Yapay Zeka ile Afet Verilerinin Coğrafi Konumlandırılması Kolaylaşıyor
Yapay Zeka ile Afet Verilerinin Coğrafi Konumlandırılması Kolaylaşıyor
Araştırmacılar, GPT-4o destekli bir sistemle afet verilerinin alt ulusal düzeyde otomatik olarak konumlandırılmasını sağlayan yeni bir yöntem geliştirdi.
Önemli Noktalar
- GPT-4o ile desteklenen tam otomatik iş akışı, afet verilerini temizleyip konumlandırıyor.
- GADM, OpenStreetMap ve Wikidata verileriyle doğrulama yapılarak güvenilirlik puanı atanıyor.
- 2000-2024 arası EM-DAT veritabanında 14.215 afet olayı, 17.948 farklı lokasyonda kodlandı.
Araştırmanın Amacı ve Yöntemi
Afet olaylarının alt ulusal düzeyde konum bilgisi, risk değerlendirmesi ve afet riskinin azaltılması için büyük önem taşıyor. Ancak EM-DAT gibi afet veri tabanlarında yer alan konumlar genellikle yapılandırılmamış, tutarsız ve farklı detay seviyelerinde kaydediliyor. Bu durum, verilerin harita tabanlı analizlerde kullanılmasını güçleştiriyor.
Araştırmacılar, GPT-4o destekli tamamen otomatik bir iş akışı geliştirerek bu sorunu çözmeyi hedefledi. Sistem, afet veritabanındaki metinsel konum bilgilerini işleyip temizliyor ve ardından GADM, OpenStreetMap ile Wikidata gibi üç bağımsız coğrafi bilgi kaynağını çapraz kontrol ederek her bir olaya geometrik bir konum atıyor.
Teknik Detaylar
- Otomasyon: Yöntem, manuel müdahaleye ihtiyaç duymadan tüm afet türlerini kapsıyor ve farklı kaynaklardan doğrulama yapabiliyor.
- Güvenilirlik Puanı: Her bir lokasyona, kaynaklar arasındaki uyuma ve veri bulunabilirliğine göre güvenilirlik puanı atanıyor.
- Ölçeklenebilirlik: Sistem, EM-DAT’ın 2000-2024 arasındaki verileri üzerinde uygulanarak 14.215 afet olayını, 17.948 benzersiz lokasyonda başarıyla kodladı.
Yapay Zekanın Potansiyeli
Araştırma, büyük dil modellerinin (LLM) yapılandırılmamış metinlerden coğrafi bilgi çıkarma ve bu bilgiyi yapılandırılmış veri haline getirme potansiyelini de ortaya koyuyor. Bu yöntem, sadece afet analizlerinde değil, geniş ölçekli coğrafi veri işlemede de güvenilir ve ölçeklenebilir bir çözüm sunuyor.
Kaynak
arXiv:2511.14788v1 – Subnational Geocoding of Global Disasters Using Large Language Models
Kaynak: arxiv.org