YAPAY SİNİR AĞI KULLANILARAK YASA DIŞI DÜZENSİZ GÖÇMENLERİN HUDUTLARDAN GEÇİŞ TEŞEBBÜSLERİNİN BÖLGESEL VE ZAMANSAL OLARAK TAHMİN EDİLMESİ

Abstract

Arka plan: Yasa dışı düzensiz göç hareketleri, kara hudutlarının güvenliği açısından giderek daha karmaşık ve öngörülmesi güç bir sorun halini almıştır. Bu süreç, coğrafi özellikler, meteorolojik koşullar, güvenlik altyapısının durumu ve zamana bağlı değişkenlerin eş zamanlı etkisiyle şekillendiği için, geleneksel analiz yöntemleri riskli bölgeleri ve kritik zaman dilimlerini önceden tespit etmede yetersiz kalmaktadır. Bu durum, veri odaklı ve öngörücü yaklaşımların önemini artırmaktadır. Amaç: Bu çalışmanın amacı, yasa dışı düzensiz göçmenlerin hudut geçiş teşebbüslerini hem bölgesel hem de zamansal boyutlarda tahmin edebilen bir yapay sinir ağı modeli geliştirmek ve söz konusu modelin karar destek sistemlerinde kullanılabilirliğini değerlendirmektir. Yöntem: Araştırmada, yaklaşık son iki yıla ait hudut olay kayıtları ile çevresel, meteorolojik, zamansal ve güvenlik altyapısı ile ilgili değişkenleri içeren bir veri seti kullanılmıştır. Modelin girdileri arasında arazi yapısı, modüler beton duvarların durumu, keşif ve gözetleme unsurları, hava koşulları (sıcaklık, yağış, rüzgâr hızı), ay fazları, mevsimsel değişkenler, güvenlik birimlerinin varlığı ve takviye durumu yer almaktadır. Çok katmanlı bir yapay sinir ağı modeli denetimli öğrenme yaklaşımıyla eğitilmiş ve performansı doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC ölçütleri ile değerlendirilmiştir. Ayrıca, model tahmin sonuçları bölgesel risk yoğunluklarını göstermek amacıyla ısı haritasıyla görselleştirilmiştir. Bulgular: Analiz sonuçları, geliştirilen yapay sinir ağı modelinin yasa dışı düzensiz göçmenlerin hudutlardan geçiş teşebbüslerini öngörmede tatmin edici bir performans sağladığını göstermektedir (Doğruluk: 0.7655, Kesinlik: 0.5553, Duyarlılık: 0.9391, F1-skoru: 0.6979, ROC-AUC: 0.9078). Özellikle yüksek duyarlılık değeri, gerçekleşen olayların büyük çoğunluğunun doğru biçimde tespit edildiğini ortaya koymaktadır. Isı haritası, belirli hudut bölgeleri ve zaman dilimlerinin sistematik olarak yüksek risk taşıdığını göstermiştir. Bu alanların genellikle görüş imkânlarının kısıtlı olduğu, engebeli arazilere sahip ve fiziksel engellerin sınırlı olduğu bölgeler olduğu belirlenmiştir. Sonuç: Bulgular, yapay sinir ağı tabanlı tahmin modellerinin hudut güvenliği alanında erken uyarı sistemleri ve risk analiz süreçlerinde etkin bir araç olabileceğini ortaya koymaktadır. Model çıktılarının bölgesel görselleştirilmesi, karar vericilerin durumsal farkındalığını artırmakta ve güvenlik kaynaklarının daha etkin ve rasyonel planlanmasına katkı sağlamaktadır. Bu yönüyle çalışma, hem akademik literatüre hem de uygulamaya yönelik karar destek sistemlerine değerli bir katkı sunmaktadır.

Keywords

• Yapay sinir ağı
• Düzensiz göç
• Yasa dışı düzensiz göçmen
• Hudut güvenliği
• Risk tahmini.

PREDICTING REGIONAL AND TEMPORAL BORDER CROSSING ATTEMPTS OF ILLEGAL IRREGULAR MIGRANTS USING ARTIFICIAL NEURAL NETWORKS

Abstract

Background: Illegal irregular migration movements have become an increasingly complex and unpredictable problem in terms of land border security. Because this process is shaped by the simultaneous influence of geographical features, meteorological conditions, the state of security infrastructure, and time-dependent variables, traditional analysis methods are insufficient for identifying risky areas and critical time periods in advance. This situation increases the importance of data-driven and predictive approaches. Objective: The objective of this study is to develop an artificial neural network model that can predict border crossing attempts by illegal irregular migrants in both regional and temporal dimensions, and to evaluate the usability of this model in decision support systems. Method: The study used a dataset containing border incident records from almost the last two years and variables related to environmental, meteorological, temporal, and security infrastructure. The model inputs included terrain structure, the status of modular concrete walls, reconnaissance and surveillance elements, weather conditions (temperature, precipitation, wind speed), moon phases, seasonal variables, the presence and reinforcement status of security units. A multilayer artificial neural network model was trained using a supervised learning approach, and its performance was evaluated using accuracy, precision, recall, F1 score, and ROC-AUC metrics. Furthermore, the model's prediction results were visualized using a heatmap to illustrate regional risk densities. Results: The analysis results show that the developed artificial neural network model provides satisfactory performance in predicting attempts by irregular migrants to cross borders (Accuracy: 0.7655, Precision: 0.5553, Sensitivity: 0.9391, F1-score: 0.6979, ROC-AUC: 0.9078). The particularly high sensitivity value indicates that the vast majority of incidents were correctly identified. The heat map showed that certain border regions and time periods systematically carry a high risk. These areas were generally identified as regions with limited visibility, rugged terrain, and limited physical barriers. Conclusion: The findings demonstrate that artificial neural network-based prediction models can be an effective tool in early warning systems and risk analysis processes in the field of border security. Regional visualization of model outputs enhances decision-makers' situational awareness and contributes to more effective and rational planning of security resources. In this respect, the study makes a valuable contribution to both the academic literature and practical decision support systems.

Keywords

• Artificial neural network
• irregular migration
• illegal irregular migrant
• border security
• risk estimation.

References

1. Beine, M., Khoudour, D., & Tarvainen, J. (2021). Can targeted interventions mitigate the adverse drivers of irregular migration and forced displacement? Development Futures Series, No. 26.
2. Bosco, C., Minora, U., Rosińska, A., Teobaldelli, M., & Belmonte, M. (2024). A machine learning architecture to forecast irregular border crossings and asylum requests for policy support in Europe: A case study. Data & Policy, 6, e81.
3. Cattaneo, C., Beine, M., Fröhlich, C. J., Kniveton, D., Martinez-Zarzoso, I., Mastrorillo, M., ... & Schraven, B. (2019). Human migration in the era of climate change. Review of Environmental Economics and Policy, 13(2). https://doi.org/10.1093/reep/rez008
4. Chen, Y., & Rosenthal, S. S. (2008). Local amenities and life-cycle migration: Do people move for jobs or fun? Journal of Urban Economics, 64(3), 519–537. https://doi.org/10.1016/j.jue.2008.05.005
5. De Haas, H. (2021). A theory of migration: The aspirations-capabilities framework. Comparative Migration Studies, 9(1), 8. https://doi.org/10.1186/s40878-020-00210-4
6. Deniz, O., & Nargül, S. (2026). Turkey-Iran border and irregular migration from a geographical perspective. Journal of Borderlands Studies, 41(1), 57–80. https://doi.org/10.1080/08865655.2025.2488508
7. Guven, M. (2024). An AI-based surveillance system proposal for the second line of defense against irregular migration, smuggling, and terrorism: Gendarmerie assessment. Güvenlik Bilimleri Dergisi, 13(1), 63–84. https://doi.org/10.28956/gbd.1454962
8. IOM (The International Organization for Migration). (2025). 2025 Impact Report.

9. Kabir, M. S., Sumi, E. J., & Alam, M. N. (2023). Artificial intelligence (AI) and future immigration and border control. International Journal for Multidisciplinary Research (IJFMR), 5(5), 1–7.
10. Kinchin, N., & Mougouei, D. (2022). What can artificial intelligence do for refugee status determination? A proposal for removing subjective fear. International Journal of Refugee Law, 34(3–4), 373–397. https://doi.org/10.1093/ijrl/eeac040
11. Kocaman Mert, N., & Ünay, H. (2025). Evolving border fortification policies in Türkiye as a “Walled Country”: A comprehensive analysis. Journal of Borderlands Studies, 1–23. https://doi.org/10.1080/08865655.2025.2504873
12. Korte, K. (2023). “So, if you ask whether fences work: they work”—The role of border fortifications for migration control and access to asylum. Comparing Hungary and the USA. Comparative Migration Studies, 11(1), 29. https://doi.org/10.1186/s40878-023-00352-1
13. McAuliffe, M., Coppari, P. R., Abbasi‐Shavazi, M. J., & Maunganidze, O. (2024). Migration and human security: Unpacking myths and examining new realities and responses. World Migration Report, 2024(1), e00037.
14. Milivojevic, S. (2025). Artificial intelligence, illegalised mobility and lucrative alchemy of border utopia. Criminology & Criminal Justice, 25(2), 630–648. https://doi.org/10.1177/17488958221123855
15. Molnar, P. (2024). The walls have eyes: Surviving migration in the age of artificial intelligence. The New Press. https://doi.org/10.1515/9781620978672
16. Ozkul, D. (2023). Automating immigration and asylum: The uses of new technologies in migration and asylum governance in Europe. Report, Refugee Studies Centre, University of Oxford, UK.
17. Pu, T., Huang, C., Yang, J., & Huang, M. (2023). Transcending time and space: Survey methods, uncertainty, and development in human migration prediction. Sustainability, 15(13). https://doi.org/10.3390/su151310584
18. Qi, H., Sîrbu, A., Momeni, R., Hisam, E., Arcila-Calderón, C., Bircan, T., & Iacus, S. (2026). Forecasting refugee migration with high-dimensional covariate space. International Journal of Data Science and Analytics, 22(1), 19. https://doi.org/10.1007/s41060-025-01008-2
19. Reinhart, A. (2018). A review of self-exciting spatio-temporal point processes and their applications. Statistical Science, 33(3), 299–318. https://www.jstor.org/stable/26770999
20. Robinson, C., & Dilkina, B. (2018). A machine learning approach to modeling human migration. In Proceedings of the 1st ACM SIGCAS Conference on Computing and Sustainable Societies (pp. 1–8).
21. UNHCR (United Nations High Commissioner for Refugees). (2025). 2025 Global Compact of Refugees Indicator Report.
22. Valk, H. A., Acostamadiedo, E., Guan, Q., Melde, S., Mooyaart, J., Sohst, R. R., & Tjaden, J. (2022). How to predict future migration: Different methods explained and compared. In Introduction to Migration Studies (p. 463). https://link.springer.com/bookseries/13502
23. Weisburd, D., Ariel, B., Braga, A. A., Eck, J., Gill, C., Groff, E., ... & Zaatut, A. (2025). The future of the criminology of place: New directions for research and practice. Cambridge University Press.
24. Xue, Y., Schincariol, T., Chadefaux, T., & Groen, D. (2025). Using machine learning to forecast conflict events for use in forced migration models. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-11812-2
25. Yang, Y., & Wang, H. (2025). Random forest-based machine failure prediction: A performance comparison. Applied Sciences, 15(16). https://doi.org/10.3390/app15168841
26. Yıldız, A., & Açar, D. A. (2024). Artificial intelligence and migration governance: Navigating cooperation and complexity in EU-Turkey relations. Middle East Technical University Studies in Development, 51(2), 191–209. https://izlik.org/JA42MY76FF
27. Zhang, W., Li, Z., Tian, Y., & Liu, L. (2024, December). Research on temperature prediction based on RF-LSTM modeling. In 2024 6th International Academic Exchange Conference on Science and Technology Innovation (IAECST) (pp. 873–876). IEEE. https://doi.org/10.1109/IAECST64597.2024.11117915