Kentsel Genişlemenin Makine Öğrenmesi Yöntemleri İle İrdelenmesi

Abstract

Kentsel genişleme, özellikle 'Küresel Güney' gibi hızla kentleşen bölgelerde nüfus artışı, ekonomik gelişme ve altyapı gelişiminin etkisiyle ortaya çıkan kritik bir küresel olgudur. Bu çalışma, makine öğrenmesi (MÖ) ve uzaktan algılama (UA) tekniklerini birleştiren hibrit bir çerçeve kullanarak Türkiye'nin Samsun ilindeki Atakum ve 19 Mayıs ilçelerinde kentsel genişlemenin modellenmesi ve tahmin edilmesine odaklanmaktadır. Çok zamanlı Landsat 7 ve 8 uydu görüntüleri, Google Earth Engine (GEE) aracılığıyla işlenerek, spektral yansıma bantları, gelişmiş arazi örtüsü sınıflandırması için yardımcı veri setleriyle entegre edilmiştir. Dört MÖ sınıflandırıcı: Rasgele Orman (RO), Destek Vektör Makinesi (DVM), Gradyan Ağaç Hızlandırıcı (Gradient Tree Boosting, GTB) ve Sınıflandırma ve Regresyon Ağaçları (Classification and Regression Tree, CART) uygulanmıştır. Bulgular, iki topluluk modelinin, GTB ve RO'nın, özellikle dinamik ve karmaşık ortamlarda doğru arazi örtüsü haritalaması için en güvenilir modeller olduğunu göstermektedir. Çalışmada üç kentsel genişleme simülasyon modeli uygulanmıştır: (1) Hücresel Otomatlı Yapay Sinir Ağları (Artificial neural network with Cellular Automata, ANN-CA) kullanan Arazi Kullanım Değişikliği Simülasyonları için Modüller (Modules for Land Use Change Simulations, MOLUSCE), (2) Markov Zinciri (Markov Chain, MC) analizi ile entegre edilmiş üç alternatifi Çok Katmanlı Algılayıcı (Multi-Layer Perceptron, MLP), RO, DVM ile Arazi Değişikliği Modelleyici (Land Change Modeler, LCM) ve (3) Yama Tabanlı Arazi Kullanım Simülasyonu (Patch-based Land Use Simulation, PLUS). Uzun vadeli arazi kullanım geçişlerini analiz etmek için tahmin ufku 2042 olarak belirlenmiştir. Tahmin modellerinin değerlendirilmesi, ANN-CA ve MLP-MC modellerinin mekansal dağılım eğilimlerini etkili bir şekilde yakaladığını, PLUS modelinin ise mahalle etkisi ağırlıklandırması için En İyi-En Kötü Yöntemi (BWM) kullanarak geçiş faktörlerine ilişkin daha kapsamlı bilgiler sağladığını göstermiştir. Sonuçlar, altyapı erişimi ve yüksek nüfus yoğunluğu nedeniyle, çalışma alanının doğu ve güneydoğusunda, tarım arazilerinin kentsel arazilere dönüştürülmesiyle birlikte istikrarlı bir kentsel genişleme olduğunu göstermektedir. 2002 ile 2042 yılları arasında, kentsel alanın yaklaşık %235,15 oranında artacağı ve bu artışın önemli bir arazi dönüşümünü yansıtacağı öngörülmektedir. Çalışma, arazi kullanım değişikliklerini tahmin etmek için sağlam, makine öğrenmesi odaklı çoklu model çerçevesi sunarak sürdürülebilir kentsel gelişime katkıda bulunmaktadır.Urban expansion is a critical global phenomenon driven by population growth, economic development, and infrastructural advancement, particularly in rapidly urbanizing regions such as the Global South. This study focuses on modeling and predicting urban expansion in the Atakum and 19 Mayıs districts of Samsun Province, Turkey, using a hybrid framework that combines machine learning (ML) and remote sensing (RS) techniques. Multi-temporal Landsat 7 and 8 satellite imagery were processed via Google Earth Engine (GEE), integrating spectral reflectance bands with auxiliary datasets for enhanced land cover classification. Four ML classifiers: Random Forest (RF), Support Vector Machine (SVM), Gradient Tree Boosting (GTB), and Classification and Regression Trees (CART) were applied. The two ensemble models, GTB and RF, are the most reliable for accurate land cover mapping. Urban expansion was simulated using three modeling approaches: (1) MOLUSCE (Modules for Land Use Change Simulations) using Artificial Neural Networks with Cellular Automata (ANN-CA), (2) Land Change Modeler (LCM) with three machine learning (ML) alternatives Multi-Layer Perceptron (MLP), Random Forest (RF), Support Vector Machine (SVM) integrated with Markov Chain (MC) analysis, and (3) the Patch-based Land Use Simulation (PLUS). The prediction horizon was set to 2042 to analyze long-term land use transitions. Evaluation of the prediction models showed that ANN-CA and MLP-MC effectively captured spatial allocation trends, whereas the PLUS model provided enhanced insights into transition drivers by incorporating the Best-Worst Method (BWM) for neighborhood influence weighting. Results indicate a steady urban expansion toward the east and southeast of the study area, primarily converting farmland into urban land due to infrastructure access and high population density. Between 2002 and 2042, the urban area is projected to increase by approximately 235.15%, reflecting significant land transformation. The study contributes to sustainable urban development by offering a robust, ML-driven multi-model framework for predicting land use change.