Google, Ani Sel Tahmininde Haberlerden Yararlanıyor

Google, Ani Sel Tahmininde Haberlerden Yararlanıyor

Ani seller, iklim krizinin de etkisiyle dünyada ve Türkiye’de giderek daha sık yaşanan, öngörülmesi zor ve yıkıcı sonuçlara yol açan afetler arasında. Google, ani sel tahminlerini geliştirmek için bu kez klasik meteorolojik verilerin ötesine geçerek, haber makalelerini veri kaynağına dönüştüren yenilikçi bir yapay zeka yaklaşımı benimsiyor.

Google’ın Gemini modeliyle 5 milyon haber makalesini analiz ederek ani sel verisi çıkarması, yalnızca teknik bir deneme değil; aynı zamanda afet yönetiminde yapay zekanın yeni bir aşaması anlamına geliyor.

---

Ani Sellerin Tehlikeli Doğası

Ani seller, genellikle kısa süreli, yoğun yağışlar sonrasında çok hızlı gelişen ve çoğu zaman uyarı süresi neredeyse olmayan sel türleridir. Dünya genelinde her yıl 5 binden fazla can kaybına yol açtıkları tahmin ediliyor. Özellikle:

• Dar vadiler,
• Kentsel alanlar (asfalt ve beton yüzeyler nedeniyle suyun süzülmemesi),
• Altyapısı zayıf bölgeler,

ani sellerden en çok etkilenen yerler arasında.

Bu sellerin en kritik özelliği, tahmin edilmesinin son derece zor olması. Klasik hava durumu tahmin sistemleri, geniş alanlarda ve belirli zaman dilimlerinde yağış öngörüsü yapabiliyor; ancak ani sel:

• Çok lokal (mahalle, ilçe, hatta tek bir dere yatağı ölçeğinde),
• Çok kısa sürede (dakikalar–saatler içinde),
• Çoğu zaman beklenmedik şekilde

gerçekleşiyor.

Bu yüzden, ani sel riskini doğru ve zamanında tahmin edebilmek, hem meteoroloji hem de yapay zeka alanında en zorlu problemlerden biri olarak kabul ediliyor.

---

Veri Eksikliği ve Yapay Zeka İçin Zorluklar

Derin öğrenme ve diğer yapay zeka modelleri, büyük ve kaliteli veri setlerine ihtiyaç duyar. Ancak ani seller söz konusu olduğunda durum oldukça farklı:

1. Yerel ve kısa süreli olaylar: Ani seller, geniş alanları değil, küçük bölgeleri etkiler. Bu da küresel veya ulusal ölçekli meteorolojik veri setlerinde yeterince ayrıntı yakalamayı zorlaştırır.
2. Tutarlı kayıt eksikliği: Birçok ülkede ani sellerle ilgili:

- Ayrıntılı zaman damgalı kayıt, - Konum bilgisi, - Şiddet ve etki düzeyi bilgisi eksiktir ya da hiç yoktur.

3. Radar ve sensör altyapısı sınırlı: ABD ve bazı Avrupa ülkeleri gelişmiş radar sistemlerine sahip olsa da, dünyanın büyük bölümünde bu tür altyapılar ya çok sınırlı ya da hiç mevcut değil.

Bu koşullarda, klasik yöntemlerle oluşturulmuş veri setleri, ani sel tahmini için yeterli çeşitlilik ve yoğunlukta örnek sunamıyor. Bu da derin öğrenme modellerinin yüksek doğrulukla çalışmasını zorlaştırıyor.

Tam da bu noktada Google, farklı bir veri kaynağına yöneliyor: haberler.

---

Google'ın Yenilikçi Yaklaşımı: Haberlerden Veri Çıkarmak

Google, bu zorlukların üstesinden gelmek için Gemini adlı büyük dil modelini kullanarak dünya çapında 5 milyon haber makalesini taradı. Amaç, bu metinlerin içinden ani sel olaylarına dair yapılandırılmış veri çıkarmaktı.

Bu süreçte araştırmacılar:

• Farklı dillerde, farklı ülkelerden milyonlarca haberi topladı,
• Gemini ile bu metinlerde sel, taşkın, ani su baskını gibi olaylara dair ifadeleri taradı,
• Tarih, konum, şiddet, etkilenen bölge gibi kritik bilgileri otomatik olarak ayıkladı.

Sonuçta, bu haberlerden 2,6 milyon farklı sel raporu elde edildi ve bu raporlar kullanılarak "Groundsource" adı verilen, coğrafi etiketli bir zaman akışı oluşturuldu. Groundsource, kabaca şunları içeriyor:

• Hangi tarihte,
• Dünyanın hangi noktasında,
• Ne tür bir sel olayı yaşandığına dair,
• Haber kaynaklarından türetilmiş bir veri akışı.

Google Research ürün müdürü Gila Loike, bu çalışmanın önemini vurgularken, bu ölçekte bir projede ilk kez dil modellerinin bu şekilde kullanıldığını belirtiyor. Yani burada sadece haber okuyan bir yapay zeka yok; haberleri afet verisine dönüştüren bir sistem var.

Bu yaklaşım, aynı zamanda metin tabanlı veri kaynaklarının (haberler, sosyal medya, bloglar vb.) ikincil veri kaynağı olarak nasıl değerlendirilebileceğini göstermesi açısından da çarpıcı. Benzer bir yaklaşım, finans ve yatırım dünyasında da sıkça kullanılıyor. Örneğin, 9fin’in 170 milyon dolarlık yatırımla değerini katlaması, finans verilerinin yapay zeka ile işlenmesine olan ilginin ne kadar büyüdüğünü ortaya koyuyor.

---

Groundsource ve LSTM Tabanlı Sel Tahmin Modeli Nasıl Çalışıyor?

Google’ın geliştirdiği sistemin temelinde iki ana bileşen bulunuyor:

1. Groundsource veri seti (haberlerden çıkarılan sel olayları),
2. LSTM (Long Short-Term Memory) tabanlı sel tahmin modeli.

Groundsource’un Rolü

Groundsource, bir anlamda gerçekleşmiş sel olaylarının küresel günlüğü gibi işliyor. Her kayıt, şunları içeriyor:

• Olay tarihi ve zamanı,
• Coğrafi konum (enlem, boylam veya yer adı),
• Olay türü (ani sel, nehir taşkını vb.),
• Haberden çıkarılabilen diğer bağlamsal bilgiler.

Bu veri seti, meteorolojik modeller tarafından tahmin edilmeye çalışılan risklerin, gerçekte nerede ve ne zaman sel olayına dönüştüğünü gösteren bir referans niteliğinde.

LSTM Modeli ve Hava Tahminleri ile Entegrasyon

Araştırmacılar, Groundsource’u referans alarak LSTM sinir ağına dayalı bir model geliştirdiler. LSTM’ler, özellikle zaman serisi verilerini (örneğin, gün gün değişen hava durumu tahminleri) modellemede güçlüdür.

Modelin çalışma prensibi kabaca şöyle özetlenebilir:

1. Girdi: Küresel hava tahminlerinden elde edilen veriler (yağış miktarı, nem, sıcaklık, rüzgar, bulutluluk vb.) zaman serisi halinde modele besleniyor.
2. Öğrenme: LSTM, benzer hava durumu paternlerinin geçmişte Groundsource içinde hangi bölgelerde ani sele yol açtığını öğreniyor.
3. Çıktı: Belirli bir bölge ve zaman aralığı için ani sel olasılığı hesaplanıyor.

Bu model, sonuçta Google’ın Flood Hub platformu ile entegre edilerek kullanıma sunuluyor.

---

Flood Hub: 150 Ülkede Ani Sel Risklerini Öne Çıkaran Platform

Google’ın sel tahmin modeli, Flood Hub adlı platform üzerinden 150 ülkede kentsel alanlardaki riskleri öne çıkarıyor. Flood Hub’ın temel hedefleri:

• Riskli bölgeleri önceden tespit ederek,
• Yerel yönetimlerin ve acil durum müdahale kurumlarının daha hızlı aksiyon almasını sağlamak,
• Halkın, yaklaşan sel riskleri konusunda daha iyi bilgilendirilmesine katkı sunmak.

Flood Hub üzerinden:

• Belirli bir bölgedeki sel riski harita üzerinde görselleştirilebiliyor,
• Tahmin edilen risk seviyesi zaman içinde takip edilebiliyor,
• Yerel karar vericiler, altyapı ve tahliye planlarını bu bilgilere göre güncelleyebiliyor.

Bu tür erken uyarı sistemleri, afetin kendisini engelleyemese de can kaybını ve ekonomik zararı ciddi oranda azaltma potansiyeline sahip. Benzer şekilde, dijital teknolojilerin kriz ve risk yönetiminde kullanımı, Türkiye’de de yatırımcıların ve girişimlerin radarında. Örneğin, 2025'in ilk yarısında Türkiye'de yatırım hareketliliği raporları, yapay zeka ve veri odaklı çözümlerin ön planda olduğunu gösteriyor.

---

Projenin Sınırlamaları: Çözünürlük ve Altyapı Farkları

Google’ın ani sel tahmin modeli önemli bir yenilik sunsa da, bazı teknik sınırlamaları da beraberinde getiriyor:

1. Uzamsal çözünürlük sınırlı: Model, şu an için yalnızca 20 kilometrekarelik alanlar bazında risk belirleyebiliyor. Bu, mahalle veya sokak ölçeğinde hassasiyet anlamına gelmiyor; daha çok bölgesel risk haritalaması sağlıyor.
2. Yerel radar verileri eksik: Model, pek çok bölgede yerel radar verilerini kullanmıyor. Bu nedenle, özellikle ABD Ulusal Hava Servisi (NWS) gibi kurumların yüksek çözünürlüklü radar tabanlı sistemleri kadar hassas tahmin sunamıyor.
3. Haber kaynaklarına bağımlılık: Groundsource, haberlerden türetilmiş bir veri seti olduğu için:

- Medya penetrasyonu düşük bölgelerde olaylar hiç raporlanmamış olabilir, - Bazı olaylar abartılı ya da eksik aktarılmış olabilir, - Dil ve bağlam farklılıkları, modelin bazı bölgelerde daha az isabetli çalışmasına yol açabilir.

Buna rağmen, bu sistemin en büyük avantajı, pahalı hava durumu algılama altyapısına sahip olmayan ülkeler ve bölgeler için kritik bir boşluğu doldurması. Yani, meteorolojik radarların ve yoğun gözlem ağlarının olmadığı yerlerde bile, haberlerden beslenen bu model sayesinde temel bir ani sel tahmin altyapısı oluşturulabiliyor.

---

Neden Önemli? Arka Plan ve Sektörel Etki

Bu projenin önemi, yalnızca sel tahmininde daha iyi sonuçlar elde etmekle sınırlı değil. Daha geniş çerçevede şu mesajları veriyor:

• Yapay zeka, geleneksel veri kaynaklarını tamamlayıcı yeni veri kaynakları yaratabilir. Haberler, sosyal medya, bloglar gibi metin tabanlı içerikler, doğru işlendiğinde kritik durumsal farkındalık sağlayabilir.
• Afet yönetimi, sigorta, tarım, lojistik gibi sektörler, bu tür veri odaklı yaklaşımlarla risklerini daha iyi yönetebilir.
• Büyük dil modelleri (LLM), sadece metin üretmek için değil, metinden yapılandırılmış veri üretmek için de güçlü araçlardır.

Bu yaklaşım, aynı zamanda şirketlerin müşteri verilerini, geri bildirimlerini ve şikayetlerini analiz etme biçimlerine de benzer. Örneğin, yapay zeka müşteri hizmetleri çözümlerinde, müşteri e-postaları ve çağrı kayıtları, tıpkı haberler gibi ham metin verisi olarak işlenip anlamlı içgörülere dönüştürülüyor.

---

Türkiye İçin Ne Anlama Geliyor?

Türkiye, coğrafi yapısı ve iklim özellikleri nedeniyle sel ve taşkın riski yüksek ülkelerden biri. Karadeniz bölgesinde sık yaşanan ani seller, İç Anadolu’da kısa süreli sağanaklarla oluşan su baskınları ve büyükşehirlerde altyapı yetersizliklerinden kaynaklanan taşkınlar, bu riskin ne kadar somut olduğunu gösteriyor.

Google’ın bu projesi, Türkiye açısından şu açılardan kritik:

1. Altyapı eksikliğini kısmen telafi edebilir: Tüm Türkiye’yi yüksek çözünürlüklü radarlarla donatmak büyük yatırımlar gerektiriyor. Haber tabanlı veri setleri ve küresel hava tahminleri ile çalışan modeller, özellikle orta ve uzun vadede erken uyarı kapasitesini artırabilir.
2. Yerel veriyle zenginleştirilebilir: Türkiye’de Meteoroloji Genel Müdürlüğü, AFAD, belediyeler ve üniversiteler tarafından tutulan sel ve yağış kayıtları, Groundsource benzeri yapılarla birleştirildiğinde, çok daha hassas yerel modeller geliştirilebilir.
3. Akıllı şehir ve dijital ikiz projelerine entegre edilebilir: İstanbul, Ankara, İzmir gibi büyükşehirlerde planlanan akıllı şehir projeleri kapsamında, sel risk haritaları altyapı planlamasına, ulaşım yönetimine ve acil durum senaryolarına entegre edilebilir.
4. Sigorta ve finans sektörü için yeni risk analiz araçları: Ani sel riskinin daha iyi modellenmesi, sigorta şirketlerinin poliçe fiyatlamasını, risk haritalarını ve hasar tahminlerini daha isabetli yapmasına olanak tanır.

Türkiye’de yapay zeka ve veri odaklı girişimlerin hızla arttığı bir dönemde, bu tür küresel projeler, yerel girişimlere de yön gösterici oluyor. Örneğin, Aidea’nın yeni yatırımlarla büyüme hedefi gibi haberler, veri odaklı çözümlere olan iştahın arttığını gösteriyor.

---

Rakamlar, İstatistikler ve Karşılaştırmalar

Bu projeyi daha somut görmek için bazı rakamlara bakalım:

• 5 milyon: Gemini’nin taradığı haber makalesi sayısı.
• 2,6 milyon: Bu haberlerden çıkarılan sel raporu sayısı.
• 150 ülke: Flood Hub’ın kapsadığı ülke sayısı.
• 20 km²: Modelin şu anki mekansal çözünürlüğü.
• 5.000+: Ani seller nedeniyle yılda tahmini küresel can kaybı.

Karşılaştırmalı olarak:

• ABD Ulusal Hava Servisi’nin radar tabanlı sistemleri, yerel ölçekte daha yüksek çözünürlük ve hassasiyet sunuyor; ancak bu altyapının kurulumu ve bakımı milyarlarca dolarlık yatırım gerektiriyor.
• Google’ın modeli ise, büyük oranda mevcut küresel hava tahmin verileri ve haber kaynakları üzerine kurulu olduğundan, özellikle düşük ve orta gelirli ülkeler için maliyet-etkin bir alternatif sunuyor.

Bu tür istatistikler, yapay zeka tabanlı afet tahmin sistemlerinin, geleneksel altyapıya sahip olmayan ülkelerde bile hızlıca devreye alınabileceğini gösteriyor.

---

Gelecek Tahminleri: Afet Yönetiminde Yapay Zeka Nereye Gidiyor?

Google’ın ani sel tahmin projesi, önümüzdeki dönemde göreceğimiz gelişmelerin sadece bir öncüsü niteliğinde. Yakın gelecekte şu eğilimler güçlenecek:

1. Çok kaynaklı veri entegrasyonu: Haberler, sosyal medya, uydu görüntüleri, IoT sensörleri ve resmi meteorolojik veriler tek bir çatı altında toplanarak daha zengin ve gerçek zamanlı risk haritaları oluşturulacak.
2. Daha yüksek çözünürlüklü modeller: Hesaplama gücünün artması ve veri setlerinin büyümesiyle, sel tahmin modelleri mahalle hatta sokak ölçeğine kadar inebilecek.
3. Yerel uyarlamalı modeller: Her ülke veya şehir için, o bölgenin topoğrafyası, altyapısı ve tarihsel veri kayıtlarına göre özel optimize edilmiş modeller geliştirilecek.
4. Kamu–özel sektör işbirlikleri: Büyük teknoloji şirketleri, yerel yönetimler, akademi ve sigorta sektörü arasında, afet riskinin daha iyi yönetilmesi için ortak veri ve model paylaşım platformları ortaya çıkacak.
5. Regülasyon ve etik çerçeveler: Afet tahmini gibi kritik alanlarda yapay zekanın kullanımı, şeffaflık, hesap verebilirlik ve hata yönetimi açısından yeni regülasyonları beraberinde getirecek.

Bu gelişmeler, sadece ani seller için değil; orman yangınları, kuraklık, fırtına, deniz seviyesi yükselmesi gibi diğer iklim kaynaklı risklerin tahmininde de benzer yapay zeka tabanlı çözümlerin yaygınlaşacağını işaret ediyor.

---

Sonuç ve Değerlendirme

Google’ın Gemini destekli ani sel tahmin projesi, haber makalelerini bir afet veri kaynağına dönüştürerek, hem yapay zeka alanında hem de afet yönetiminde yeni bir sayfa açıyor.

Öne çıkan noktalar:

• Ani sellerin tahmini zor; veri eksikliği büyük bir engel.
• Google, bu engeli aşmak için 5 milyon haberi analiz ederek 2,6 milyon sel raporu çıkardı ve Groundsource veri setini oluşturdu.
• Bu veri seti, LSTM tabanlı bir modelle birleştirilerek Flood Hub üzerinden 150 ülkede ani sel risklerini öngörmek için kullanılıyor.
• Modelin çözünürlüğü ve radar verisi eksikliği gibi sınırlamaları olsa da, özellikle altyapısı zayıf ülkeler için büyük bir fayda sağlıyor.
• Türkiye gibi sel riski yüksek ülkeler için, bu tür projeler hem erken uyarı kapasitesini artırma hem de yerel veri ve yapay zeka girişimleriyle daha gelişmiş çözümler üretme fırsatı sunuyor.

Sonuç olarak, haberler gibi günlük hayatın parçası olan metin tabanlı içeriklerin, yapay zeka sayesinde hayat kurtaran erken uyarı sistemlerine dönüşmesi, veri çağının ne kadar kritik ve dönüştürücü olduğunu bir kez daha gösteriyor. Bu dönüşüm, yalnızca küresel teknoloji devlerinin değil, Türkiye’deki işletmelerin ve kamu kurumlarının da stratejilerini yeniden düşünmesini gerektiriyor.