Yapay zekâ denince çoğumuzun aklına sohbet robotları geliyor. Oysa coğrafi bilgi sistemlerinde yapay zekâ çok daha somut bir iş yapıyor: görüntüye bakıp haritayı kendisi çiziyor, iki tarih arasındaki farkı kendisi buluyor, sahadan gelen fotoğrafı kendisi okuyor.
Bu alana CBS dünyasında GeoAI deniyor. İyi haber şu: bunların çoğu artık araştırma projesi değil, bugün kurumların kullanabildiği hazır araçlar. Bu yazıda bir kurumun bugün yapay zekâyla neler yapabileceğini sade bir dille anlatıyoruz.
Kapak görselinde solda İzmit merkezin hava görüntüsü, sağda aynı alanın bina katmanı yer alıyor. Yapay zekâ modelleri bu tür katmanları görüntüden otomatik olarak üretebiliyor. Görüntü: Esri World Imagery · Bina katmanı: OpenStreetMap katkıcıları.
1. Görüntüden haritaya: binalar, yollar, ağaçlar
Bir mahallenin bina katmanını hava görüntüsünden elle çizmek haftalar alabilir. Yapay zekâ modelleri aynı işi görüntünün üzerinden geçerek yapıyor: her binanın sınırını, yolları, ağaçları, havuzları ya da araçları tek tek buluyor.
Esri, bu iş için önceden eğitilmiş yüzden fazla hazır model sunuyor. Kurumun kendi modelini sıfırdan eğitmesine gerek kalmadan; bina sınırı çıkarma, yol çıkarma, arazi örtüsü sınıflandırma, ağaç tespiti gibi işler ArcGIS Pro üzerinde doğrudan çalıştırılabiliyor.
Bu sayede elinizdeki ortofoto ya da drone görüntüsünden güncel bir yapı envanteri, yeşil alan ve ağaç envanteri kısa sürede üretilebiliyor.
2. Değişimi yakalamak
Yapay zekânın en çok işe yaradığı yerlerden biri, iki farklı tarihteki görüntüyü karşılaştırıp neyin değiştiğini bulmak. Yeni yapılan bir bina, genişleyen bir yapı, yok olan bir orman alanı ya da değişen bir kıyı çizgisi bu yolla otomatik olarak işaretlenebiliyor.
Ruhsatsız yapılaşmanın ön tespiti, hat güzergâhlarındaki değişimin izlenmesi ya da sahaların düzenli kontrolü bu yolla yapılabiliyor. Yapay zekâ “şurada bir değişiklik var” diyor; son kararı her zaman saha kontrolü veriyor.
3. Sahada akıllı formlar
Yapay zekâ yalnızca görüntü işlemede değil, sahada da işe yarıyor. Esri’nin saha veri toplama uygulaması Survey123’te bazı yapay zekâ özellikleri doğrudan telefonun içinde, internet bağlantısı olmadan çalışıyor:
- Çekilen fotoğraflardaki yüzleri ve araç plakalarını otomatik olarak bulanıklaştırmak
- Fotoğraftaki nesneyi tanıyıp formdaki ilgili alanı kendiliğinden doldurmak
Bu sayede saha ekibi daha az yazıyor, daha az hata yapıyor ve kişisel verilerin korunması işin içinde otomatik olarak sağlanıyor.
4. Nokta bulutundan üç boyutlu şehre
LiDAR ve drone taramalarıyla elde edilen milyonlarca noktadan oluşan nokta bulutlarını; zemin, bina, ağaç ve elektrik hattı olarak ayırmak da yapay zekâyla otomatik yapılabiliyor. Bu, bir şehrin üç boyutlu modelinin, yani dijital ikizinin temelini oluşturuyor.
5. Kurumun kendi verisiyle eğitilen modeller
Hazır modeller genel amaçlı. Kurumun kendine özgü bir ihtiyacı varsa model, kurumun kendi görüntüleriyle eğitilebiliyor.
Seralar, güneş panelleri, çatı tipleri, tarım parselleri ya da kuruma özgü herhangi bir nesne için kurumun kendi modelini eğitmek mümkün. Eğitilen model, yeni gelen her görüntüye aynı işi tekrar tekrar uygulayabiliyor.
6. Doğal dille CBS
Esri, ArcGIS uygulamalarına yapay zekâ asistanları eklemeye başladı. Örneğin bir saha formunu soru soru hazırlamak yerine ne istediğinizi yazıyorsunuz, asistan taslağı hazırlıyor. Bu asistanların önemli bir kısmı şimdilik bulut sürümünde kullanılabiliyor; kurum içi kurulumlara da kademeli olarak geliyor. Önümüzdeki dönemde CBS ile çalışmanın en çok değişeceği alanlardan biri bu olacak.
Gerçekçi beklenti: yapay zekâ ön tespit yapar, karar insanda kalır
Yapay zekâ modelleri hatasız değil. Doğrulukları; görüntünün çözünürlüğüne, bölgenin yapı dokusuna ve modelin bu bölgeye ne kadar uygun olduğuna göre değişiyor. Hazır modellerle yapılan bağımsız bir çalışmada bina tespitinde yüzde 85 civarında kesinlik ölçülmüş; modelin yerel verilerle iyileştirilmesi bu oranı yükseltiyor.
Bu yüzden doğru yaklaşım, yapay zekâyı uzmanın yerine değil, uzmanın önünü açan bir araç olarak kullanmak: binlerce nesneyi model buluyor, uzman sonuçları kontrol edip onaylıyor.
Nereden başlamalı?
- Tekrarlayan bir iş seçin. Görüntüye ya da fotoğrafa bakarak elle yapılan ve sürekli tekrarlanan bir iş: bina sayımı, ağaç envanteri, değişim kontrolü.
- Elinizdeki veriye bakın. Ortofoto, drone görüntüsü, saha fotoğrafları ya da nokta bulutu. Çoğu kurumda gereken veri zaten mevcut.
- Küçük bir alanla başlayın. Bir mahalle ya da bir proje sahası yeterli.
- Sonucu sahayla ölçün. Modelin bulduklarını bilinen verilerle karşılaştırın, doğruluğu sayıyla görün.
- İş akışına bağlayın. Sonuç işe yarıyorsa modeli düzenli çalışan bir sürece dönüştürün.
İlk yapay zekâ pilotunuzu birlikte kurgulayalım
Rodosto Teknoloji olarak kurumların elindeki görüntü ve verilerle yapay zekâ uygulamaları geliştiriyoruz. Hangi işinizin yapay zekâya uygun olduğunu birlikte belirliyor, küçük bir alanda pilot çalışma yapıyor ve sonuçları sizinle birlikte ölçüyoruz. İşe yarayan uygulamayı da kurumunuzun günlük iş akışına bağlıyoruz.
Kurumunuzda yapay zekâyla neler yapılabileceğini konuşmak için bize yazabilirsiniz: hello@rodostoteknoloji.com · +90 542 481 17 59
Kaynaklar: Esri ArcGIS Blog, “Introducing ready-to-use deep learning models”; Esri ArcGIS Blog, “What’s new in AI assistants (June 2026)”; ArcGIS Survey123 belgeleri, “AI in ArcGIS Survey123”.
