Optimize Edilmiş Derin Öğrenme Tabanlı Semantik Bölümleme Çerçevesi Kullanarak Deprem Sonrası Kentsel Yeşil Alan Kaybının Nicel Olarak Belirlenmesi

Abstract

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.