Makine öğrenmesi ve görüntü işleme yöntemleriyle orman yangını erken uyarı ve risk analizi: Çevresel verilerin entegrasyonu

Dünyadaki iklim değişikliği sebebiyle günden güne etkisi ve zararı artan orman yangınlarına karşı güncel teknolojik altyapılar kullanılarak daha hızlı ve etkili müdahaleler geliştirilmesi gerekmektedir. Bu tez çalışmasında ülkemizdeki orman yangını riski taşıyan bölgelerden bir tanesi seçilmiş olup bu bölgede meteorolojiden gelen anlık değerleri ve uydudan alınan görüntüleri kullanarak son kullanıcıyı bilgilendiren yapay zeka tabanlı, pilot bir orman yangını erken uyarı sistemi geliştirilmiştir. İlgili bölgeden alınan görüntüler ızgara(grid) sistemi ile küçük ve eş parçalara ayrılmış ve her birisi için ayrı ayrı risk durumu tespit edilmiştir. Sistemin karar mekanizması oluşturulurken farklı makine öğrenme algoritmaları mukayese edilmiş ve sistem üzerinde test edilmiştir. Yapılan test sonuçları, ağaç tabanlı makine öğrenmesi algoritmalarının en doğru sonuçları ürettiği yönündedir. Karar Ağacı algoritmasının işleyişinin oldukça şeffaf olması ve hızlı sonuç üretebilme yeteneği nedeniyle bu algoritma, sistemin ana karar vericisi olarak seçilmiştir. Tasarlanan sistemin oldukça hassas olan afet yönetim sürecinde, yanlış-negatif(FN) hataları yapmadığı test edilerek doğrulanmıştır. Sistem tarafından risk seviyesine dair üretilen skorlar ve diğer önemli veriler (rüzgar yönü gibi) son kullanıcıya bir harita üzerinde sunulmuş ve sistem görsel hale getirilmiştir. Dolayısıyla bu tez çalışması ve sonucunda üretilen proje, geleneksel yangın müdahale sistemlerine kıyasla çok daha hızlı ve efektif sonuç üretebilmekte ve son kullanıcıyı bilgilendirebilmektedir.

Due to climate change, the impact and damage of forest fires are increasing day by day, necessitating the development of faster and more effective interventions using up-to-date technological infrastructures. In this thesis, one of the regions in our country with a high risk of forest fires was selected, and an AI-based pilot forest fire early warning system was developed to inform the end-user using real-time meteorological data and satellite imagery. The images from the relevant region were divided into small, equal parts using a grid system, and the risk status was determined separately for each part. Different machine learning algorithms were compared and tested on the system while creating the decision mechanism. The test results indicate that tree-based machine learning algorithms produce the most accurate results. Due to its highly transparent operation and ability to produce results quickly, this algorithm was chosen as the main decision-maker of the system. The designed system was tested and verified to avoid false-negative (FN) errors in the highly sensitive disaster management process. The scores generated by the system regarding the risk level and other important data (such as wind direction) are presented to the end-user on a map, making the system visually appealing. Therefore, this thesis and the resulting project are able to produce much faster and more effective results and inform the end user compared to traditional fire response systems.