Meta öğrenme modeliyle şehirlerin 15 dakikalık şehir kavramına olan uyumlarının değerlendirilmesi: İstanbul örneği

Abstract

Günümüzde şehirler, hızla artan nüfus ve buna bağlı olarak genişleyen şehirlerin geometrik sınırları, plansız yerleşim alanlarının ortaya çıkması, sosyal eşitsizliklerdeki derinleşme, ekonomik kırılganlıkların artışı, trafik yoğunluğu ve hava kirliliği gibi çok yönlü kentsel zorluklarla karşı karşıyadır. Bu kentsel zorluklar, şehirlerin yalnızca fiziksel yapısını değil, toplumsal ve çevresel sürdürülebilirliğini de önemli ölçüde etkilemektedir. Bu sorunlarla mücadele edebilmek için, erişebilirliği ve aktif hareketliliği önceliklendiren yaşanabilir, kapsayıcı ve sürdürülebilir yaşam alanlarının oluşturulmasına yönelik çeşitli şehir planlama yaklaşımları geliştirilmiştir. Bu şehir planlama yaklaşımlarından biri Prof. Dr. Carlos Moreno tarafından 2016 yılında ortaya çıkarılan "15 Dakikalık Şehirler" kavramıdır. 15 Dakikalık Şehirler yaklaşımı, şehir sakinlerinin günlük yaşamlarında ihtiyaç duydukları temel hizmetlere evlerinden en fazla 15 dakikalık bir yürüyüş ya da bisiklet yolculuğu ile erişebilmesini amaçlayan bir şehir planlama anlayışıdır. 15 Dakikalık Şehir yaklaşımında amaç, çok merkezli ve birbirine yakın yaşam alanlarının oluşturulması olduğundan, erişebilirlik kavramın temel bileşenlerinden birini oluşturmaktadır. Bu tez çalışmasının iki amacı bulunmaktadır. Birincisi şehirlerin karakteristik özelliklerinin tespit edilebilmesi ve erişebilirlik performanslarının değerlendirilmesi için çerçeve tasarlanmasıdır. İkincisi ise şehirlerin 15 Dakikalık Şehir kavramına olan uyumlarının karşılaştırılmalı olarak değerlendirilmesi ve bütüncül bir çerçeve modelinin geliştirilmesidir. Bu bağlamda Avrupa genelinde 15 Dakikalık Şehir kavramına halihazırda uygun olan veya uygun olabilmesi için gerekli çalışmaların yapıldığı sekiz şehir seçilmiştir. Seçilen şehirler Amsterdam, Barselona, Bolonya, Madrid, Milan, Münih, Paris ve Viyana'dan oluşmaktadır. Bu seçilen şehirler ile İstanbul'a ait mekansal analizlerde ihtiyaç duyulan verilerin elde edilebilmesi için Python programlama dili kullanılarak bir veri toplama ve işleme programı geliştirilmiştir. Geliştirilen bu program aracılığıyla mekansal veriler OSMnx kütüphanesinden temin edilmiştir. Bu mekansal veriler yol ağı, ilgi noktaları (Point of Interest – POI) ve bina verilerinden oluşmaktadır. Dahası, şehirlerin topoğrafyalarına ait bilgiler NASADEM Küresel Dijital Yükseklik Modeli (Global Digital Elevation Model – GDEM)'nden elde edilmiştir. Gerekli verilerin elde edilmesinin ardından mekansal analizlerinin yapılabilmesi için bu veriler üzerinde ön işleme adımları uygulanmıştır. Ön işlemede ilk olarak tüm verilerin koordinat sistemi projeksiyon koordinat sistemine dönüştürülmüştür. Veri setinde bulunan bozuk geometriye sahip veriler ve tekrarlı veriler veri setinden çıkarılmıştır. Ön işleme adımlarının ardından veriler gerçekleştirilecek mekansal analizler için hazır hale getirilmiştir. Bu bağlamda öncelikli olarak yol veri setinde gerekli düzenlemeler yapılmıştır. Tez çalışmasının amacı yürüme temelli 15 Dakikalık Şehir analizi olduğundan, yol veri setinden yayaların yürümesine engel olan veya yayaların yürüyebilmesi için yeterli altyapıya sahip olmayan yol verileri yol veri setinden çıkartılmıştır. Bu sayede yürünebilir yol ağı elde edilmiştir. OSMnx kütüphanesinden elde edilen POI verilerine yeni bir sınıflandırma yöntemi uygulanarak eğitim, günlük ihtiyaçlar, günlük diğer ihtiyaçlar, kamu hizmetleri, küçük sanayi alanları, kültürel faaliyetler, sağlık hizmetleri, sosyal altyapı, spor alanları, ticaret ve ekonomi, ulaşım ve rekreasyon alanları olarak isimlendirilen 12 sınıf altında POI verileri sınıflandırılmıştır. Bir şehir sakininin gündelik hayatında ihtiyaç duyabileceği her işlevsel hizmet noktasını içeren bu sınıfların belirlenmesinde literatürden ve Mekansal Planlar Yapım Yönetmeliği'nden yararlanılmıştır. Elde edilen POI verileri şehirlere göre karşılaştırıldığında İstanbul'un diğer şehirlere göre en fazla POI verisine sahip olduğu, özellikle sağlık, sosyal altyapı, ticaret ve ekonomi ile ulaşım sınıflarında yoğunlaştığı görülmüştür. Tüm şehirlerde en fazla POI, günlük ihtiyaçlar sınıfında yer alırken, küçük sanayi alanlarına ait veriler OSMnx kütüphanesinde yeterli öznitelik bilgisi bulunmadığından elde edilememiştir. Devamında, alan veri türünde OSMnx kütüphanesinden elde edilen bina verilerinin alanları hesaplanarak bu veriler nokta veri türüne dönüştürülmüştür. Çalışma kapsamında İstanbul'un seçilen ilçelerinin 15 Dakikalık Şehir kavramına olan uyumlarının değerlendirilmesi için ızgara yüzeyler kullanılmıştır. Her bir şehir için bu ızgara yüzeyleri Sony Computer Science Laboratories Roma (Sony CSL) tarafından gerçekleştirilmiş 15 Dakikalık Şehir analizlerlerinden alınmıştır. Izgara yüzeyleri, mekansal çözünürlüğü 200 metre olan altıgen şekillerden oluşmaktadır. Bu yüzeylerin tez çalışması kapsamında kullanılmasının sebebi kurulacak meta öğrenme modelinin doğrulanmasının sağlanmasından kaynaklanmıştır. Seçilen çalışma alanlarının 15 Dakikalık Şehir kavramına olan uyumlarının belirlenebilmesi amacıyla iki düzeye sahip Anahtar Performans Göstergeleri (APG) oluşturulmuştur. İlk düzeyde yakınlık, yoğunluk, ulaşım seçeneklerinin türel dağılımı, ulaşım ağı yapısı ve topoğrafya olarak isimlendirilen kümeler bulunmaktadır. Bu kümeler kendi içlerinde alt APG olarak isimlendirilen farklı mekansal analizleri içermektedir. Bu analizler erişebilirliğin ve şehirlerin karakteristik özelliklerinin kapsamlı bir şekilde incelenebilmesine olanak sağlamaktadır. Her bir ızgara hücresi için alt APG değerleri hesaplanmış ve dahil oldukları kümelerin değerleri bu alt APG değerlerine Entropi Ağırlık Yöntemi (EAY)'nin uygulanmasıyla elde edilmiştir. Her ızgara hücresi için hesaplanan beş ana düzey APG değeri, Sony CSL tarafından aynı hücreler için elde edilen yürüme temelli ortalama erişebilirlik süreleriyle birleştirilerek makine öğrenmesi modellerinin eğitimi için kullanılacak veri seti oluşturulmuştur. Ayrıca, Sony CSL tarafından sağlanan ortalama erişebilirlik süreleri üzerinde ikili sınıflandırma gerçekleştirilmiştir. Bu kapsamda, erişebilirlik süresi 15 dakikanın altında olan hücreler "15 Dakikalık Şehir", 15 dakikanın üzerinde olanlar ise "15 Dakikalık Şehir Değil" olarak etiketlenmiştir. Veri setinin oluşturulma sürecinde, çalışma kapsamında seçilen şehirlerden İstanbul dışındaki diğer şehirlerden elde edilen ızgara hücresi verileri kullanılmıştır. Üretilen eğitim seti Rastgele Orman (Random Forest – RF), XGBoost (eXtreme Gradient Boosting), CatBoost (Categorical Boosting), LightGBM (Light Gradient-Boosting Machine) ve Yapay Sinir Ağları (Artificial Neural Networks – YSA) tabanlı Çok Katmanlı Algılayıcılar (Multilayer Perceptron – MLP) yöntemlerinde kullanılmış, makine öğrenmesi modelleri eğitilmiş ve performans metrikleri ile değerlendirilmiştir. Makine öğrenmesi modellerine ait performans metrikleri incelendiğinde, tüm modellerin sınıflandırma doğruluğunun %86 ile %89 arasında değiştiği görülmüştür. Doğruluk bakımından en iyi sonuç XGBoost modeliyle (%88,8), en düşük sonuç ise CatBoost ile (%86,9) elde edilmiştir. RF ve LightGBM benzer ve dengeli bir başarı sergilerken, kesinlik ve duyarlılık ölçütleri XGBoost'un 15 Dakikalık Şehir kapsamında uygun hücreleri belirlemede en etkili model olduğunu göstermiştir. RF modeli ise uyumsuz hücreleri ayırt etmede diğerlerine göre daha başarılı olmuştur. MLP 15 Dakikalık Şehir kapsamında uygun hücreleri belirlemede yüksek kesinlik sağlamasına karşın, CatBoost'un simetrik ağaç yapısı mekansal karmaşıklığı diğer modellere kıyasla daha zayıf yakalamıştır. Devamında makine öğrenmesi yöntemlerinden Lojistik Regresyon yöntemi kullanılarak meta öğrenme modeli oluşturulmuştur. Bu modellerden elde edilen çıktılarla kurulan meta öğrenme modeli, 15 Dakikalık Şehir uyumluluğunu sınıflandırmada oldukça yüksek bir performans ortaya koymuştur. Dengeli doğruluk değeri %92'ye ulaşmış; ROC-AUC (Alıcı Çalışma Özelliği Eğrisi – Eğri Altında Kalan Alan) (0,9806) ve PR-AUC (Kesinlik Duyarlılık AUC) (0,9886) değerleri modelin sınıfları güçlü bir ayrımla tanımladığını göstermiştir. F1 skoru (0,9445), kesinlik (0,9409) ve duyarlılık (0,9483) değerlerinin birbirine yakınlığı ise, modelin hem uyumlu hem de uyumsuz hücreleri dengeli biçimde tespit edebildiğini ortaya koymuştur. Ardından meta öğrenme modeli İstanbul'un farklı ilçelerinde uygulanmış ve Sony CSL sonuçlarıyla karşılaştırılmıştır. Fatih ve Kadıköy'ün her iki yönteme göre de büyük ölçüde 15 Dakikalık Şehir kavramına uyumlu olduğu görülmüştür. Her iki yöntemin de benzer sonuçlar vermesine rağmen Ümraniye'nin kuzey kesimlerinde meta öğrenme modeli ile Sony CSL sonuçları arasında farklılıklar görülmüştür. Bu farkların temel sebebi çalışma kapsamında geliştirilen kapsamlı mekansal analizlerdir. Bu analizler sayesinde meta öğrenme modeli ızgara hücrelerinin özelliklerini detaylı inceleyerek daha doğru sonuçlar üretebilmiştir. Fakat, meta öğrenme modelinin sınıflandırma doğruluğunun yüksek olmasına rağmen bazı ızgara hücrelerinin yanlış sınıflandırılığı görülmüştür. Bunun temelinde topoğrafyanın bazı ızgara hücrelerinde ki aşırı etkisinden kaynaklanmıştır. Üsküdar ilçesinde de her iki yöntem arasında farklılıklar görülmüştür. İlçenin güney kısımında erişebilirliği kısıtlayan yapılar olmasına rağmen Sony CSL çalışmasında bu ızgara hücreleri 15 Dakikalık Şehir alanı olarak elde edilmiştir. Meta öğrenme modeli ise bu alanların uyumsuz olduğunu başarıyla tespit etmiştir. Ayrıca iki model Üsküdar ilçesinin kuzey kesimlerinde önemli farklılıklar içermektedir. Sony CSL çıktılarında neredeyse Üsküdar'ın kuzey kesimlerinin tamamı 15 Dakikalık Şehir kavramına uyumsuzdur. Fakat meta öğrenme modeli bu alanların büyük bir bölümünü uygun olarak tespit etmiştir. Benzer şekilde bu alandaki hücrelerin bir kısmının meta öğrenme modelinde uyumlu olarak tespit edilmesinin nedeni topoğrafyanın sonuçlara olan etkisinden kaynaklanmıştır. Beyoğlu ilçesi meta öğrenme modelinde neredeyse tamamen 15 Dakikalık Şehir kavramına uyumlu olarak elde edilirken, Sony CSL çıktıları ilçenin kuzey batı kesimlerinde aynı sonuçları vermemiştir. En önemli farklardan bir tanesi Ataşehir Ferhatpaşa Mahallesi'nde yaşanmıştır. Mahallenin sanayi, depolama ve toptan ticaret işlevlerine sahip olmasından dolayı sahip olduğu geniş yollar ve yol yoğunluğu, bu alanların 15 Dakikalık Şehir olarak elde edilmesine neden olmuştur. Sony CSL ise bu alanları uyumsuz olarak tespit etmiştir. Maltepe'de sonuçlar incelendiğinde Sony CSL'in Başıbüyük Mahallesi'nde doğru sonuçlar vermediği görülmüştür. Farklı hizmet noktalarını içeren bu mahalle meta öğrenme modelinde uyumlu olarak elde edilmiştir. Son olarak Sarıyer ilçesinin büyük bir kısmı Sony CSL sonuçlarında uyumsuz olarak elde edilmesine karşı, özellikle ilçenin konut, ticaret ve eğitim alanlarını içeren güney kesimlerinin meta öğrenme modelinde 15 Dakikalık Şehir kavramına uyumlu olduğu görülmüştür.