YANGIN YAYILIM SİMÜLASYONU VE NSGA-II TABANLI SÖNDÜRME KAYNAK OPTİMİZASYONU: MANAVGAT VAKA ÇALIŞMASI
9. ULUSLARARASI KAPADOKYA BİLİMSEL ARAŞTIRMALAR KONGRESİ, Nevşehir, Türkiye, 3 - 05 Temmuz 2026, ss.803-817, (Tam Metin Bildiri)
- Yayın Türü: Bildiri / Tam Metin Bildiri
- Basıldığı Şehir: Nevşehir
- Basıldığı Ülke: Türkiye
- Sayfa Sayıları: ss.803-817
- Erciyes Üniversitesi Adresli: Evet
Özet
Orman yangınları, iklim değişikliğinin de etkisiyle giderek daha sık ve yıkıcı boyutlarda yaşanmakta olup, dinamik afet koşulları geleneksel ve statik müdahale planlarını yetersiz kılmaktadır. Bu çalışma, orman yangınlarında hücre bazlı yangından etkilenme riskini tahmin etmek, bu risk çıktılarından yararlanarak zaman adımlı yayılım senaryosu oluşturmak ve kısıtlı söndürme kaynaklarının etkin tahsisini desteklemek amacıyla yapay zekâ destekli entegre bir karar destek sistemi sunmaktadır. Yöneylem araştırması temelli bu çalışma iki temel aşamadan oluşmaktadır: İlk aşamada, yangın yayılımını modellemek için ormanlık alanlar Hücresel Otomat modeliyle alt hücrelere bölünmüş ve hücreler arası geçiş kurallarındaki belirsizliği azaltmak amacıyla XGBoost makine öğrenmesi algoritması kullanılmıştır. Modelin geçerliliği, 2021 yılı Antalya/Manavgat orman yangını vaka çalışması olarak ele alınarak test edilmiş; gerçek nihai yanmış alan verisi ile simülasyon çıktıları karşılaştırılarak performans değerlendirmesi gerçekleştirilmiştir. İkinci aşamada, simülasyondan elde edilen zaman adımlı risk/yayılım çıktıları kullanılarak kaynak atama süreci sınırlı müdahale kapasitesi altında çok amaçlı bir talep kapsama modeli olarak formüle edilmiştir. Bu yapıda amaç, simülasyonun belirlediği riskli talep noktalarının sınırlı kaynak koşulları altında öncelikli biçimde kapsanmasını sağlamaktır. Kapasite kısıtlı kaynak tahsisi yapısını içeren bu model, çok amaçlı bir genetik algoritma olan NSGA-II ile çözülmüştür. Geliştirilen matematiksel modelde; su kaynağı mesafesi, su ikmal süresi, müdahale süreleri ve mesafe kısıtları dikkate alınarak, toplam müdahale süresi ve operasyonel maliyetlerin minimizasyonu ile kapsanmayan yangın tahribatının minimizasyonunu aynı anda sağlayan Pareto-optimal atama senaryoları elde edilmiştir.
Forest fires are becoming increasingly frequent and destructive, partly due to climate change, and dynamic disaster conditions are rendering traditional and static response plans insufficient. This study presents an integrated AI-powered decision support system to estimate the risk of fire exposure at the cell level in forest fires, create a time-stepped spread scenario using these risk outputs, and support the effective allocation of limited extinguishing resources. This operations research-based study consists of two main stages: In the first stage, forested areas were divided into sub-cells using a Cellular Automata model to model fire spread, and the XGBoost machine learning algorithm was used to reduce uncertainty in intercell transition rules. The validity of the model was tested using the 2021 Antalya/Manavgat forest fire as a case study; performance evaluation was carried out by comparing the simulation outputs with the actual final burned area data. In the second stage, using the timestepped risk/spread outputs obtained from the simulation, the resource allocation process was formulated as a multi-objective demand coverage model under limited response capacity. The aim of this structure is to ensure that the risky demand points identified by the simulation are prioritized under limited resource conditions. This model, which includes a capacityconstrained resource allocation structure, was solved with NSGA-II, a multi-objective genetic algorithm. In the developed mathematical model, Pareto-optimal allocation scenarios were obtained that simultaneously minimize total response time and operational costs, as well as uncovered fire damage, by considering water source distance, water supply time, response times, and distance constraints. As a result, this developed hybrid model provides decisionmakers such as AFAD and the General Directorate of Forestry with a multi-scenario, flexible, mathematically based, and data-driven emergency response tool during disasters.