-25 ekim 2019, ankara. yapay sinir ağları ile kentsel İklim … · 2020-01-23 · yapay sinir...
TRANSCRIPT
TMMOB 6. Coğrafi Bilgi Sistemleri Kongresi, 23-25 Ekim 2019, Ankara.
* Sorumlu Yazar: Tel: (0242) 2274400 Faks: (0242) 2275540
E-posta: [email protected] (Derya Işık), [email protected] (Çağdaş Kuşçu Şimşek)
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu Derya Işık1, *, Çağdaş Kuşçu Şimşek2
1Akdeniz Üniversitesi, Fen Fakültesi, Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bölümü, 07070, Antalya. 2Akdeniz Üniversitesi, Fen Fakültesi, Uzay Bilimleri ve Teknolojileri / Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı, 07070, Antalya.
Özet Son yıllarda artan nüfusu, kentleşmesi ve ormanlık alanların azalması ile birlikte İstanbul’un arazi yüzeyindeki değişimler, somut
olarak gözlenmeye başlanmıştır. Yüzeyde yaşanan bu değişimler ise kentsel iklim değişimlerine neden olmaktadır.
Bu çalışmada İstanbul’un kuzeye doğru genişlemesinde önemli rol oynayacağı düşünülen 3. Köprünün, mezo ölçekte meydana
getireceği iklimsel değişiklik, yapay sinir ağları (YSA) ile yapılan simülasyonla tahmin edilmeye çalışılmıştır. YSA ile kentsel iklim
simülasyonunun yapılma aşamasında 2010 ve 2011 yıllarına ait örnek veri setleri kullanılarak 2017 yılının yüzey sıcaklığı tahmini
yapılmıştır. Çalışmada verilerin elde edilmesinde uzaktan algılama ve coğrafi bilgi sistemleri (CBS) tekniklerinden yararlanılmıştır.
Normalize edilmiş bitki örtüsü indeksi (NDVI) ve emissivite verileri uzaktan algılama yöntemleri ile elde edilirken, yola, ormana ve
deniz kıyısına olan uzaklık verileri CBS ile elde edilmiştir. Uzaktan algılama ile verilerin elde edilmesinde landsat 7 ve landsat 8 uydu
görüntüleri kullanılmıştır. Yapılmış olan iklim simülasyonu sonucunda 2017 yılına ait tahmini yüzey sıcaklığı görüntüsü elde edilmiştir.
Son aşamada ise, elde edilmiş olan simülasyon görüntüsü ile orijinal yüzey sıcaklığı görüntüsü arasındaki korelasyona bakılarak
simülasyonun başarısı istatistiksel olarak test edilmiştir. Böylece yapılan bu çalışma ile kentlerde yapılması planlanan projelerin,
kentsel iklimde yaratacağı değişimlerin, yapay sinir ağları ile tahmin edilebileceği ortaya konulmuştur. Ayrıca, bu çalışma ile kentsel
iklim üzerinde olumsuz etkileri olacak projelere karşı önlem alınmasının mümkün olacağı vurgulanmıştır.
Anahtar Sözcükler
Kentsel İklim, Sürdürülebilir Kentler, İklim Değişikliği, Yapay Sinir Ağları (YSA), Uzaktan Algılama, CBS
Abstract In recent years, increased population, urbanization and deterioration of forest areas together with the land-use changes are observed
concretely. These changes which occur in surface, causes the urban climate changes. In this study, the climatic change of the 3rd
Bridge, which is thought to play an important role in the expansion of Istanbul towards the north, is estimated by simulation with
artificial neural networks (ANN). The surface temperature estimation for 2017 was made by using sample data sets for 2010 and 2011
during the stage of urban climate simulation with ANN. In the study, remote sensing and geographical information systems (GIS)
techniques were used to obtain the data. While the normalized vegetation index (NDVI) and emissivity data were obtained by remote
sensing methods, the distances to the road/forest/seashore data were obtained by GIS. The data obtained from the GIS are the distances
to the road, forest and coast. Landsat 7 and Landsat 8 satellite images were used to obtain the data by remote sensing. As a result of
the climate simulation, the estimated surface temperature of 2017 was obtained. In the last stage, the success of the simulation was
statistically tested by controlling the correlation between the obtained simulation image and the original surface temperature image.
By the result of this study, it was revealed that the changes that will be created in urban climate by the projects planned to be made in
cities can be predicted by artificial neural networks. Furthermore, by this study, it was emphasized that it will be possible to take
precautions against projects which will have negative impacts on the urban climate.
Key Words
Urban Climate, Sustainable Cities, Climate Change, Artificial Neural Networks (ANN), Remote Sensing, GIS
1. Giriş 19. yüzyılın sonlarından bu yana izlenmekte olan küresel ısınma problemi, günümüz dünyasının ve kentlerinin en önemli
problemleri arasında yer almaktadır. Bu problemlerin en önemli sebepleri arasında, artan insan nüfusu ve bu artışın bir
getirisi olarak artan antropojenik etkiler görülmektedir (Chen vd., 2006; Owen vd., 1998).
Dünya üzerindeki küresel ekonomik ilişkilerin değişimine bağlı olarak kentlerin önemi giderek artmakta, artan dünya
nüfusu kentlerde yığılma eğilimi göstermektedir. 1800’lerde dünya nüfusunun %3’ü kentlerde yaşamaktayken
(ECOSOC, 2011), bugün dünya nüfusunun %55’i kentlerde yaşamaktadır ve 2050’de bu oranın %68’e ulaşması
beklenmektedir (UN, 2018). Nüfusa paralel olarak artan kentleşme ise birçok çevresel problemi, dolaylı olarak da sağlık
problemini beraberinde getirmektedir. Bu problemlerin başlıca örnekleri olarak artan sera gazı salınımları, kentsel atıklar,
hava kirliliği, su kirliliği, gürültü kirliliği, ışık kirliliği,,. vb. sayılmaktadır. Ancak bunlara ek olarak ülkemizde henüz
yeni yeni gündeme gelmekte olan ve hala etkilerine dair yeterli envanteri bulunmayan “kentsel iklim değişikliği” önemli
bir kentsel problem olarak ön plana çıkmaktadır. Kentsel iklim, kentlerin de barındırdığı birçok parametreye bağlı olarak
oldukça karmaşık bir yapı sergilemektedir (Yang, vd., 2019; Bai, vd., 2018; Garuma, 2018; Gaur, vd., 2018; Ng ve Ren,
2018). Kentsel alanlardaki genişlemeler; doğal arazi örtüsünün, beton ya da metal gibi geçirimsiz malzemeler ile yer
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
değişitirmesine neden olmaktadır. Bunun sonucu olarak yüzey enerji dengesinde bozulmalar meydana gelmekte ve yüzey
ısısında artış oluşmaktadır (Stull, 2012).
İnsan yaşamı ve yaşam kalitesi açısından göz önünde bulundurulması gereken kentsel iklim değişikliği problemi,
karmaşık yapısı gereği geniş bir bakış açısıyla ele alınması gerekmektedir. Her kent, bulunduğu coğrafi konumu,
topoğrafyası, morfolojik yapısı, yoğunluğu, taşıdığı ekolojik özellikleri ve hatta sakinlerinin yaşam biçimleri ve tüketim
alışkanlıklarına göre değişen, kendine özgü bir iklimsel karakter taşımaktadır (Kuşçu Şimşek, 2013).
Kent ve iklim değişikliği konularının arasında karşılıklı bir ilişki bulunmaktadır (Bulkeley, 2013). Kentler, sahip
oldukları nüfus fazlalığı, yoğun arazi kullanımı, doğal arazi yüzeylerin yerini alan beton gibi geçirimsiz yüzeyleri ile
kırsal alanlara göre daha yüksek yüzey sıcaklıklarının görülmesine sebep olmaktadırlar (Stull, 2012). Bu durum, özellikle
gelişmiş kentlerde daha belirgin biçimde görülmektedir (Klok vd., 2012). Kentleşmenin yoğun olduğu yerlerde meydana
gelen bu problem, ani sıcak hava dalgaları karşısında ölümcül sonuçlar doğurabilmektedir. Bunun en belirgin örnekleri
olarak Avrupa’da 2003 yılı yaz aylarında 30.000 kişinin (WHO, 2004), 2010 yılı yaz aylarında ise Avrupa ve Rusya’da
55.000 kişinin ölümüyle sonuçlanan sıcak hava dalgaları verilmektedir (Barriopedro vd., 2010).
İstanbul, 15 milyon üzerinde nüfusu ile dünyanın önemli metropol kentleri arasında yer almaktadır. Son yıllarda artan
nüfus ve kentleşmeyle birlikte doğal arazi yüzeyleri antropojenik etkilere de maruz kalarak hızla betonlaşmakta, bu durum
kentin iklimsel yapısındaki değişimleri de gündeme getirmektedir (Kuşçu Şimşek ve Şengezer, 2012). İstanbul üzerine
yapılan çalışmalar incelendiğinde; iklimsel araştırmaların daha çok makro ölçekte meteorolojik ya da daha alt ölçekte
mimari detayda olduğu aynı zamanda planlama çalışmaları için uygun ölçekte halâ yeterli sayıda ve kapsamda araştırma
olmadığı görülmektedir.
İstanbul iklimsel açıdan, genel özellikleri ile değerlendirilirse; diğer metropollerle karşılaştırıldığında, coğrafi açıdan
önemli avantajlara sahip olduğu ve bunlara bağlı olarak özgün bir iklim yapısı sergilediği görülmektedir. Üç taraftan
çevreleyen deniz, çevresindeki orman alanları ve su havzaları, boğaz ve değişken yükseltili yapısı, bu özgünlüğün ve
avantajların önemli etkenleridir.
İstanbul’un gelişimi, arazi kullanım-doğal çevre-ulaşım ilişkisiyle birlikte yorumlandığında 1973 yılında hizmete
açılan 1. Boğaz Köprüsü ve 1988 yılında hizmete açılan 2. FSM Köprüsünün de etkisiyle kuzey yönünde olmuştur
(Öktem, 2005). Bugün, İstanbul’un çeperinde bulunan orman alanları, havaalanı ve 3. Köprü projeleri ile parçalanmış, bu
projelere bağlı olarak kentin gelişme yönünün kuzeye daha fazla kaymasıyla da kalan orman alanları ve sulak alanları
tehdit altına girmiştir.
Bu çalışma ile kentsel yüzey değişimlerin, kentsel iklime olan etkisi yapay sinir ağları yardımı ile tahmin edilmeye
çalışılmış, kentsel iklim değişiminin takibinde kullanılabilecek bir yöntem olarak yapay sinir ağlarının (YSA) elverişliliği
test edilmiştir. Kentsel iklimi, içinde barındırdığı birçok parametre nedeni ile modellemek oldukça karmaşıktır. Kent
iklimini daha iyi anlamak ve kentleşmeyle birlikte olabilecek iklim değişikliğini daha iyi tahmin etmek için kent yüzeyini
ve mekânsal ilişkisini tanımlamak çok önemlidir.
Kent sisteminin sağlıklı bir şekilde ele alınıp modellenebilmesi için çağımızın getirdiği teknolojilerden yararlanmakla
birlikte disiplinler arası ortak çalışmaları da arttırmak gerekmektedir. Bu noktada, planlama çalışmalarında CBS, uzaktan
algılama ve simülasyon yöntemlerinin kullanılması çağımızın gereği olarak kaçınılmaz hale gelmiştir (Kuşçu Şimşek,
2013; Gupta, 2018). Özellikle kentsel araştırmalarda, verilerin birbirleri ile ilişkilendirilmesinde veri karmaşasının
yönetilebilmesi ve analizlerin daha kontrollü bir şekilde yapılabilmesini sağlaması nedeniyle CBS büyük kolaylık
sağlamaktadır. Ancak, kullanılan verilerin güncelliğinin ve yöntemlerin gelişmişliğinin sonuçlardan elde edilecek başarıyı
etkilediği de göz ardı edilmemelidir (Bugs vd., 2010; Özşahin ve Kaymaz, 2015).
Dünya yüzeyinin uydular aracılığı ile uzaktan algılanması, atmosferik etkilere rağmen, bölgesel ölçekte kentleşmeyle
ilişkili arazi örtüsü değişimini izlemenin en güvenli ve tutarlı yollarından biridir (Henry vd., 1989). Uzaktan algılama
teknolojisiyle düzenli olarak edinilebilir olan termal veriler, ısı adalarının tespiti ile birlikte iklimsel simülasyon
çalışmalarına da olanak tanımaktadır (Bozorgi vd., 2018). Bu çalışmada ise uzaktan algılama yöntemi kullanılarak daha
geniş bir alandan, verilerin elde edilmesine olanak sağlanmıştır.
Çalışma bölgesi olarak İstanbul’un kuzeye doğru genişlemesinde önemli rol oynayacağı düşünülen 3. Köprü bölgesi
seçilmiştir. Yoğun ormanlık alan içerisinde yer alan bölge, 3. havaalanı ve 3. Köprü projeleri ile parçalanmış; bu projelere
bağlı olarak kentin gelişme yönünün kuzeye daha fazla kaymasıyla da kalan orman alanları ve sulak alanları tehdit altına
girmiştir. Çalışmaya konu olan kuzey ormanları ve sulak alanları, terleme ve buharlaşmaya bağlı olarak kentin ikliminin
düzenlenmesinde, soğuk ada potansiyeli olarak önemli görev üstlenmektedir. Ormanların yerini alacak olan geçirimsiz
beton yüzeyler bu potansiyelin kaybolmasına neden olarak, kenti özellikle yaz aylarında aşırı sıcaklar karşısında
savunmasız hale getirmekle birlikte, kentin iklim yapısını da önemli ölçüde değiştirecektir.
Bu çalışmada, 3. köprünün inşasından önceki dönemin uydu görüntülerinden elde edilmiş veriler ile köprü inşasından
sonra o bölgede meydana gelmesi muhtemel kentsel genişleme sonucunda oluşabilecek yüzey sıcaklıkları simüle
edilmiştir.
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
2. Materyal ve Yöntem 2.1. Çalışma Alanı Çalışma alanı olarak seçilen 3. Köprü bölgesi İstanbul boğazının kuzeyinde yer almaktır, bölge ağırlıklı olarak ormanlar
ile kaplıdır. Yapılmış olan köprünün etkileriyle birlikte kuzeye doğru genişleyeceği öngörülen kentin, orman alanlarını
tahribine bağlı olarak oluşturacağı tahmin edilen iklimsel değişiklikler, bu bölge çerçevesinde ele alınmıştır. Çalışma
alanı sınırları belirlenirken, İstanbul’un kuzeyinde yer alan 3. Havaalanı’nın etkilerinin elimine edilebilmesi için çalışma
alanı köprü hattı çerçevesinde seçilmiştir (Şekil 1).
İstanbul, iklimi bakımından incelenirse üç tarafının denizlerle çevrili olması, su havzaları, boğazı, ormanlık alanları
ve değişken yükseltili yapısı ile oldukça özgün bir iklim sergilemektedir. Bu nedenle kentte yapılacak iklimsel çalışmalara
birçok parametrenin etken olduğu görülmektedir.
Yaz ayları genellikle sıcak geçen, kış ayları bölgeyi etkisi altına alan sistemlere bağlı olarak fazla soğuk geçmeyen
İstanbul, Akdeniz ikliminin özelliklerini taşıyor görünse de, Marmara Denizi ve İstanbul Boğazı'nın etkisiyle farklı
özellikler taşımaktadır. Kış aylarında Karadeniz'den gelen soğuk-kuru hava kütlesi ile Balkanlardan gelen soğuk-yağışlı
hava kütlesinin özellikle Akdeniz'den gelen ılık ve yağışlı güneyli hava kütlelerinin etkisi altındadır. Bütün ilde
Karadeniz'in oldukça yağışlı (poyrazlı) havasıyla Akdeniz'in ılık (lodoslu) havası birbirini izlemektedir. İlde yaz-kış,
gece-gündüz arasında büyük ısı farkları görülmemektedir (IPDCT, 2019).
Kentin kuzeyinde bulunan orman alanlarından dolayı iklim kuzey ve güney yönlü olarak değişim göstermektedir.
Şehrin kuzey tarafında orman bitki örtüsü yaygın olduğundan, yazları daha serin özellik göstermektedir. Fakat yapılmış
olan 3. Havalimanı, 3. Köprü, bağlantı yolları ile bunlara bağlı olarak kentleşmenin bu yönde ilerleyeceği beklentisi
iklimsel anlamda İstanbul’da önemli değişikliklerin olacağını haber vermektedir.
Şekil 1: 3. Köprü Çalışma Alanı
2.2. Metot
Çalışmada, iklim simülasyonunun yapım aşamasında YSA kullanılmıştır. YSA içinde barındırdığı katmanlar ve
nöronlar ile doğrusal olmayan problemlerin tanımlanmasında, insan gibi öğrenme ve hatırlama yeteneklerine sahiptir (Li
ve Yeh, 2002). Bu nedenle YSA, coğrafi analiz ve modellemede oldukça başarılı sonuçlar vermektedir (Li ve Yeh, 2002).
Ayrıca yüzey sıcaklıklarının modellenmesinde de yapay sinir ağları güçlü bir araç olarak kullanılmaktadır (Bozorgi vd.,
2018).
Bu çalışma ile 3. köprünün bölge ikliminde yarattığı değişimi yapım yılı öncesi verilerden faydalanarak yapay sinir
ağları (YSA) ile tahmin edilmesi amaçlanmaktadır. Köprü yapımına 2013 yılında başlanılmıştır bu nedenle simülasyonun
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
eğitiminde kullanılacak örnek veriler 2010 ve 2011 yıllarından elde edilmiştir. Tahmin edilecek yüzey sıcaklığı olarak ise
köprü bitiş tarihinden bir yıl sonraki yıl olan 2017 yılı seçilmiştir.
Çalışmanın son aşamasında ise kullanılan parametrelerin yüzey sıcaklığı tahminindeki başarısını ispat edebilmek için
elde edilen 2017 yılı tahmini yüzey sıcaklığı ile orijinal yüzey sıcaklığının korelasyon analizleri yapılmıştır.
2.3. Veri Setleri Yapılan iklim simülasyonunda veri olarak yüzey sıcaklığı ile ilişkisi olan; NDVI, emissivite, sayısal yükseklik modeli
(SYM), ormana uzaklık, kıyıya uzaklık ve yola olan uzaklıklar kullanılmıştır (Şekil 2). Bu verilerin elde edilmesinde
uzaktan algılama ve CBS tekniklerinden yararlanılmıştır. İklim değişikliğinin tahmin edilmesinde ise simülasyon yöntemi
olarak yapay sinir ağları (YSA) tercih edilmiştir.
Şekil 2: Veri altyapısı
Yüzey sıcaklığı, NDVI ve emissivite verileri uydu görüntüleri üzerinden yapılmış olan hesaplamalar ile
oluşturulmuştur. Kullanılan uydu görüntülerinde bulut etkisini elimine etmek için yaz aylarına ait tarihler seçilmiştir. Bu
tarihler 12.06.2010, 17.07.2011 ve 09.07.2017’dir. 2010 ve 2011 yıllarında Landsat–7 ETM+, 2017 yılında ise Landsat-8
OLI/TIRS uydu görüntüsü kullanılmıştır. Uydu görüntülerinin çözünürlükleri sırasıyla mekansal ve termal olarak
Landsat-7 ETM+’ de 30 m ve 60 m, Landsat-8 OLI/TIRS’ da ise 30 m ve 100 m’dir.
Ormana, kıyıya ve yola uzaklık verileri, CBS ortamında vektör verilerine en yakın uzaklık analizi yardımı elde
edilmiştir. Ardından tüm veriler ilişkilendirilerek altlık bir veri tabanında tutulmuştur.
2.4. Uydu Görüntülerinin Atmosferik Düzeltmesi
Uydu görüntülerinden elde edilecek verilerin hazırlanabilmesi için ham halde alınan uydu görüntüleri ön işleme tabi
tutularak görüntünün düzeltmeleri yapılmıştır. Uydu görüntülerinin değerlendirilmesi aşamasında, termal görüntülerle
yüzey sıcaklıklarını elde etmek için sensör kalibrasyon parametreleri kullanılarak spektral parlaklık değerleri toplanmıştır.
Görüntü işleme çalışmalarına başlanmadan önce termal veriler, Landsat 7 ETM (Chander vd., 2009; USGS, 2016) ve
Landsat 8 OLI/TIRS radyometrik kalibrasyon parametrelerine (USGS, 2018) göre düzeltilmiştir.
Daha sonra, yüzey elemanlarının yansıma özelliklerini ortaya çıkaran NDVI ve ε (emissivite) değerleri hesaplanmıştır.
Emissivite değerleri, yüzey pürüzlülüğü, bitki örtüsü vb. nedeniyle değişmekte olan bir parametredir. Bu çalışmada, farklı
arazi yüzey emissivite değerlerini tahmin etmek için Sobrino ve arkadaşları (2008) tarafından formülize edilen NDVI
eşik metodu (NTM) kullanılmıştır. Ardından, Jiménez-Muñoz vd. (2009) tarafından kullanılan radyasyon transfer
denklemine göre radyasyon parlaklık değerleri hesaplanmıştır. Son olarak, tüm termal görüntüler için yüzey sıcaklıkları
ayrı ayrı hesaplanmıştır.
2.5. Yapay Sinir Ağları ile Simülasyonun Uygulanması
Çalışmada yapay sinir ağları ile simülasyonun yapım aşamasında, ağın eğitimi için 3. Köprü yapım yılı öncesi
verilerinden faydalanılmıştır. Yüzey sıcaklığı ile simülasyonda girdi olarak kullanılan parametreler arasında doğrusal
olmayan ilişkinin, YSA’da ağın öğrenmesi için yapılan eğitimlerde, 2010 ve 2011 yıllarına ait girdi ve çıktı verileri
kullanılmıştır. Girdi verileri; NDVI, emissivite, yükseklik ve ormana-yola-kıyıya uzaklıklardır. Çıktı verisi olarak ise
yüzey sıcaklığı kullanılmıştır. Böylece yüzey sıcaklığı ile simülasyonda kullanılan girdi verilerinin arasındaki ilişki
belirlenmeye çalışılmıştır. Ağ modeli şekil 3’de gösterilmiştir.
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
Simülasyonda doğru sonuç elde edebilmek için ağın eğitiminin oldukça başarılı bir şekilde yapılması gerekmektedir.
Bunun için ağ tipi doğru bir şekilde tercih edilmelidir. Simülasyonda uygun ağ tipi olarak çalışmalarda genellikle en çok
tercih edilen (Liu vd., 2003; Jaafar ve Ali, 2005; Yılmaz ve Yuksek, 2008; Jayalakshmi ve Santhakumaran, 2011) ileri
beslemeli geri yayılım algoritması kullanılmıştır. Transfer fonksiyon olarak ise logaritmik fonksiyon olan logsig tercih
edilmiştir. Simülasyonda yapılan eğitimlerde denenen katman sayısı ve nöron sayısı sürekli güncellenerek daha iyi bir
sonuç elde edilmeye çalışılmıştır. Modelde ki nöron sayısının belirlenmesinde Panchal ve Panchal (2014) yaptığı çalışma
esas alınmıştır ve bu kurallar dikkate alınarak birçok deneme yapılmıştır. Böylece ağın eğitimi tamamlanmıştır. Ağın
eğitiminin sonucunda girdi parametrelerinin, çıktı parametresi üzerindeki etkisini gösteren ağırlık matrisi oluşmaktadır.
Bu ağırlık matrisi ile 2017 yılının girdi verileri kullanılarak 2017 yılına ait tahmini yüzey sıcaklığı elde edilmiştir.
Şekil 3: YSA Modeli
2017 yılı simülasyon sonucu elde edilen tahmini yüzey sıcaklıkları ile orijinal yüzey sıcaklığına ait değerler
karşılaştırılarak SPSS ortamında korelasyon testleri yapılmıştır. Ayrıca simülasyon sonucunun çıktısı, CBS ortamında
görselleştirilmiştir.
2.6. Bulgular
Son yıllarda iklim tahmin edilmesinde YSA modelin kullanımı oldukça yaygınlaşmıştır (Bozorgi vd., 2018; Kumar
vd.,2015). Fakat yeterli sayıda çalışma bulunmamaktadır. Yapılmış olan çalışmalar içerisinde, Bozorgi ve arkadaşlarının
(2018), kentte bulunan boşlukların yeşil bitki örtüsü veya beton ile kaplanması sonucunda meydana gelecek yüzey
sıcaklık değişimi simülasyonu bulunmaktadır. Çalışmada kullanılmış parametreler, NDVI, NDBI ve yeşil bitki örtüsü
kaplı alanın yüzdesidir. Elde edilmiş sonuçlara göre kentteki yüzey sıcaklığının azaltılmasında, kent boşluklarının yeşil
bitki örtüsü ile kaplanmasının beton gibi yüzeylerden daha etkili olduğu belirlenmiştir. Bir başka çalışma olan Kumar ve
arkadaşlarının (2015) yapmış oldukları çalışmada, YSA ile 2001 yılının verileri kullanılmış 2010 yılının yüzey sıcaklık
tahmini yapılmıştır. Kullanılmış veriler; arazi kullanımı, çalışma alanının koordinatları ve yüksekliktir. Çalışmanın
korelasyon sonucu %81.621 olarak bulunmuştur.
Bu çalışma kapsamında ise NDVI, emissivite, yükseklik, ormana, yola ve kıyıya uzaklık verileri kullanılarak 6
parametre ile yüzey sıcaklık tahmini yapılmıştır. Kumar ve arkadaşlarının (2015) yapmış oldukları çalışmaya göre bu
çalışma, daha mikro ölçekte bir çalışmadır ve detay daha fazla olduğu için daha çok parametre ile daha karmaşık bir
problem çözülmeye çalışılmıştır.
Denenen katsayılar sonucunda, 2017 yılı orijinal yüzey sıcaklığı ile tahmini yüzey sıcaklığı arasındaki en yüksek
korelasyon katsayısı 0.687’dir. Simülasyonun eğitiminde denenen katman sayısı ve nöronlara bağlı olarak değişen
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
korelasyon sonuçları tablo 1’de sunulmuştur. Bu korelasyon değeri, YSA modelinde üç gizli katman ve yedi nöron
kullanılarak elde edilmiştir.
Ardından 2017 yılına ait en yüksek korelasyonlu simülasyon çıktısı, CBS ortamında görselleştirilmiş ve orijinal 2017
yılı yüzey sıcaklığı ile karşılaştırılması yapılmıştır (Şekil 4). Bu görsel sonuç ile gerçekleştirilen simülasyonun, farklı
arazi tiplerine göre değişen yüzey sıcaklığını tahmin edebileceği görülmektedir. Korelasyon sonuçları ile birlikte
kullanılan girdi parametrelerinin YSA ile yüzey sıcaklığının tahminlenmesindeki başarısı ortaya konulmuştur.
Elde edilen korelasyon ve görsel sonuçlara göre simülasyonda kullanılan girdi parametrelerinin, yüzey sıcaklığı
tahmin etmede kullanılabileceği sonucuna ulaşılmıştır.
Tablo 1: Korelasyon Sonuçları
Katman
Sayısı
Nöron
Sayısı
Epok Orijinal İle Simülasyon ait Yüzey
Sıcaklıkları Arasındaki Korelasyon
Katsayısı
T1 2 5 10000 0.583
T2 2 5 20000 0.477
T3 2 10 50000 0.649
T4 3 6 50000 0.647
T5 2 6 100000 0.667
T6 2 6 200000 0.686
T7 3 6 100000 0.664
T8 2 5 100000 0.683
T9 3 6 200000 0.572
T10 2 4 100000 0.534
T11 2 6 500000 0.190
T12 2 10 200000 0.657
T13 2 8 200000 0.537
T14 2 5 300000 0.448
T15 2 5 200000 0,070
T16 2 7 200000 0.680
T17 2 11 200000 0.210
T18 2 12 200000 0.461
T19 3 7 200000 0.687
T20 3 5 200000 0.518
T21 3 4 200000 0.683
T22 3 8 200000 0.576
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
Şekil 4: 2017 yılı yüzey sıcaklıkları, orijinal (sol) - tahmin (tahmin)
3. SONUÇLAR
İklim değişikliği ile mücadele, kentleşme politikalarında kritik öneme sahiptir. Kentleşme şeklinin, kent iklimini
şekillendirmesi nedeniyle planlama anlamında yapılan hataların düzeltilmesi hem çok zor hem de çok maliyetli
olmaktadır, hatta çoğu zaman geri dönüş sağlanamamaktadır. Bu açıdan, olası değişimlere karşı erken önlem alınması da
oldukça önemlidir. Özellikle planlama öncesi analiz çalışmalarında bölgenin mezo-mikro iklim araştırmalarının yapılması
gerekliliği ile birlikte, plan kararları sonrası oluşacak iklimsel durum simülasyonlarla ortaya konulmalı, bu şekilde plan
kararları tekrar gözden geçirilmelidir.
Hızla büyüyen kentleri, iklimsel değişimler açısından kontrol altına alabilmenin yolu sürdürülebilir kentlerin
sağlanabilmesinden geçmektedir. Özellikle teknolojinin bir getirisi olarak yaygınlaşan simülasyon tekniklerinin
kullanımı, bunun sağlanabilmesi için imkanlar sunmaktadır. Bu tekniklerin en güncellerinden birisi yapay sinir ağlarıdır.
Dünyanın önemli metropolleri arasında yer alan İstanbul’da kentleşme hızı mega projelerin etkisi ile artmakta ve yeşil
alanlar hızla tahrip olmaktadır. Yeşil alanların yerini alan bu betonlaşma, kentsel iklimi büyük ölçüde değiştirmektedir.
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
Bu iklim değişimlerine karşı erken önlem almada ve kentsel planlamalar yapılmadan önceki aşamada bunların getireceği
sonuçlar ele alınarak yüzey sıcaklık simülasyonlarının yapılmasının önemli bir yeri vardır.
Bu çalışmada da, simülasyon yöntemi olarak YSA tekniği kullanılmıştır. Çalışma sonucunda elde edilmiş olan
simülasyon verisi ile orijinal veri arasında 0.687 korelasyon tespit edilmiştir. İklimsel değişimlerin çok sayıda faktöre
bağlı olmasına rağmen, sınırlı sayıda veri üzerinden yapılmış olan bu simülasyon için bu korelasyon değeri oldukça
yüksektir. Rüzgar, kentsel doku, nem vb… faktörlerin de parametre olarak kullanılmasıyla simülasyon sonuçlarının daha
yüksek korelasyonlar sergilemesi beklenmektedir.
Çalışmada yapılmış simülasyonun sonuçlarına göre, kentlerde meydana gelecek arazi kullanım değişimlerinin yüzey
sıcaklığına olan etkisinin YSA ile tahmin edilebileceği ortaya konulmuştur. Yapılacak olan bu tarz çalışmalar ile,
kentlerde yapılması planlanan mega projelerin olası etkileri üzerine tahminler oluşturulabilecek, olası problemler
karşısında önlemler alınabilecektir. Ayrıca bu çalışma ile elde edilmiş bulguların da gösterdiği üzere, özellikle planlama
çalışmalarında, geleceğe yönelik doğru stratejilerin geliştirilmesi için simülasyonların büyük bir önem taşıdığı
unutulmamalıdır.
Kaynaklar Bai X., Dawson R.J., Ürge-Vorsatz D., Delgado G.C., Barau A.S., Dhakal S., Dodman D., Leonardsen D., Masson-Delmotte D.,
Roberts D., Schultz S., (2018), Six research priorities for cities and climate change, Nature, 555 (7694), 23-25.
Barriopedro D., Fischer E.M., Luterbacher J., Trigo R.M., García-Herrera R., (2011), The hot summer of 2010: redrawing the
temperature record map of Europe, Science, 332(6026), 220-224.
Bozorgi M., Nejadkoorki F., Mousavi M.B., (2018), Land surface temperature estimating in urbanized landscapes using artificial
neural networks, Environmental Monitoring and Assessment, 190(4), 250.
Bugs G., Granell C., Fonts O., Huerta J., Painho M., (2010), An assessment of public participation GIS and Web 2.0 technologies in
urban planning practice in Canela, Brazil, Cities, 27(3), 172-181.
Bulkeley H., (2013), Cities and climate change, Routledge.
Chen X.L., Zhao H.M., Li P.X., Yin Z.Y., (2006), Remote sensing image-based analysis of the relationship between urban heat island
and land use/cover changes, Remote Sensing of Environment, 104(2), 133-146.
ECOSOC, (2011), The impact of global challenges and trends on humanitarian response: a look at migration urbanization and
population growth, Humanitarian Affairs Segment.
Garuma G.F., (2018), Review of urban surface parameterizations for numerical climate models. Urban Climate, 24, 830-851.
Gaur A., Eichenbaum M.K., Simonovic S.P., (2018), Analysis and modelling of surface Urban Heat Island in 20 Canadian cities under
climate and land-cover change. Journal of Environmental Management, 206, 145-157.
Gupta R.P., (2018), Integrating remote sensing data with other geodata (gis approach), In Remote Sensing Geology, ss.267-289.
Henry J.A., Dicks S.E., Wetterquist O.F., Roguski S.J., (1989), Comparison of satellite, ground-based, and modeling techniques for
analyzing the urban heat island, Photogrammetric Engineering and Remote Sensing, 55, 69-76.
IPDCT (Istanbul Provincial Directorate of Culture and Tourism), (2019), http://www.istanbulkulturturizm.gov.tr/TR-
165068/cografya.html, [Erişim 9 Mayıs 2019]
Jaafar S.F.B., Ali D.M., (2005), Diabetes mellitus forecast using artificial neural network (ANN), In 2005 Asian Conference on Sensors
and the International Conference on New Techniques in Pharmaceutical and Biomedical Research, ss.135-139.
Jayalakshmi T., Santhakumaran A., (2011), Statistical normalization and back propagation for classification. International Journal of
Computer Theory and Engineering, 3(1), 1793-8201.
Jiménez-Muñoz J.C., Cristóbal J., Sobrino J.A., Sòria G., Ninyerola M., Pons X., (2009)., Revision of the single-channel algorithm for
land surface temperature retrieval from landsat thermal-infrared data, IEEE Transactions on Geoscience and Remote Sensing,
47(1), 339-349.
Klok L., Zwart S., Verhagen H., Mauri, E., (2012), The surface heat island of Rotterdam and its relationship with urban surface
characteristics. Resources, Conservation and Recycling, 64, 23-29.
Kuşçu Şimşek Ç., Şengezer B., (2012), İstanbul metropoliten alanında kentsel isınmanın azaltılmasında yeşil alanların önemi,
Megaron, 7 (2), 116-128.
Kuşçu Şimşek Ç. (2013). İstanbul’da kentsel iklim üzerine antropojenik etkiler: kent ısı adalarının incelenmesi. Yıldız teknik
Üniversitesi Fen Bilimleri Enstitüsü Şehir ve Bölge Planlama Anabilim Dalı, Şehir Planlama Programı (Doktora Tezi), 238s,
İstanbul.
Li X., Yeh A. G. O. (2002). Neural-network-based cellular automata for simulating multiple land use changes using GIS. International
Journal of Geographical Information Science, 16(4), 323-343.
Liu J., Savenije H.H., Xu J., (2003), Forecast of water demand in Weinan City in China using WDF-ANN model. Physics and Chemistry
of the Earth, Parts A/B/C, 28(4-5), 219-224.
Ng E., Ren C., (2018). China's adaptation to climate & urban climatic changes: A critical review, Urban Climate, 23, 352-372.
Owen T.W., Carlson T.N., Gillies R.R., (1998), An assessment of satellite remotely-sensed land cover parameters in quantitatively
describing the climatic effect of urbanization, International Journal of Remote Sensing, 19(9), 1663-1681.
Öktem K., (2005), British perceptions on Turkey’s EU accession prospects: Euroscepticism and Turcophilia?, Occasional Paper
No.6/05. South East European Studies at Oxford European Studies Centre,
http://www.sant.ox.ac.uk/seesox/occasionalpapers/oktem2005.pdf, [Erişim 16 Ekim 2019].
Özşahin E., Kaymaz Ç., (2015), CBS ve AHS kullanılarak doğal çevre bileşenleri açısından kentsel mekânın yerleşime uygunluk
analizine bir örnek: Antakya (Hatay), Doğu Coğrafya Dergisi, 20(33), 111-134.
Panchal F.S., Panchal M., (2014), Review on methods of selecting number of hidden nodes in artificial neural network, International
Journal of Computer Science and Mobile Computing, 3(11), 455-464.
Yapay Sinir Ağları ile Kentsel İklim Simülasyonu
Sobrino J.A., Jiménez-Muñoz J.C., Sòria G., Romaguera M., Guanter L., Moreno J., (2008), Land surface emissivity retrieval from
different VNIR and TIR sensors, IEEE Transactions on Geoscience and Remote Sensing, 46(2), 316-327.
Stull R.B., (2012)., An introduction to boundary layer meteorology, Springer Science & Business Media, Vol.13.
UN, (2018), World Urbanization Prospects, https://www.un.org/development/desa/en/news/population/2018-revision-of-world-
urbanization-prospects.html, [Erişim 22 Şubat 2019].
United Statement Geological Survey (USGS), (2016), Landsat 7 (LT7) Data Users Handbook, LSDS-1927 Version 1.0.
United Statement Geological Survey (USGS), (2018), Landsat 8 (LT8) Data Users Handbook, LSDS-1574 Version 3.0.
World Health Organization (WHO), (2004), Urban bioclimatoloy, heat waves: risks and responses, Health and Global Environmental
Change Series, No.2, WHO Regional Office for Europe, Denmark.
Yang J., Jin S., Xiao X., Jin C., Xia J.C., Li X., Wang S., (2019), Local climate zone ventilation and urban land surface temperatures:
Towards a performance-based and wind-sensitive planning proposal in megacities, Sustainable Cities and Society, 47, 101487.
Yılmaz I., Yuksek A.G., (2008), An example of artificial neural network (ANN) application for indirect estimation of rock
parameters, Rock Mechanics and Rock Engineering, 41(5), 781-795.