Önceki Projeler ve Endüstriyel Çözümler

• Uydu ve Sensör Tabanlı Platformlar: Örneğin Almanya merkezli OroraTech, termal kızılötesi kameralar barındıran uydu takımyıldızıyla küresel ölçekte yangın sıcaklıklarını algılıyor. Sistemi, 25’ten fazla uydu ve yer sensörünü yapay zekâ analizleriyle birleştirerek gerçek zamanlı yangın tespiti sağlıyorororatech.comororatech.com. Bu tür uzay tabanlı platformlar, alev belirmeden önceki düşük seviyeli ısı artışlarını dahi yakalayabiliyor ve yanıltıcı alarmları filtreleyerek müdahale süresini saatler değil dakikalar seviyesine indiriyorororatech.com.

• Hava ve Drone Tabanlı Ağlar: Dryad Networks gibi girişimler, orman içine yerleştirilen kablosuz sensörlerle ultrayer erken uyarı sunuyor. Dryad’ın Silvanet sistemi, LoRaWAN üzerinden haberleşen güneş enerjili sensör düğümlerinde CO ve H₂ gibi gaz algılayıcılar barındırıyor. Bu sayede sızan duman veya gaz artışı çok erken evrede fark ediliyor; gömülü yapay zekâ sayesinde ise yanlış alarmlar minimuma indiriliyorazocleantech.com. Aynı mantıkla akıllı drone takımları da kullanılıyor. Örneğin ABD Ormancılık Servisi’nin çalışmasında drone’lar yan yana monte RGB ve termal kameralarla yakılmış bölge görüntüleri topladı; görüntüler yapay zekâ ile işlenerek yangın/n yangın ayrımı önceki yöntemlere göre çok daha yüksek doğrulukla yapıldıresearch.fs.usda.gov.

• Yüksek Çözünürlüklü Kamera Ağları: Büyük ölçekli sabit kamera sistemleri de etkili çözümler arasında. Kaliforniya’daki ALERTCalifornia projesi gibi sistemlerde binlerce 360° HD kamera, ormanlık alanları sürekli tarıyor. Benzer şekilde Pano AI ve FireScout gibi firmalar, yüksek noktalara yerleştirilmiş kameralar ve uydu verilerini derin öğrenme ile analiz ederek yangını saniyeler içinde algılıyor. Örneğin Pano’nun yapay zekâ tabanlı platformu, gözetleme noktalarından gelen görüntülerle tehditi anında tespit edip ilgili birimleri gerçek zamanlı olarak uyarıyorpano.ai.

• Yer Tabanlı Ağlar ve Sonuçları: Yerel kamera ve sensör ağları, geniş alandaki yangınları erken saptamak için çok kullanışlıdır. exci.ai gibi sistemler, binlerce yer kamerasını uydu görüntüleriyle besleyip özel derin öğrenme algoritmalarıyla yorumlayarak raporlar oluşturuyor. exci’nin analizlerine göre, sistem 2021 yangın sezonunda yangınların %66’sını bir dakika, %95’ini beş dakikada yakalayabildi ve neredeyse hiç yanlış alarm vermediexci.aiexci.ai. Bu sayede yangın yönetim ekipleri büyük alanları insan gözüyle taramak zorunda kalmadan anlık bildirim alabiliyor.

• Üst Düzey Analiz ve Karar Destek: Hava durumu ve coğrafi verilerle entegrasyon sağlayan çözümler de mevcut. Örneğin FireScout, uydu ve meteoroloji verilerini makine öğrenmesiyle işleyerek yangınları önceden tespit ediyor; dakikalar içinde erken uyarılar sunuyor (sistem uydu görüntülerinden hareketli sıcaklık anomalilerini ve rüzgar bilgisini kullanıyor)flypix.ai. Benzer şekilde ForestRadar gibi platformlar, radar ve Sentinel uyduları ile hava bağımsız inceleme yaparak orman sağlığındaki değişiklikleri ve yangın riskini izliyor.

Akademik Çalışmalar ve Mevcut Literatür

• Çoklu Sensör Veri Füzyonu: Zhang ve ark. (2025) gibi çalışmalar, RGB ve termal kameralardan eşzamanlı görüntüler kullanan büyük veri setleri oluşturdu. Zhang’ın RGBT-3M veri kümesi, “duman-alev-insan” sınıflarına sahip çeşitli senaryolardan oluşuyor ve yeni geliştirdikleri YOLOv11 tabanlı modelle %92.5 precision, %93.5 recall elde ettimdpi.com. Bu çalışma, çoklu modalite bilgisinin başarıyla harmanlandığını ve erken aşamadaki yangın belirtilerini yüksek doğrulukla yakaladığını gösterdi.

• UAV ile Toplanmış Görüntüler: Chen ve ark. (2022) IEEE Access’te, sedir ormanında kontrollü yangın esnasında drone’lardan alınan eşzamanlı renk (RGB) ve termal videolar içeren bir veri seti yayınladılar. Uzmanlar tarafında her kare “yangın/yangın değil” olarak etiketlendi ve derin öğrenme tespiti yapıldı. Sonuçta, RGB+termal veriyi bir arada işleyen yöntemler, tek kanallı analizlere göre çok daha yüksek başarı sağladıresearch.fs.usda.gov. Ayrıca destek verisi olarak yangın planı, ortomozaik haritaları ve hava verileri de sunularak daha zengin bir kaynak oluşturuldu.

• Boreal Yangın Veri Seti: Nature Scientific Data’da yayımlanan Boreal Forest Fire (2025) veri kümesi, Finlandiya’da düzenli yanmalarda çekilen 4954 drone görüntüsü ve 292 video klip içerir. Her görüntüye insan-etiketli duman/a lev bounding-box’ları ve segmentasyon maskeleri eklenmiştirnature.com. Bu benzersiz set, hem duman hem alev göstergelerini bir arada etiketlediği için mevcut veri eksikliğini gideriyornature.com. Araştırmacılar, bu veriyle çoklu görevli algılama ve segmentasyon modelleri geliştirmenin olanaklı hale geldiğini gösterdiler.

• Termal-RGB Görüntü Kümeleri (FLAME 3): Hopkins ve ark. (2024) FLAME 1-2 serisine ek olarak FLAME 3 adlı ilk yan yana termal- ve RGB- görüntü setini sunduarxiv.org. FLAME 3, renkli kameraya eşleştirilmiş her piksel için mutlak sıcaklık veren termal TIFF formatında hava görüntüleri içerir. Araştırmacılar, bu verilerle yanardağ benzeri simülasyonlardan ziyade gerçek yangın ortamlarında modeli eğiterek, radyometrik termalin yeni bir yapay zekâ avantajı sağladığını gösterdiler. Kaggle’da paylaşılan alt setler sayesinde araştırmacılar bu veriyi kendi modellerine uygulayabilir.

• Semantik Segmentasyon Çalışmaları: Yue ve ark. (2025) RGB ve termal görüntüleri birleştiren BFCNet adında bir segmentasyon modeli tanıttı. Toplam 2002 eşleştirilmiş resimden oluşan bir test kümesiyle değerlendirilen bu model, hem rgb hem de termal girdiyi öğrenerek IoU %88.3, F1 %93.8 gibi çok yüksek sonuçlar elde ettimdpi.com. Karşılaştırma için tek modlu ve diğer multimodal yöntemler test edildiğinde BFCNet, özellikle alev kenarlarını (ince detayları) yakalama konusunda önemli gelişme sağladımdpi.com. Bu da multimodal derin öğrenmenin, yangın algılama doğruluğunu belirgin biçimde artırdığını ortaya koyuyor.

• Görsel-Algısal Sinir Ağları: Literatürde orman yangını algılamada YOLO ve Faster R-CNN gibi nesne algılama ağları ile U-Net gibi segmentasyon modelleri yaygın. Örneğin çoklu sensör çalışmasında YOLOv11 benzeri tek-aşamalı ağlar tercih edilmişmdpi.com. Diğer tarafta, yanmış alanları belirlemek için Landsat öncesi/sonrası spektrel endeksler ve U-Net tabanlı segmentasyonlar kullanılıyor. Genel olarak, CNN temelli modeller erken duman/alev farkını çıkarmada başarılı; ancak modellere bol ve çeşitli eğitim verisi sağlanması kritik bulunuyornature.commdpi.com.

• Diğer Vaka İncelemeleri: WIT-UAS gibi çalışmalar yangın ortamının özel koşullarına odaklanıyor. Örneğin, termal kamerayla çekilen yangın sahnelerinde itfaiye personeli ve araçlarını etiketleyen bir veri kümesi geliştirildiarxiv.org. Bu gruplar, normal koşullardaki nesne tanıma modellerinin yangını insan/araç zannedebildiğine dikkat çekti; WIT-UAS verisini ek eğitimle kullanmak bu yanlış pozitifleri ciddi oranda düşürdüarxiv.org. Böylece, yangın ortamına özgü verisetlerinin de yüksek öneme sahip olduğu anlaşıldı.

• Genel Derlemeler: Mevcut incelemeler, çoklu kaynaklı yapay zekâ çözümlerinin etkinliğini vurguluyor. Örneğin bazı derlemeler, yer kameraları ile uydu termal verilerinin birlikte kullanılmasının erken uyarı başarısını artırdığını ortaya koyuyormdpi.comexci.ai. Bu çalışmalar, sahadan toplanan farklı veri türlerinin (termal+optik+duman sensörleri vb.) hatalı alarm oranını düşürdüğünü ve tespit mesafesini yükselttiğini belirtiyor.

Veri Setlerinden Örnek Görüntüler

Boreal Orman Yangını veri kümesinden alınan örnek hava fotoğrafları. Bu görüntüler, Finlandiya’da düzenlenen kontrollü yakmalarda farklı açılardan çekilen duman ve alev sahnelerini göstermektedir. Görüntülerde çok çeşitli ağaç örtüleri ve su kütleleri önünde yükselen duman sütunları yer alır; bu çeşitlilik, model eğitimi için zengin bir ortam sunar. Bu tip geniş ölçekli hava görüntüleri, yangın belirtilerini (duman/alev) hem görsel hem de termal analizle detaylıca incelemede yararlıdır.

Kullanılan ve Potansiyel Veri Kümeleri

• RGB Görüntüler: Açık kaynaklı yangın fotoğrafı setleri örneğin FLAME (35 binin üzerinde dron görüntüsü) ve Kaggle yangın veri havuzlarıdır. FLAME veri kümesinde 48.010 hava fotoğrafının 30.155’i “yangın içeriyor” olarak, 17.855’i “yangın yok” olarak etiketlenmiştirmdpi.com. M. S. Prasad’ın Kaggle’a eklediği set 5000 eğitim görseli (2500 yangın, 2500 normal) ile 50 test örneği içerirmdpi.com. Duman veya alev içeren kısa klipler de bazı projelerde (DeepFire, Corsica, vb.) bulunur.

• Termal Görüntüler: FLAME 3 gibi yeni dataset’ler hem renkli hem de radyometrik termal resimler içeriyorarxiv.org. Önceki FLAME versiyonları sadece RGB iken, FLAME 3 her piksele sıcaklık bilgisini getiriyor. Ayrıca farklı yayınlarda drone veya sabit kameralardan çekilmiş termal yangın görüntüleri sunulmuş; örneğin ormanlık yangınlarda kullanılan HPWREN veri kümesi 1340 adet duman içeren termal gölge görüntüsü barındırırmdpi.com. Bu veri setleri termal model eğitiminde kritiktir.

• Uydu Verileri: NASA/NOAA uyduları (MODIS, VIIRS) dünya çapında günlük sıcak nokta (hotspot) verisi sağlar (FIRMS). Yangın izleme sistemleri genellikle bu gerçek zamanlı uydu verilerini kullanırororatech.com. Ayrıca Sentinel-2 çok spektral ve Sentinel-1 radar görüntüleri ile Coğrafi Bilgi Sistemleri üzerinden yangın risk haritaları oluşturulabilir. Türkiye özelinde Landsat ve Copernicus veri tabanları ücretsiz erişim sunmaktadır.

• Multimodal / Füzyon Setleri: Farklı veri kaynaklarını birleştiren sınırlı sayıda set de vardır. Örneğin US Forest Service’in Arizona yanığı seti, eşzamanlı renk ve IR videolar içerirresearch.fs.usda.gov. Finlandiya Boreal seti hem geniş hava görüntüleri hem de segmentasyon maskeleri sağlıyornature.com. İleride, kameralardan, sensörlerden ve uydulardan gelen verilerin birlikte işlendiği entegre veri havuzları yapay zekâ modellerinin genelleme yeteneğini artıracaktır.

Önerilen Geliştirmeler ve Ekstralar

• Ek Sensör Entegrasyonu: Sistemi daha da geliştirmek için, kimyasal ve gaz sensörleri eklenebilir. Karbon monoksit (CO), hidrojen (H₂) gibi gaz algılayıcılar, duman izleri ortaya çıkmadan önceki erken kimyasal değişimleri yakalayarak alarm verirazocleantech.com. Bu, alev çıkmadan önce bile müdahale fırsatı sunar. Aynı şekilde, genişletilmiş frekanslarda akustik veya IR sensörler eklemek de akıllıca olur.

• Meteoroloji ve Diğer Çevresel Veriler: Rüzgar hızı/yönü, nem, toprak rutubeti gibi hava durumu verileri sisteme entegre edilirse yangının yayılma tahmini yapılabilir. Örneğin NOAA’nın yangın hava tahmin laboratuvarları, meteoroloji modelleri ile yangın simulasyonlarını birleştirerek sahadaki karar verme süreçlerini destekliyor. Bu tür veriler planlamada kritik rol oynar.

• Genişletilmiş Veri Kaynakları: Radar uydu görüntüleri (Sentinel-1 SAR) veya LiDAR gibi sistemler, sis ve bulutlu havada dahi değişiklik tespiti yapabilir. Ayrıca, sabit kamera ağlarının (örneğin ALERTCalifornia benzeri) yaygınlaştırılması ve topluluk kaynaklı mobil raporlama entegrasyonları (ilk ihbarların anında paylaşılması) ile kapsama genişletilebilir.

• Gelişmiş Yapay Zeka Teknikleri: Çoklu görüntü ve zaman serilerini işlemek için Görüntü-Transformer, uzamsal-dalgacık tabanlı ağlar veya ConvLSTM gibi yöntemler uygulanabilir. Federated learning ile farklı bölgelerdeki modeller ortak eğitilirken özel veriler korunur. Model optimizasyonu (TensorRT, kuantalizasyon vb.) ile gerçek zamanlı çalışma hızı artırılabilir.

• Otonom Drone ve Robotik: Alarm durumunda otonom İHA filoları otomatik kalkış yapıp şüpheli bölgeleri 3B tarayabilir. Bazı projelerde drone’ların kendi görüntüleriyle hemen analiz yapıp anında geri bildirim verebilmeleri amaçlanıyor. Ayrıca sistem, yangın söndürme filolarını otomatik yönlendirme veya tahliye planlarına bilgilendirme gibi operasyonel entegrasyonları da destekleyebilir.

• Bulut ve Uç İşleme (Edge AI): Kritik anlarda, elde edilen görüntülerin dronelarda veya yakın ağ cihazlarında (Jetson, Coral vb. gibi) önceden işlenmesi gecikmeyi azaltır. Hafifletilmiş modellerle akış verileri anında analiz edilip yalnızca anlamlı sonuçlar merkeze gönderilebilir.

• Uydu Radar Entegrasyonu: Diğer bir olası ek, yangın sonrası geniş alan değişimlerini radar uydu verileriyle izlemek olabilir. Radar, yoğun duman veya bulut altındaki değişimi görebildiğinden, yangın sınırlarının haritalanmasına ek güvence sağlar.

• Proaktif Tahminler ve Simülasyonlar: Son olarak, gerçek zamanlı tespitin ötesinde, toplanan verileri kullanarak yangın yayılım simülasyonları eklenebilir. Hava durumu ve arazi verileri ile entegre modeller, hangi alanların risk altında olduğunu önceden göstererek erkenden önlem almaya yardımcı olur.

Yukarıdaki araştırma ve endüstri örnekleri, projenizin hem akademik hem pratik temelini güçlendirir. Mevcut çalışmalar, çoklu kaynaklı yapay zekâ modellerinin yangınları çok daha erken aşamada ve daha düşük yanlış alarm oranıyla yakalayabildiğini gösteriyormdpi.commdpi.com. Önerdiğimiz ek özellikler ve yeni veri kaynakları ise sistemin kapsamını genişleterek erken uyarı ve müdahale kabiliyetini daha da artıracaktır. Böylece ortaya çıkacak çözüm, geleneksel yöntemlere kıyasla yangını çok daha hızlı ve güvenilir biçimde kontrol altına alan entegre bir afet yönetim altyapısı oluşturacaktır.

Kaynaklar: Yukarıda belirtilen çalışmalar ve veri kümeleri, ilgili literatürden alınmıştır (ör. Zhang 2025mdpi.com, Chen 2022research.fs.usda.gov, Boreal Forest Fire 2025nature.com, FLAME3 2024arxiv.org, Yue 2025mdpi.com vb.). OroraTech, Dryad, Pano AI gibi endüstri uygulamaları da ilgili web kaynaklarından özetlenmiştirororatech.comazocleantech.compano.aiexci.ai. Images and datasets are cited in context.

Sources

ChatGPT can make mistakes. Check important info.

Önceki Projeler ve Endüstriyel Çözümler

• Uydu ve Sensör Tabanlı Platformlar: Örneğin Almanya merkezli OroraTech, termal kızılötesi kameralar barındıran uydu takımyıldızıyla küresel ölçekte yangın sıcaklıklarını algılıyor. Sistemi, 25’ten fazla uydu ve yer sensörünü yapay zekâ analizleriyle birleştirerek gerçek zamanlı yangın tespiti sağlıyorororatech.comororatech.com. Bu tür uzay tabanlı platformlar, alev belirmeden önceki düşük seviyeli ısı artışlarını dahi yakalayabiliyor ve yanıltıcı alarmları filtreleyerek müdahale süresini saatler değil dakikalar seviyesine indiriyorororatech.com.

• Hava ve Drone Tabanlı Ağlar: Dryad Networks gibi girişimler, orman içine yerleştirilen kablosuz sensörlerle ultrayer erken uyarı sunuyor. Dryad’ın Silvanet sistemi, LoRaWAN üzerinden haberleşen güneş enerjili sensör düğümlerinde CO ve H₂ gibi gaz algılayıcılar barındırıyor. Bu sayede sızan duman veya gaz artışı çok erken evrede fark ediliyor; gömülü yapay zekâ sayesinde ise yanlış alarmlar minimuma indiriliyorazocleantech.com. Aynı mantıkla akıllı drone takımları da kullanılıyor. Örneğin ABD Ormancılık Servisi’nin çalışmasında drone’lar yan yana monte RGB ve termal kameralarla yakılmış bölge görüntüleri topladı; görüntüler yapay zekâ ile işlenerek yangın/n yangın ayrımı önceki yöntemlere göre çok daha yüksek doğrulukla yapıldıresearch.fs.usda.gov.

• Yüksek Çözünürlüklü Kamera Ağları: Büyük ölçekli sabit kamera sistemleri de etkili çözümler arasında. Kaliforniya’daki ALERTCalifornia projesi gibi sistemlerde binlerce 360° HD kamera, ormanlık alanları sürekli tarıyor. Benzer şekilde Pano AI ve FireScout gibi firmalar, yüksek noktalara yerleştirilmiş kameralar ve uydu verilerini derin öğrenme ile analiz ederek yangını saniyeler içinde algılıyor. Örneğin Pano’nun yapay zekâ tabanlı platformu, gözetleme noktalarından gelen görüntülerle tehditi anında tespit edip ilgili birimleri gerçek zamanlı olarak uyarıyorpano.ai.

• Yer Tabanlı Ağlar ve Sonuçları: Yerel kamera ve sensör ağları, geniş alandaki yangınları erken saptamak için çok kullanışlıdır. exci.ai gibi sistemler, binlerce yer kamerasını uydu görüntüleriyle besleyip özel derin öğrenme algoritmalarıyla yorumlayarak raporlar oluşturuyor. exci’nin analizlerine göre, sistem 2021 yangın sezonunda yangınların %66’sını bir dakika, %95’ini beş dakikada yakalayabildi ve neredeyse hiç yanlış alarm vermediexci.aiexci.ai. Bu sayede yangın yönetim ekipleri büyük alanları insan gözüyle taramak zorunda kalmadan anlık bildirim alabiliyor.

• Üst Düzey Analiz ve Karar Destek: Hava durumu ve coğrafi verilerle entegrasyon sağlayan çözümler de mevcut. Örneğin FireScout, uydu ve meteoroloji verilerini makine öğrenmesiyle işleyerek yangınları önceden tespit ediyor; dakikalar içinde erken uyarılar sunuyor (sistem uydu görüntülerinden hareketli sıcaklık anomalilerini ve rüzgar bilgisini kullanıyor)flypix.ai. Benzer şekilde ForestRadar gibi platformlar, radar ve Sentinel uyduları ile hava bağımsız inceleme yaparak orman sağlığındaki değişiklikleri ve yangın riskini izliyor.

Akademik Çalışmalar ve Mevcut Literatür

• Çoklu Sensör Veri Füzyonu: Zhang ve ark. (2025) gibi çalışmalar, RGB ve termal kameralardan eşzamanlı görüntüler kullanan büyük veri setleri oluşturdu. Zhang’ın RGBT-3M veri kümesi, “duman-alev-insan” sınıflarına sahip çeşitli senaryolardan oluşuyor ve yeni geliştirdikleri YOLOv11 tabanlı modelle %92.5 precision, %93.5 recall elde ettimdpi.com. Bu çalışma, çoklu modalite bilgisinin başarıyla harmanlandığını ve erken aşamadaki yangın belirtilerini yüksek doğrulukla yakaladığını gösterdi.

• UAV ile Toplanmış Görüntüler: Chen ve ark. (2022) IEEE Access’te, sedir ormanında kontrollü yangın esnasında drone’lardan alınan eşzamanlı renk (RGB) ve termal videolar içeren bir veri seti yayınladılar. Uzmanlar tarafında her kare “yangın/yangın değil” olarak etiketlendi ve derin öğrenme tespiti yapıldı. Sonuçta, RGB+termal veriyi bir arada işleyen yöntemler, tek kanallı analizlere göre çok daha yüksek başarı sağladıresearch.fs.usda.gov. Ayrıca destek verisi olarak yangın planı, ortomozaik haritaları ve hava verileri de sunularak daha zengin bir kaynak oluşturuldu.

• Boreal Yangın Veri Seti: Nature Scientific Data’da yayımlanan Boreal Forest Fire (2025) veri kümesi, Finlandiya’da düzenli yanmalarda çekilen 4954 drone görüntüsü ve 292 video klip içerir. Her görüntüye insan-etiketli duman/a lev bounding-box’ları ve segmentasyon maskeleri eklenmiştirnature.com. Bu benzersiz set, hem duman hem alev göstergelerini bir arada etiketlediği için mevcut veri eksikliğini gideriyornature.com. Araştırmacılar, bu veriyle çoklu görevli algılama ve segmentasyon modelleri geliştirmenin olanaklı hale geldiğini gösterdiler.

• Termal-RGB Görüntü Kümeleri (FLAME 3): Hopkins ve ark. (2024) FLAME 1-2 serisine ek olarak FLAME 3 adlı ilk yan yana termal- ve RGB- görüntü setini sunduarxiv.org. FLAME 3, renkli kameraya eşleştirilmiş her piksel için mutlak sıcaklık veren termal TIFF formatında hava görüntüleri içerir. Araştırmacılar, bu verilerle yanardağ benzeri simülasyonlardan ziyade gerçek yangın ortamlarında modeli eğiterek, radyometrik termalin yeni bir yapay zekâ avantajı sağladığını gösterdiler. Kaggle’da paylaşılan alt setler sayesinde araştırmacılar bu veriyi kendi modellerine uygulayabilir.

• Semantik Segmentasyon Çalışmaları: Yue ve ark. (2025) RGB ve termal görüntüleri birleştiren BFCNet adında bir segmentasyon modeli tanıttı. Toplam 2002 eşleştirilmiş resimden oluşan bir test kümesiyle değerlendirilen bu model, hem rgb hem de termal girdiyi öğrenerek IoU %88.3, F1 %93.8 gibi çok yüksek sonuçlar elde ettimdpi.com. Karşılaştırma için tek modlu ve diğer multimodal yöntemler test edildiğinde BFCNet, özellikle alev kenarlarını (ince detayları) yakalama konusunda önemli gelişme sağladımdpi.com. Bu da multimodal derin öğrenmenin, yangın algılama doğruluğunu belirgin biçimde artırdığını ortaya koyuyor.

• Görsel-Algısal Sinir Ağları: Literatürde orman yangını algılamada YOLO ve Faster R-CNN gibi nesne algılama ağları ile U-Net gibi segmentasyon modelleri yaygın. Örneğin çoklu sensör çalışmasında YOLOv11 benzeri tek-aşamalı ağlar tercih edilmişmdpi.com. Diğer tarafta, yanmış alanları belirlemek için Landsat öncesi/sonrası spektrel endeksler ve U-Net tabanlı segmentasyonlar kullanılıyor. Genel olarak, CNN temelli modeller erken duman/alev farkını çıkarmada başarılı; ancak modellere bol ve çeşitli eğitim verisi sağlanması kritik bulunuyornature.commdpi.com.

• Diğer Vaka İncelemeleri: WIT-UAS gibi çalışmalar yangın ortamının özel koşullarına odaklanıyor. Örneğin, termal kamerayla çekilen yangın sahnelerinde itfaiye personeli ve araçlarını etiketleyen bir veri kümesi geliştirildiarxiv.org. Bu gruplar, normal koşullardaki nesne tanıma modellerinin yangını insan/araç zannedebildiğine dikkat çekti; WIT-UAS verisini ek eğitimle kullanmak bu yanlış pozitifleri ciddi oranda düşürdüarxiv.org. Böylece, yangın ortamına özgü verisetlerinin de yüksek öneme sahip olduğu anlaşıldı.

• Genel Derlemeler: Mevcut incelemeler, çoklu kaynaklı yapay zekâ çözümlerinin etkinliğini vurguluyor. Örneğin bazı derlemeler, yer kameraları ile uydu termal verilerinin birlikte kullanılmasının erken uyarı başarısını artırdığını ortaya koyuyormdpi.comexci.ai. Bu çalışmalar, sahadan toplanan farklı veri türlerinin (termal+optik+duman sensörleri vb.) hatalı alarm oranını düşürdüğünü ve tespit mesafesini yükselttiğini belirtiyor.

Veri Setlerinden Örnek Görüntüler

Boreal Orman Yangını veri kümesinden alınan örnek hava fotoğrafları. Bu görüntüler, Finlandiya’da düzenlenen kontrollü yakmalarda farklı açılardan çekilen duman ve alev sahnelerini göstermektedir. Görüntülerde çok çeşitli ağaç örtüleri ve su kütleleri önünde yükselen duman sütunları yer alır; bu çeşitlilik, model eğitimi için zengin bir ortam sunar. Bu tip geniş ölçekli hava görüntüleri, yangın belirtilerini (duman/alev) hem görsel hem de termal analizle detaylıca incelemede yararlıdır.

Kullanılan ve Potansiyel Veri Kümeleri

• RGB Görüntüler: Açık kaynaklı yangın fotoğrafı setleri örneğin FLAME (35 binin üzerinde dron görüntüsü) ve Kaggle yangın veri havuzlarıdır. FLAME veri kümesinde 48.010 hava fotoğrafının 30.155’i “yangın içeriyor” olarak, 17.855’i “yangın yok” olarak etiketlenmiştirmdpi.com. M. S. Prasad’ın Kaggle’a eklediği set 5000 eğitim görseli (2500 yangın, 2500 normal) ile 50 test örneği içerirmdpi.com. Duman veya alev içeren kısa klipler de bazı projelerde (DeepFire, Corsica, vb.) bulunur.

• Termal Görüntüler: FLAME 3 gibi yeni dataset’ler hem renkli hem de radyometrik termal resimler içeriyorarxiv.org. Önceki FLAME versiyonları sadece RGB iken, FLAME 3 her piksele sıcaklık bilgisini getiriyor. Ayrıca farklı yayınlarda drone veya sabit kameralardan çekilmiş termal yangın görüntüleri sunulmuş; örneğin ormanlık yangınlarda kullanılan HPWREN veri kümesi 1340 adet duman içeren termal gölge görüntüsü barındırırmdpi.com. Bu veri setleri termal model eğitiminde kritiktir.

• Uydu Verileri: NASA/NOAA uyduları (MODIS, VIIRS) dünya çapında günlük sıcak nokta (hotspot) verisi sağlar (FIRMS). Yangın izleme sistemleri genellikle bu gerçek zamanlı uydu verilerini kullanırororatech.com. Ayrıca Sentinel-2 çok spektral ve Sentinel-1 radar görüntüleri ile Coğrafi Bilgi Sistemleri üzerinden yangın risk haritaları oluşturulabilir. Türkiye özelinde Landsat ve Copernicus veri tabanları ücretsiz erişim sunmaktadır.

• Multimodal / Füzyon Setleri: Farklı veri kaynaklarını birleştiren sınırlı sayıda set de vardır. Örneğin US Forest Service’in Arizona yanığı seti, eşzamanlı renk ve IR videolar içerirresearch.fs.usda.gov. Finlandiya Boreal seti hem geniş hava görüntüleri hem de segmentasyon maskeleri sağlıyornature.com. İleride, kameralardan, sensörlerden ve uydulardan gelen verilerin birlikte işlendiği entegre veri havuzları yapay zekâ modellerinin genelleme yeteneğini artıracaktır.

Önerilen Geliştirmeler ve Ekstralar

• Ek Sensör Entegrasyonu: Sistemi daha da geliştirmek için, kimyasal ve gaz sensörleri eklenebilir. Karbon monoksit (CO), hidrojen (H₂) gibi gaz algılayıcılar, duman izleri ortaya çıkmadan önceki erken kimyasal değişimleri yakalayarak alarm verirazocleantech.com. Bu, alev çıkmadan önce bile müdahale fırsatı sunar. Aynı şekilde, genişletilmiş frekanslarda akustik veya IR sensörler eklemek de akıllıca olur.

• Meteoroloji ve Diğer Çevresel Veriler: Rüzgar hızı/yönü, nem, toprak rutubeti gibi hava durumu verileri sisteme entegre edilirse yangının yayılma tahmini yapılabilir. Örneğin NOAA’nın yangın hava tahmin laboratuvarları, meteoroloji modelleri ile yangın simulasyonlarını birleştirerek sahadaki karar verme süreçlerini destekliyor. Bu tür veriler planlamada kritik rol oynar.

• Genişletilmiş Veri Kaynakları: Radar uydu görüntüleri (Sentinel-1 SAR) veya LiDAR gibi sistemler, sis ve bulutlu havada dahi değişiklik tespiti yapabilir. Ayrıca, sabit kamera ağlarının (örneğin ALERTCalifornia benzeri) yaygınlaştırılması ve topluluk kaynaklı mobil raporlama entegrasyonları (ilk ihbarların anında paylaşılması) ile kapsama genişletilebilir.

• Gelişmiş Yapay Zeka Teknikleri: Çoklu görüntü ve zaman serilerini işlemek için Görüntü-Transformer, uzamsal-dalgacık tabanlı ağlar veya ConvLSTM gibi yöntemler uygulanabilir. Federated learning ile farklı bölgelerdeki modeller ortak eğitilirken özel veriler korunur. Model optimizasyonu (TensorRT, kuantalizasyon vb.) ile gerçek zamanlı çalışma hızı artırılabilir.

• Otonom Drone ve Robotik: Alarm durumunda otonom İHA filoları otomatik kalkış yapıp şüpheli bölgeleri 3B tarayabilir. Bazı projelerde drone’ların kendi görüntüleriyle hemen analiz yapıp anında geri bildirim verebilmeleri amaçlanıyor. Ayrıca sistem, yangın söndürme filolarını otomatik yönlendirme veya tahliye planlarına bilgilendirme gibi operasyonel entegrasyonları da destekleyebilir.

• Bulut ve Uç İşleme (Edge AI): Kritik anlarda, elde edilen görüntülerin dronelarda veya yakın ağ cihazlarında (Jetson, Coral vb. gibi) önceden işlenmesi gecikmeyi azaltır. Hafifletilmiş modellerle akış verileri anında analiz edilip yalnızca anlamlı sonuçlar merkeze gönderilebilir.

• Uydu Radar Entegrasyonu: Diğer bir olası ek, yangın sonrası geniş alan değişimlerini radar uydu verileriyle izlemek olabilir. Radar, yoğun duman veya bulut altındaki değişimi görebildiğinden, yangın sınırlarının haritalanmasına ek güvence sağlar.

• Proaktif Tahminler ve Simülasyonlar: Son olarak, gerçek zamanlı tespitin ötesinde, toplanan verileri kullanarak yangın yayılım simülasyonları eklenebilir. Hava durumu ve arazi verileri ile entegre modeller, hangi alanların risk altında olduğunu önceden göstererek erkenden önlem almaya yardımcı olur.

Yukarıdaki araştırma ve endüstri örnekleri, projenizin hem akademik hem pratik temelini güçlendirir. Mevcut çalışmalar, çoklu kaynaklı yapay zekâ modellerinin yangınları çok daha erken aşamada ve daha düşük yanlış alarm oranıyla yakalayabildiğini gösteriyormdpi.commdpi.com. Önerdiğimiz ek özellikler ve yeni veri kaynakları ise sistemin kapsamını genişleterek erken uyarı ve müdahale kabiliyetini daha da artıracaktır. Böylece ortaya çıkacak çözüm, geleneksel yöntemlere kıyasla yangını çok daha hızlı ve güvenilir biçimde kontrol altına alan entegre bir afet yönetim altyapısı oluşturacaktır.

Kaynaklar: Yukarıda belirtilen çalışmalar ve veri kümeleri, ilgili literatürden alınmıştır (ör. Zhang 2025mdpi.com, Chen 2022research.fs.usda.gov, Boreal Forest Fire 2025nature.com, FLAME3 2024arxiv.org, Yue 2025mdpi.com vb.). OroraTech, Dryad, Pano AI gibi endüstri uygulamaları da ilgili web kaynaklarından özetlenmiştirororatech.comazocleantech.compano.aiexci.ai. Images and datasets are cited in context.

Citations

[

The leading wildfire management platform globally – OroraTech

https://ororatech.com/

](https://ororatech.com/#:~:text=The leading wildfire detection %26,class detection algorithms)[

The leading wildfire management platform globally – OroraTech

https://ororatech.com/

](https://ororatech.com/#:~:text=%23 AI)[

Transforming Wildfire Detection: Dryad's Innovative Technology

https://www.azocleantech.com/article.aspx?ArticleID=1943

](https://www.azocleantech.com/article.aspx?ArticleID=1943#:~:text=This sensor has been designed,9)[

Wildland fire detection and monitoring using a drone-collected RGB/IR image dataset | US Forest Service Research and Development

https://research.fs.usda.gov/treesearch/67004

](https://research.fs.usda.gov/treesearch/67004#:~:text=color or thermal fire images%2C,RGB orthomosaic%2C weather information%2C a)[

Advanced Wildfire + Bushfire Detection Technology | Pano AI

https://www.pano.ai/

](https://www.pano.ai/#:~:text=Actionable intelligence for all)[

Top Innovative Startup Applying AI for Wildfires Detection in 2022 - exci

https://www.exci.ai/top-11-innovative-startups-applying-ai-for-wildfires-detection-in-2022/

](https://www.exci.ai/top-11-innovative-startups-applying-ai-for-wildfires-detection-in-2022/#:~:text=At the core of exci’s,Moreover%2C the system boasts an)[

Top Innovative Startup Applying AI for Wildfires Detection in 2022 - exci

https://www.exci.ai/top-11-innovative-startups-applying-ai-for-wildfires-detection-in-2022/

](https://www.exci.ai/top-11-innovative-startups-applying-ai-for-wildfires-detection-in-2022/#:~:text=exci’s system proved its effectiveness,to enhance wildfire response times)[

Best Wildfire Detection Tools: Top Solutions for Safety

https://flypix.ai/blog/wildfire-detection-tools/

](https://flypix.ai/blog/wildfire-detection-tools/#:~:text=FireScout is an AI,warning for communities and responders)[

A UAV-Based Multi-Scenario RGB-Thermal Dataset and Fusion Model for Enhanced Forest Fire Detection

https://www.mdpi.com/2072-4292/17/15/2593

](https://www.mdpi.com/2072-4292/17/15/2593#:~:text=YOLOv11,driven ecological protection)[

Boreal Forest Fire: UAV-collected Wildfire Detection and Smoke Segmentation Dataset | Scientific Data

https://www.nature.com/articles/s41597-025-05634-0?error=cookies_not_supported&code=dc38b847-fd2f-420b-a7a3-5673833fc6a1

](https://www.nature.com/articles/s41597-025-05634-0?error=cookies_not_supported&code=dc38b847-fd2f-420b-a7a3-5673833fc6a1#:~:text=The Boreal Forest Fire dataset14,boreal forest type and typical)[

[2412.02831] FLAME 3 Dataset: Unleashing the Power of Radiometric Thermal UAV Imagery for Wildfire Management

https://arxiv.org/abs/2412.02831

](https://arxiv.org/abs/2412.02831#:~:text=present the FLAME 3 dataset%2C,available to readers upon request)[

A Multimodal Deep Learning Framework for Accurate Wildfire Segmentation Using RGB and Thermal Imagery

https://www.mdpi.com/2076-3417/15/18/10268

](https://www.mdpi.com/2076-3417/15/18/10268#:~:text=guided supervision and multilevel fusion,management%2C ecological protection%2C and the)[

Boreal Forest Fire: UAV-collected Wildfire Detection and Smoke Segmentation Dataset | Scientific Data

https://www.nature.com/articles/s41597-025-05634-0?error=cookies_not_supported&code=dc38b847-fd2f-420b-a7a3-5673833fc6a1

](https://www.nature.com/articles/s41597-025-05634-0?error=cookies_not_supported&code=dc38b847-fd2f-420b-a7a3-5673833fc6a1#:~:text=A limited number of open,smoke classifications. For those who)[

WIT-UAS: A Wildland-fire Infrared Thermal Dataset to Detect Crew Assets From Aerial Views

https://arxiv.org/html/2312.09159v1

](https://arxiv.org/html/2312.09159v1#:~:text=first to focus on asset,and pretrained models are available)[

The Wildfire Dataset: Enhancing Deep Learning-Based Forest Fire Detection with a Diverse Evolving Open-Source Dataset Focused on Data Representativeness and a Novel Multi-Task Learning Approach

https://www.mdpi.com/1999-4907/14/9/1697

](https://www.mdpi.com/1999-4907/14/9/1697#:~:text=Set Class The DeepFire dataset,of drones%2C the Phantom 3)[

The Wildfire Dataset: Enhancing Deep Learning-Based Forest Fire Detection with a Diverse Evolving Open-Source Dataset Focused on Data Representativeness and a Novel Multi-Task Learning Approach

https://www.mdpi.com/1999-4907/14/9/1697

](https://www.mdpi.com/1999-4907/14/9/1697#:~:text=M,subfolders each containing 2500 images)[

The Wildfire Dataset: Enhancing Deep Learning-Based Forest Fire Detection with a Diverse Evolving Open-Source Dataset Focused on Data Representativeness and a Novel Multi-Task Learning Approach

https://www.mdpi.com/1999-4907/14/9/1697

](https://www.mdpi.com/1999-4907/14/9/1697#:~:text=HPWREN%2FAI for Mankind ,The dataset was)

All Sources

[

ororatech

](https://ororatech.com/#:~:text=The leading wildfire detection %26,class detection algorithms)[

azocleantech

](https://www.azocleantech.com/article.aspx?ArticleID=1943#:~:text=This sensor has been designed,9)[

research.fs.usda

](https://research.fs.usda.gov/treesearch/67004#:~:text=color or thermal fire images%2C,RGB orthomosaic%2C weather information%2C a)[

pano

](https://www.pano.ai/#:~:text=Actionable intelligence for all)[

exci

](https://www.exci.ai/top-11-innovative-startups-applying-ai-for-wildfires-detection-in-2022/#:~:text=At the core of exci’s,Moreover%2C the system boasts an)[

flypix

](https://flypix.ai/blog/wildfire-detection-tools/#:~:text=FireScout is an AI,warning for communities and responders)[

mdpi

](https://www.mdpi.com/2072-4292/17/15/2593#:~:text=YOLOv11,driven ecological protection)[

nature

](https://www.nature.com/articles/s41597-025-05634-0?error=cookies_not_supported&code=dc38b847-fd2f-420b-a7a3-5673833fc6a1#:~:text=The Boreal Forest Fire dataset14,boreal forest type and typical)[

arxiv

](https://arxiv.org/abs/2412.02831#:~:text=present the FLAME 3 dataset%2C,available to readers upon request)