Çayeli (Rize) ilçesinde jeofizik verilerle bütünleşik heyelan duyarlılığı ve risk haritalarının oluşturulması

Bu çalışmada, Çayeli ilçesinde heyelan duyarlılığının belirlenmesi amacıyla makine öğrenmesi tabanlı bütünleşik bir analiz gerçekleştirilmiştir. Çalışmada topoğrafik, hidrolojik, jeolojik, iklimsel ve sismik/jeoteknik faktörler birlikte değerlendirilmiş; AFAD, MTA, CORINE, OpenStreetMap ve sayısal yükseklik modeli verileri kullanılmıştır. Ayrıca Çayeli Belediyesi’nden temin edilen 55 adet jeolojik-jeoteknik rapor incelenmiş ve jeofizik veriler CBS ortamında modele dahil edilmiştir. Toplam 28 koşullayıcı faktör oluşturulmuş, VIF analizi sonucunda yüksek doğrusal bağlantıya sahip değişkenler çıkarılarak modelleme süreci 22 faktör üzerinden yürütülmüştür. Lojistik Regresyon, Rastgele Orman, XGBoost, LightGBM, SVM ve YSA dahil olmak üzere on farklı makine öğrenmesi algoritması karşılaştırılmıştır. Modeller 5 katlı çapraz doğrulama ve bağımsız test veri seti ile değerlendirilmiştir. Son aşamada SHAP analizi uygulanarak faktörlerin model tahminlerine etkisi yorumlanmıştır. Elde edilen sonuçlar doğrultusunda heyelan duyarlılık haritaları üretilmiş ve çalışma alanındaki mevcut heyelanlarla yüksek mekânsal uyum gösterdiği belirlenmiştir. Çalışma, makine öğrenmesi ve açıklanabilir yapay zekâ yöntemlerinin heyelan duyarlılık analizlerinde etkili sonuçlar sunduğunu ortaya koymuştur.

In this study, an integrated machine learning-based analysis was conducted to determine landslide susceptibility in Çayeli district. Topographic, hydrological, geological, climatic, and seismic/geotechnical factors were jointly evaluated using data obtained from AFAD, MTA, CORINE, OpenStreetMap, and Digital Elevation Models. In addition, 55 geological-geotechnical reports obtained from the Çayeli Municipality were examined, and geophysical data were integrated into the GIS-based model. A total of 28 conditioning factors were initially generated, and after Variance Inflation Factor (VIF) analysis, variables with high multicollinearity were removed, resulting in 22 final factors. Ten different machine learning algorithms, including Logistic Regression, Random Forest, XGBoost, LightGBM, SVM, and Artificial Neural Networks, were comparatively evaluated. The models were trained using 5-fold cross-validation and validated with an independent test dataset. In the final stage, SHAP analysis was applied to interpret the contribution of conditioning factors to model predictions. Landslide susceptibility maps were produced and showed high spatial agreement with existing landslide occurrences in the study area. The study demonstrated that machine learning and explainable artificial intelligence approaches provide effective results for landslide susceptibility assessment.