Uzaktan algılama ve derin öğrenme teknikleri ile kentsel büyüme tahmini

Abstract

Kentleşmenin hızlanmasıyla birlikte ortaya çıkan karmaşık büyüme süreçlerini anlamak amacıyla bu araştırma, kentsel büyüme modellerinin kuramsal ve yöntemsel evrimini mercek altına almaktadır. 1900'lerde Burgess ve Hoyt'un geliştirdiği geleneksel çerçevelerden başlayarak; 1950–1980 arasında regresyon, yer çekimi, Markov zinciri ve sistem dinamikleri gibi matematiksel/sibernetik tekniklere; 1980–2000 döneminde kaos teorisi, fraktal kentler ve Hücresel Otomat (HO) tabanlı simülasyonlara; 2000'ler sonrasında ise gelişmiş modelleme, hibrit yaklaşımlar ve ileri düzey yapay zekâ algoritmalarını kullanan sistemlere uzanan geniş bir yelpaze sistematik biçimde tartışılmıştır. Bu tarihsel anlatım "yeni paradigmalar" arayışıyla ilişkilendirilerek, yöntemsel çeşitliliğin zorunluluğu ortaya konmuştur. Çalışmada, kentlerin gelecekteki büyüme dinamiklerini öngörmeye yönelik hesaplamalı bir yöntem önerilmektedir. Literatürde yaygın biçimde kullanılan Hücresel Otamata tabanlı kent gelişim modellerinin kentsel makroformun dinamik yapısını açıklamadaki sınırlılıkları ele alınmış; kentsel dokuyu simüle etmeye yönelik alternatif bir yaklaşım olarak Evrişimsel Sinir Ağı (CNN) temelli bir modelin uygulanabilirliği test edilmiştir. Model geliştirme ve genellenebilirlik sınamaları için, geniş yüzölçümü ve heterojen arazi özellikleri nedeniyle Konya ili seçilmiştir. Çalışmada kullanılan yöntem, mekânsal istatistik, uzaktan algılama ve makine öğrenmesini birleştirip; geçmiş yıllara ait uydu görüntülerinden türetilen çok katmanlı verilerin zamansal değişimini izleyen zaman serisi yöntemini kullanır. Veri setleri büyük ölçüde çevrimiçi platformlardan elde edilen raster ve vektör verilerden oluşturulmuştur. Önerilen hibrit derin öğrenme mimarisi "ConvEncoder > TemporalTransformer > ConvDecoder + CBAM Spatial Attention" akışına dayanmaktadır. Bu yapı, çok kanallı mekânsal temsillerden özellik çıkarımını, uzun dönemli zamansal ilişkilerin modellenmesini ve piksel düzeyinde yapılaşma olasılığı çıkartılmasını gerçekleştirmektedir. Sonuç olarak tez, kapsamlı bir literatür sentezini derin öğrenme temelli ampirik bir uygulamayla birleştirerek, kentsel büyüme sınırlarının belirlenmesinde veri odaklı, zamansal duyarlılığa sahip ve metodolojik açıdan yenilikçi bir çerçeve önermektedir.