuç & Katkı:İstatistiksel analizler, YZ ve uzman puanları arasında tüm kriterlerde güçlü bir pozitif korelasyon (r > 0,75) olduğunu ortaya koymuştur.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görsel peyzaj kalitesi · Yapay zeka · ChatGPT

Özet

Bu çalışma, görsel peyzaj kalitesinin (GPK) değerlendirilmesinde yapay zeka (YZ) tabanlı sistemlerin konunun uzmanların yaptığı değerlendirmelerle olan tutarlılığını araştırmaktadır. GPK değerlendirme yöntemi, peyzaj estetiği literatüründe yaygın olarak kullanılan dokuz ana kriter (doğallık, uyum, bakım, tutarlılık, hafızada kalma, tarihsellik, mevsimsellik, görsel ölçek ve bozulma) temel alınarak yapılandırılmıştır. Örnek alan olarak Düzce Üniversitesi kampüsü ve çevresinden çekilen 10 manzara fotoğrafı, 10 uzman katılımcı ve ChatGPT (GPT-4) kullanılarak "uzman peyzaj mimarı" rolüyle yapılandırılmış ve Google AI Studio ortamında oluşturulan dijital bir platform aracılığı ile puanlandırılmıştır. İstatistiksel analizler, YZ ve uzman puanları arasında tüm kriterlerde güçlü bir pozitif korelasyon (r > 0,75) olduğunu ortaya koymuştur. En yüksek uyum "Tutarlılık" (r = 0,987) ve "Bozulma" (r = 0,973) kriterlerinde saptanırken, "Tarihsellik" (r = 0,753) kriterinde daha düşük bir uyum gözlemlenmiştir. Sonuç olarak, YZ’nin biçimsel ve mekânsal düzeni algılamada uzmanlarla yüksek tutarlılık sergilediğini, diğer taraftan kültürel ve deneyimsel kriterlerde uzman yorumuna ihtiyaç duyduğunu göstermektedir. Bu sonuçlarda, yapay zekanın peyzaj mimarlığında hızlı ve tutarlı bir karar destek sistemi potansiyeli taşıdığı göstermektedir.

Abstract

This study investigates the consistency of artificial intelligence (AI)-based systems with expert evaluations in the assessment of visual landscape quality (VLQ). The VLQ evaluation method is structured based on nine main criteria widely used in landscape aesthetics literature (naturalness, harmony, maintenance, consistency, memorability, historicity, seasonality, visual scale, and degradation). Ten landscape photographs taken from the Düzce University campus and its surroundings were used as the sample area. These were evaluated by 10 expert participants and ChatGPT (GPT-4), which was configured to act as an “expert landscape architect,” and scored via a digital platform created in the Google AI Studio environment. Statistical analyses revealed a strong positive correlation (r > 0.75) between AI and expert scores across all criteria. The highest agreement was observed in the “Consistency” (r = 0.987) and ‘Distortion’ (r = 0.973) criteria, while a lower agreement was noted in the “Historicity” (r = 0.753) criterion. In conclusion, the results indicate that AI demonstrates high consistency with experts in perceiving formal and spatial order, while requiring expert interpretation for cultural and experiential criteria. These findings suggest that artificial intelligence holds the potential to serve as a fast and consistent decision-support system in landscape architecture.

🔖

Bu Makaleye Atıf Yap

Aktürk, F., Müderrisoğlu, H. (2026). Görsel Peyzaj Kalitesinin Değerlendirilmesinde Yapay Zeka ve Uzman Görüşlerinin Karşılaştırmalı Analizi. Düzce Üniversitesi Süs ve Tıbbi Bitkiler Botanik Bahçesi Dergisi, Cilt: 5 Sayı: 1, 1–7. https://ajindex.com/articles/1644919

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Billson, J. M. (1989). Focus groups: A practical guide for applied research. Clinical Sociology Review, 7(1), 232–235.
  2. Campo-Ruiz, I. (2025). Artificial intelligence may affect diversity: Architecture and cultural context reflected through ChatGPT, Midjourney, and Google Maps. Humanities and Social Sciences Communications, 12, Article 24. https://doi.org/10.1057/s41599-024-03968-5
  3. Daniel, T. C. (2001). Whither scenic beauty? Visual landscape quality assessment in the 21st century. Landscape and Urban Planning, 54(1–4), 267–281. https://doi.org/10.1016/S0169-2046(01)00141-4
  4. Ecarnot, F., Seronde, M.-F., Chopard, R., Schiele, F., & Meneveau, N. (2015). Writing a scientific article: A step-by-step guide for beginners. European Geriatric Medicine, 6(6), 573–579. https://doi.org/10.1016/j.eurger.2015.08.005
  5. Gao, Z., Wu, C., Li, N., Wang, P., & Li, J. (2024). Visual aesthetic quality of Qianjiangyuan National Park landscapes and its spatial pattern characteristics. Forests, 15(8), Article 1289. https://doi.org/10.3390/f15081289
  6. Lyu, M., Lin, J., Zhou, F., Niu, J., Sun, D., Meng, Y., & Ji, X. (2024). A method for evaluating the visual quality of wetland park landscapes: A case study of Qianlu Lake Wetland Park in Wuping, China. Environmental Research Communications, 6(10), Article 105024. https://doi.org/10.1088/2515-7620/ad85c7
  7. Ode, Å., Tveit, M. S., & Fry, G. (2008). Capturing landscape visual character using indicators: Touching base with landscape aesthetic theory. Landscape Research, 33(1), 89-117. https://doi.org/10.1080/01426390701773854
  8. Sakirin, T., & Kusuma, S. (2023). A survey of generative artificial ıntelligence techniques. Babylonian Journal of Artificial Intelligence, 2023, 10–14. https://doi.org/10.58496/bjai/2023/003
  9. Suiçmez, İ., Altinay, F., Dağlı, G., Zeng, H., Shadiev, R., İşlek, D., İpek, D., & Altinay, Z. (2025). Artificial intelligence application for museum to experiential transformation of cultural heritage and learning. Smart Learning Environments, 12, Article 45. https://doi.org/10.1186/s40561-025-00404-2
  10. Tveit, M., Ode, Å., & Fry, G. (2006). Key concepts in a framework for analysing visual landscape character. Landscape Research, 31(3), 229-255. https://doi.org/10.1080/01426390600783269
  11. Wang, R., Zhao, J., Meitner, M. J., Hu, Y., & Xu, X. (2019). Characteristics of urban green spaces in relation to aesthetic preference and stress recovery. Urban Forestry & Urban Greening, 41, 6–13. https://doi.org/10.1016/j.ufug.2019.03.005
  12. Xu, X., Dong, R., Li, Z., Jiang, Y., & Genovese, P. V. (2024). Research on visual experience evaluation of fortress heritage landscape by integrating SBE–SD method and eye movement analysis. Heritage Science, 12, Article 218. https://doi.org/10.1186/s40494-024-01397-w
  13. Zhao, X., Lu, Y., & Lin, G. (2024). An integrated deep learning approach for assessing the visual qualities of built environments utilizing street view images. Engineering Applications of Artificial Intelligence, 130, Article 107805. https://doi.org/10.1016/j.engappai.2023.107805