Değiştirilmiş Orangutan Optimizasyon Algoritması ile Optimize Edilmiş Kapsül Sınır Ağı Kullanılarak Deniz Kazası Sıcak Noktalarının Öngörücü Analizi

Deniz güvenliği analitiği alanında gerçekleştirilen bu çalışma, küresel deniz taşımacılığındaki karmaşık risk faktörlerini proaktif biçimde değerlendirmeyi amaçlayan bütüncül bir yapay zekâ yaklaşımını ele almaktadır. Deniz kazaları can kaybı, ekonomik kayıp ve ekolojik yıkım gibi ağır sonuçlar doğurmakta; geleneksel güvenlik sistemlerinin reaktif yapısı ise kaza anında müdahale sürelerinin uzamasına ve arama-kurtarma kaynaklarının verimsiz kullanılmasına yol açmaktadır. Mevcut makine öğrenimi uygulamalarında derin öğrenme modellerinin coğrafi mekânsal hiyerarşiyi ve değişkenler arası parça-bütün ilişkilerini yeterince koruyamaması literatürdeki temel teknik eksikliktir. Bu sorunu aşmak amacıyla çalışmada Küresel Denizde Tehlike ve Güvenlik Sistemi verileri temel alınarak kazaların yoğunlaştığı sıcak noktaların yüksek hassasiyetle öngörülmesini sağlayacak özgün bir modelleme zemini inşa edilmiştir.

Araştırmanın temel amacı, Kapsül Sınır Ağları ile Değiştirilmiş Orangutan Optimizasyon algoritmasını entegre ederek deniz kazası sıcak noktalarını tahmin eden yüksek başarımlı bir model geliştirmek ve doğrulamaktır. Veri seti kapsamında 2010-2023 yılları arasında gerçekleşen 12.487 kaza kaydı eksik veri tamamlama, Z-skoru ve IQR tabanlı uç değer tespiti, coğrafi koordinat normalizasyonu ve kategorik veri dönüştürme adımlarıyla ön işlemeden geçirilmiştir. Önerilen Kapsül Sınır Ağı mimarisi vektör değerli kapsülleri sayesinde konum, hava koşulları, gemi türü ve zaman gibi değişkenler arasındaki mekânsal-zamansal hiyerarşiyi korurken; orangutanların besin arama ve yuva yapma davranışlarından esinlenen MOO algoritması kaotik haritayla keşif, gradyan tabanlı yerel aramayla da sömürü dengesini kurarak öğrenme oranı, kapsül sayısı ve düzenlileştirme katsayısı gibi kritik hiperparametreleri otomatik olarak optimize etmiştir.

Modelin deneysel değerlendirmesi yüzde 80 eğitim ve yüzde 20 test ayrımıyla gerçekleştirilmiş ve elde edilen bulgular önerilen yaklaşımın üstünlüğünü ortaya koymuştur. CapsNet-MOO çerçevesi %91,2 doğruluk oranına ulaşarak geleneksel CNN (%85,4), Destek Vektör Makineleri (%82,7) ve Rastgele Orman (%84,1) gibi temel modelleri anlamlı ölçüde geride bırakmıştır. Ayrıca Ortalama Mutlak Hata (0,041) ve Kök Ortalama Kare Hata (0,063) değerlerinde elde edilen düşüş tahmin kararlılığının arttığını doğrulamıştır. Kaza türlerine göre yapılan duyarlılık analizlerinde oturma (%93,1) ve çatışma (%91,8) gibi mekânsal-çevresel faktörlerle doğrudan ilişkili olaylarda en yüksek tahmin başarısına ulaşılırken, insan faktörünün baskın olduğu yangın vakalarında (%82,9) daha düşük başarım gözlenmiştir. Coğrafi ısı haritaları ve karar sınırı görselleştirmeleri modelin yüksek riskli dar boğazları ve liman yaklaşımlarını düşük yanlış alarm oranıyla tespit edebildiğini kanıtlamıştır.

Elde edilen sonuçlar deniz güvenliği literatüründe reaktif izleme modellerinden veri odaklı ve proaktif öngörü sistemlerine geçiş açısından stratejik bir katkı sunmaktadır. Yazar tartışmasında bulguların sadece kaza olasılığını hesaplamakla kalmayıp mekânsal konum parametrelerinin korunması sayesinde devriye rotalarının ve kurtarma varlıklarının önceden konuşlandırılmasına zemin hazırladığını vurgulamaktadır. Önceden yapılmış LSTM, Bayes ağları ve evrişimli sınır ağı çalışmalarına kıyasla CapsNet-MOO mimarisi, yüksek boyutlu gürültülü verilerde genelleştirme yeteneğini ve hiperparametre optimizasyon kararlılığını kanıtlamıştır. Bu çalışma, denizcilik tezi ve makale araştırmalarında özellikle akıllı ulaşım sistemleri, coğrafi bilgi sistemleri entegrasyonu ve kriz yönetimi odaklı yapay zekâ uygulamaları için somut bir metodolojik referans oluşturmaktadır.

Deneysel bulgular, önerilen CapsNet-MOO çerçevesinin %91,2 genel doğruluk oranına ulaşarak geleneksel derin öğrenme ve makine öğrenmesi modellerinden belirgin biçimde üstün olduğunu göstermektedir. Bu yüksek başarım, mekânsal ısı haritaları ve karar sınırı görselleştirmeleri ile de desteklenmiş olup modelin yüksek riskli bölgeleri minimum yanlış alarm oranıyla tespit edebildiğini ortaya koymaktadır.

Yazarlar bu başarıyı iki temel yenilikle açıklamaktadır: İlk olarak Kapsül Sınır Ağlarının havuzlama işlemlerinde konum bilgisini kaybetmeyen vektörel yapısı sayısız mekânsal hiyerarşiyi korumaktadır. İkinci olarak Değiştirilmiş Orangutan Optimizasyon algoritmasındaki kaos haritası ve yerel arama mekanizması, kapsül ağının hiperparametrelerini en uygun değerlere getirerek yerel optimuma takılmayı önlemekte ve kararlılığı artırmaktadır.

Elde edilen sonuçlar literatürdeki LSTM ve standart CNN tabanlı çalışmalarla karşılaştırıldığında, özellikle çatışma ve karaya oturma gibi seyir odaklı kazaların tahmininde belirgin bir üstünlük sağlamaktadır. Ancak insan faktörüne ve teknik eksikliklere dayalı yangın gibi kaza türlerinde veri kısıtları nedeniyle başarının görece daha düşük kaldığı ve bu durumun veri merkezli yaklaşımların doğal bir sınırı olduğu tartışılmıştır.

Sonuç olarak çalışma, reaktif deniz emniyet sistemlerinin sunduğu gecikmeli müdahale sorununu aşmak adına proaktif bir tahmin modeli sunmaktadır. Gerçek zamanlı veri akışlarının sisteme dâhil edilmesi ve daha hafif model mimarilerinin geliştirilmesi, gelecekte gemi içi ve kıyı arama kurtarma komuta merkezlerinde doğrudan kullanılabilirliği artıracaktır.

Dong ve diğerleri (2024), LSTM ve K-medoids yöntemlerini çok amaçlı tamsayılı programlama ile birleştirerek deniz arama kurtarma kaynak tahsisinde tahsis maliyetini %6,15 ve yanıt süresini %11,32 oranında düşürdüğünü belirtirken; sunulan CapsNet-MOO modeli doğrudan kaynak tahsisi yerine 91,2 doğruluk oranıyla kaza sıcak noktalarını öngörmeye odaklanarak kararları önceden yönlendirmeyi amaçlamaktadır (Mao et al., 2026).

Bu çalışma, deniz taşımacılığı emniyeti ve risk tahmini yazınında reaktif yaklaşımlardan proaktif ve veri odaklı tahmin modellerine geçişi temsil eden metodolojik bir dönüm noktası işlevi görmektedir. Geleneksel yapay sınır ağlarının evrişimli katmanlarında havuzlama işlemleri nedeniyle kaybolan mekânsal hiyerarşi ve konum bilgilerini Kapsül Sınır Ağları (CapsNet) kullanarak korumakta, böylece deniz ortamındaki karmaşık coğrafi ve çevresel bağımlılıkları başarıyla modellemektedir. Ayrıca Değiştirilmiş Orangutan Optimizasyon (MOO) algoritması entegrasyonuyla hiperparametre seçimini otomatize ederek makine öğrenmesi modellerinin genelleştirme ve kararlılık sınırlarını genişletmektedir.

Çalışma, literatürdeki evrişimli sınır ağları (CNN), destek vektör makineleri (SVM) ve rastgele orman (RF) gibi geleneksel makine öğrenmesi modellerinin yanı sıra arama-kurtarma kaynak tahsisinde kullanılan LSTM ve K-medoids tabanlı yaklaşımların sınırlılıklarına doğrudan yanıt vermektedir. Önceki araştırmalar genellikle durağan kurallara veya mekânsal hiyerarşileri yakalayamayan skaler çıktılı modellere dayanırken, bu makale nesne parçası ve bütünü arasındaki mekânsal-zamansal ilişkileri dinamik yönlendirme mekanizmasıyla öğrenmektedir. İki boyutlu özellik uzayında tanımlanan kaza riski kalıplarını literatürdeki diğer sürü zekası algoritmalarından (PSO, GA, GWO, WOA, HHO) daha hızlı ve daha düşük hatayla sınıflandırarak literatürdeki yöntemsel boşluğu doldurmaktadır.

Literatür taraması yapan araştırmacılar için bu çalışma, akıllı ulaşım sistemleri, arama-kurtarma planlaması ve yapay zekâ optimizasyonu disiplinlerinin kesişim noktasında kapsamlı bir metodolojik çerçeve sunmaktadır. Deniz güvenliği literatüründe sıkça karşılaşılan eksik veri, gürültülü sensör kayıtları ve dengesiz sınıf dağılımları gibi ampirik sorunların ön işleme ve kaos haritası destekli optimizasyon ile nasıl çözülebileceğini somut olarak göstermektedir. Ayrıca kaza türlerine göre öngörülebilirlik düzeylerinin değiştiğini ampirik olarak kanıtlayarak, gelecekteki araştırmaların seyir odaklı kazalar ile insan faktörüne dayalı kazaları ayrıştırarak ele alması gerektiği yönünde kuramsal bir rehberlik sağlamaktadır.