Tarih boyunca medeniyetlerin gelişimi, doğayla kurdukları dengeye bağlı olmuş; bu dengeyi bozan her büyük afet, yalnızca fiziksel yıkımlara değil, aynı zamanda toplumsal, ekonomik ve politik kırılmalara da yol açmıştır. Eskiden afetlerin etkileri çoğunlukla belirli bölgelerle sınırlı kalırken, günümüzde birbirine bağlı sistemler nedeniyle krizler zincirleme etkiler yaratmaktadır (Renn & Lucas 2021). Örneğin, 2011 Tohoku Depremi ve Tsunamisi, sadece bir doğal afet değil aynı zamanda sistematik bir kriz örneği olmuştur. Afet sonrası oluşan yıkım ile altyapı, konut, enerji güvenliği, sağlık hizmetleri, ekonomi, tedarik zinciri gibi pek çok alanda soruna yol açmıştır. Özellikle Fukuşima Nükleer Santrali’nde meydana gelen hasar enerji politikalarını sarsarken, radyasyon tehdidi toplumsal güveni zedelemiştir.
Küresel ölçekte afetlerin sıklığı ve etkisi son yıllarda önemli ölçüde artmıştır. İnsan kaynaklı ve doğal afetlerin zaman içinde daha sık meydana geldiği gözlemlenmektedir. EM-DAT veritabanına göre, dünyada meydana gelen 17.000'den fazla afetin analizine göre felaketlerin yaklaşık üçte ikisi doğal afet kaynaklıdır.
Şekil 1. Afet Sınıflandırması
2020-2024 tarihleri arasında doğal afetler nedeniyle meydana gelen ölüm sayısı 643 bin olarak kaydedilmiştir. Her yıl doğal afet nedeniyle doğrudan veya dolaylı olarak ortaya çıkan tüm ekonomik kayıpların değeri yaklaşık olarak $ 2.5 trilyon belirlenmiştir (Our World in Data, 2024).
Şekil 2. Doğal Afetler Nedeniyle Ölüm Sayısı- Doğal Afet Türüne Göre Ekonomik Hasar
Bu kayıpları en aza indirmek ve etkili müdahale sağlamak için güçlü, hızlı ve entegre bir afet yönetim sistemi şarttır. Etkili bir afet yönetimi erken uyarı sistemleri, yetkililere alarm gönderme, hasar kontrolü, kamuoyunu bilgilendirme, müdahale sürecinin mobilizasyonu ve mağdurlara yardım ulaştırma gibi süreçleri içerir. Bu yönetim, dört temel aşamada incelenebilir: önlem, hazırlık, müdahale ve iyileştirme. Yapay zeka (YZ) teknolojileri, bu dört aşamanın her birine farklı düzeylerde katkı sağlayabilir. Günümüzde yapay zeka (YZ), kriz ve afet yönetiminde önemli bir dönüm noktası oluşturma potansiyeline sahiptir. YZ’nin öngörme (anticipate), uyum sağlama (adapt) ve harekete geçme (act) yetenekleri, geleneksel afet yönetimi anlayışını dönüştürebilir.
Yapay zekâ teknolojilerinin afet yönetiminin dört temel aşamasındaki potansiyel katkıları giderek daha fazla araştırılmaktadır. Bu katkıları daha somut biçimde ortaya koymak amacıyla yapılan kapsamlı bir literatür taramasında, toplam 26 yapay zekâ tekniği ve 17 uygulama alanı temsilî örnekler olarak belirlenmiştir (Sun et al., 2020). Bu çalışmada, her bir yapay zekâ yöntemi ve uygulama alanı anahtar kelime olarak kullanılmış; Google Scholar ve Web of Science veri tabanlarında, bu kelimelerin birlikte geçtiği akademik yayınlar analiz edilmiştir. Elde edilen bulgular, yapay zekâ uygulamalarının afet yönetiminin dört evresi boyunca nasıl konumlandığını göstermektedir. Özellikle risk azaltma (mitigation) ve müdahale (response) aşamalarında yoğunlaşan yapay zekâ kullanımı dikkat çekmektedir. Şekil 3’te bu analiz sonuçları görsel olarak sunulmuş; her bir düz çizgi, belirli bir alanda yapay zekâ uygulamasının bulunduğunu göstermektedir. Uygulama Alanları risk azaltma (mitigation) ve müdahale (response) aşamalarına bağlanan çizgilerin sayıca fazla olması, YZ’nin bu evrelerde daha yaygın kullanıldığını ortaya koymaktadır.
Şekil 3. Afet Yönetiminde Yapay Zekanın Uygulamaları
Florida’da kasırga tahminlerinde kullanılan yapay zekâ uygulamaları, afet öncesi hazırlık süreçlerinde hem doğruluğu hem de müdahale hızını artırmıştır. NOAA’nın geliştirdiği Hurricane Analysis and Forecast System (HAFS), fiziksel atmosferik modellerin yanında doğrudan yapay zekâ algoritmalarıyla güçlendirilmiştir. Bu sistem kapsamında, kasırganın zamanla değişen rotasını ve şiddetini tahmin etmek amacıyla zaman serisi modellemesine uygun Long Short-Term Memory (LSTM) algoritmaları kullanılmış; böylece Hurricane Ian ve Milton gibi vakalarda fırtınaların izleri günler öncesinden başarıyla öngörülmüştür. Ayrıca, Convolutional Neural Network (CNN) modelleri ile gerçek zamanlı uydu görüntüleri analiz edilerek kasırganın spiral yapısı, göz konumu ve nem yoğunluğu gibi yapısal özellikleri tespit edilmiştir.
Şekil 4. HAFS sisteminin Florida bölgesinde Hurricane Ian ve Milton için gerçekleştirdiği rota tahmin animasyonu
Bu uygulamaların sonucunda erken uyarı sistemleri zamanında devreye girmiş, tahliye planları daha sağlıklı işletilmiş ve insan kayıpları önemli ölçüde azaltılmıştır.
Somut başka bir örnek olarak; 2023 Kahramanmaraş merkezli Türkiye depremleri sonrasında kullanılan Convolutional Neural Network (CNN) uygulaması verilebilir. NASA, Singapur Yer Gözlem Laboratuvarı ve Japonya Uzay Ajansı (JAXA) iş birliğiyle, 6 Şubat 2023 Kahramanmaraş merkezli depremler sonrasında ALOS-2 uydusuna ait PALSAR-2 radar verilerini kullanarak bir hasar haritası (damage proxy map) oluşturmuştur. Bu çalışmada, Convolutional Neural Network (CNN) ve görüntü işleme yöntemleri kullanılarak, Türkoğlu, Kahramanmaraş ve Nurdağı gibi şehirlerdeki binaların yıkım düzeyleri analiz edilmiştir. Harita üzerinde koyu kırmızı bölgeler büyük yapısal yıkımları, turuncu ve sarı bölgeler ise orta dereceli hasarları temsil etmektedir. Uydu verileri ayrıca mevsimsel değişkenlikler göz önüne alınarak analiz edilmiştir.
Şekil 5. 6 Şubat 2023 Türkiye Depremleri Sonrası Uydu Verileriyle Oluşturulan Hasar Haritası
Bu çalışma, CNN tabanlı yapay zekâ teknolojilerinin hem afet sonrası hızlı hasar tespitinde ve hem de müdahale ekiplerinin koordinasyonunda gerçek zamanlı olarak nasıl kullanılabileceğine güçlü bir örnek sunmaktadır. Sonuç olarak, yapay zekânın sunduğu veri analitiği, tahminleme ve karar destek sistemleri, geleneksel afet yönetim modellerini dönüştürme potansiyeline sahiptir.
Kaynakça:
EM-DAT. (n.d.). The international disasters database. https://www.emdat.be/
Ghahfarokhi, M. F., Sonbolestan, S. H., & Zamanizadeh, M. (2024). A comparative study of convolutional and recurrent neural networks for storm surge prediction in Tampa Bay. arXiv preprint arXiv:2408.05797. https://arxiv.org/abs/2408.05797
NASA Earth Observatory. (2023, Şubat 9). Mapping Earthquake Damage in Turkey [Harita]. https://earthobservatory.nasa.gov/images/150949/earthquake-damage-in-turkiye
NOAA. (2025). HAFS forecasts contribute to more effective emergency response. NOAA EPIC. https://epic.noaa.gov/hafs-forecasts-contribute-to-more-effective-emergency-response/
Our World in Data. (n.d.). Number of deaths from natural disasters. https://ourworldindata.org/grapher/number-of-deaths-from-natural-disasters?time=2010..latest
Renn, O., & Lucas, K. (2021). Systemic risk: The threat to societal diversity and coherence. Risk Analysis, Advance online publication. https://doi.org/10.1111/risa.13654
Sun, W., Bocchini, P., & Davison, B. D. (2020). Applications of artificial intelligence for disaster management. Natural Hazards, 103(3), 2631–2689. https://doi.org/10.1007/s11069-020-04124-3
Time. (2024, May 20). How meteorologists are using AI to forecast Hurricane Milton and other storms. https://time.com/7081372/ai-hurricane-forecasting/
Voiland, A. (2023, Şubat). *Mapping Earthquake Damage in Turkey*. NASA Earth Observatory. https://earthobservatory.nasa.gov/images/151278/mapping-earthquake-damage-in-turkey