VERİ EGEMENLİĞİ PERSPEKTİFİNDEN DENİZDE DÜZENSİZ GÖÇ: YAPAY ZEKÂ TABANLI ANOMALİ TESPİTİ İLE TÜRKİYE’NİN DOĞU AKDENİZ’DE GÜVENLİK VE GÜÇ MİMARİSİ

Öz

Arka Plan: Denizde düzensiz göç faaliyetleri ayırt edilmesi güç yapıları nedeniyle klasik kural tabanlı gözetleme ve eşik temelli izleme yaklaşımlarıyla etkin biçimde yönetilememektedir. Deniz ortamında artan veri hacmi ve karmaşık hareket örüntüleri, daha esnek ve bağlama duyarlı analitik yöntemlere duyulan ihtiyacı artırmaktadır. Bu bağlamda yapay zekâ tabanlı davranış analizi ve veri egemenliği perspektifi, denizde durumsal farkındalığın güçlendirilmesi açısından kritik bir yaklaşım sunma potansiyeline sahiptir. Amaç: Bu çalışmanın amacı, denizde düzensiz göç faaliyetlerinin tespit ve yönetiminde yapay zekâ tabanlı anomali tespiti ve çok kaynaklı veri füzyonu yaklaşımlarının rolünü inceleyerek, Doğu Akdeniz özelinde Türkiye’nin veri temelli ve öngörüye dayalı bir deniz güvenliği mimarisi geliştirme potansiyelini kavramsal ve analitik bir çerçevede ortaya koymaktır. Yöntem: Çalışmada, AIS verileri üzerinden geliştirilen derin öğrenme temelli yaklaşımlar (özellikle VRNN mimarileri) referans alınmış; literatür temelli analiz yoluyla uzamsal-zamansal davranış modelleme ve Ulusal Deniz Veri Füzyon Merkezi kapsamında veri bütünleştirmeye dayalı kavramsal bir mimari değerlendirilmiştir. Bulgular: Bulgular, yapay zekâ tabanlı yaklaşımların düzensiz göç faaliyetlerini davranışsal ve istatistiksel sapmalar üzerinden erken aşamada tespit edebildiğini göstermektedir. Çok kaynaklı veri füzyonunun, anomali tespitinde bağlamsal doğruluğu artırma potansiyeline sahip olduğu; bu sürecin veri egemenliği çerçevesinde yönetildiğinde stratejik karar üretim kapasitesini güçlendirdiği değerlendirilmektedir. Sonuç: Çalışma, denizde düzensiz göç yönetiminin veri egemenliği temelli, öngörücü ve öğrenen bir karar destek kapasitesi olarak ele alınabileceğini göstermektedir.

Anahtar Kelimeler

• Denizde düzensiz göç
• Denizcilik gücü
• Yapay zekâ
• Anomali tespiti
• Denizde durumsal farkındalık.

Etik Beyan

Bu çalışma, insan veya hayvan denekler üzerinde yürütülen bir saha araştırmasına dayanmamakta; literatür temelli, analitik ve kavramsal bir inceleme niteliği taşımaktadır. Çalışma kapsamında birincil veri toplama süreci, katılımcı gözlem, anket, mülakat veya deneysel uygulama gerçekleştirilmemiştir. Bu nedenle, araştırma sürecinde kişisel veri işlenmesi veya katılımcı mahremiyeti gerektiren bir durum söz konusu değildir. Araştırmada kullanılan tüm veriler; açık erişimli akademik yayınlar, alanında kabul görmüş kitap ve üniversite tarafından kamuya açık olarak sunulan teknik ve eğitsel materyalden derlenmiştir. Kullanılan kavramlar, yöntemler ve modeller bilimsel etik kurallara uygun biçimde kaynak gösterilerek ele alınmış; intihalden kaçınılmış ve atıf kurallarına titizlikle uyulmuştur. Çalışma, deniz güvenliği ve denizde düzensiz göç gibi hassas konuları ele almakla birlikte, herhangi bir birey, grup veya kurumu hedef alan, ifşa edici ya da operasyonel gizlilik ihlali yaratabilecek bilgi içermemektedir. Bu çerçevede araştırma, bilimsel dürüstlük, tarafsızlık ve etik sorumluluk ilkeleri doğrultusunda yürütülmüştür.

IRREGULAR MIGRATION AT SEA FROM A DATA SOVEREIGNTY PERSPECTIVE: ARTIFICIAL INTELLIGENCE-DRIVEN ANOMALY DETECTION AND TÜRKİYE'S SECURITY AND POWER ARCHITECTURE IN THE EASTERN MEDITERRANEAN

Öz

Background: Irregular migration at sea cannot be effectively managed through conventional rule-based surveillance and threshold-based monitoring approaches due to its difficult-to-distinguish structures. The growing volume of maritime data and increasingly complex movement patterns intensify the need for flexible and context-aware analytical methods. In this regard, AI–based behavioral analysis and a data sovereignty perspective have the potential to provide a critical framework for strengthening maritime situational awareness. Objective: This study aims to examine the role of AI-based anomaly detection and multi-source data fusion approaches in the detection and management of irregular migration at sea, and to conceptually and analytically assess Türkiye’s potential to develop a data-driven and predictive maritime security architecture in the Eastern Mediterranean. Method: This study draws on deep learning–based approaches developed from AIS data, particularly Variational Recurrent Neural Network (VRNN) architectures that learn normal maritime traffic behavior. A literature-based analytical approach is employed to evaluate a conceptual architecture grounded in spatiotemporal behavior modeling and data integration within the framework of a National Maritime Data Fusion Center. Findings: The findings indicate that AI-based approaches can detect irregular migration activities at an early stage by identifying behavioral and statistical deviations. Multi-source data fusion is found to enhance contextual accuracy in anomaly detection, and when governed within a data sovereignty framework, it strengthens strategic decision-making capacity. Conclusion: The study demonstrates that the management of irregular migration at sea can be considered as a data sovereignty–based, predictive, and learning-oriented decision support capability.

Anahtar Kelimeler

• Irregular migration at sea
• Maritime power
• Artificial intelligence
• Anomaly detection
• Maritime situational awareness.

Etik Beyan

This study is not based on field research conducted on human or animal subjects; rather, it constitutes a literature-based, analytical, and conceptual examination. Within the scope of the study, no primary data collection processes were employed, and no participant observation, surveys, interviews, or experimental procedures were conducted. Accordingly, the research does not involve the processing of personal data or any circumstances requiring the protection of participant privacy. All data utilized in the study were derived from open-access academic publications, well-established scholarly books, and technical and educational materials made publicly available by universities. The concepts, methods, and models employed were addressed in compliance with scientific ethical standards, with appropriate citation practices strictly observed and plagiarism carefully avoided. Although the study addresses sensitive issues such as maritime security and irregular migration at sea, it does not contain any content that targets or discloses information about any individual, group, or institution, nor does it include information that could lead to violations of operational confidentiality. Within this framework, the research was conducted in accordance with the principles of scientific integrity, objectivity, and ethical responsibility.

Kaynakça

1. Aaronson, S. A. (2018). Data is different: Why the world needs a new approach to governing cross-border data flows. CIGI Paper No. 197. Centre for International Governance Innovation.
2. Abdeladhim, N., Alaya, B., & Touati, H. (2026). A comprehensive survey of machine learning–based techniques for anomaly detection in ship behavior within maritime transportation systems. Engineering Applications of Artificial Intelligence, 163(Part 2), 112596. Erişim adresi: https://doi.org/10.1016/j.engappai.2025.112596 (Erişim tarihi: 08.06.2026).
3. Atatürk, M. K. (1937). Türkiye Büyük Millet Meclisi’nin Beşinci Dönem 3. Yasama Yılı Açılış Konuşması (1 Kasım 1937). Millet Meclisi Zabıt Ceridesi, D.V., C.20, Sa.3.
4. Aydın, G. (2016). Deniz yoluyla gerçekleştirilen düzensiz göç ile mücadelede devletlerin yetki ve uygulamaları. Göç Araştırmaları Dergisi, 2(2), 120–211. https://izlik.org/JA86XH57AJ
5. Bayat, M. (2018). Atatürk’ün deniz stratejisi (İkinci bölüm). Birlik, (221), 34–40.
6. Deniz Kuvvetleri Komutanlığı. (t.y.). Görevlerimiz. Erişim adresi: https://www.dzkk.tsk.tr/Komutanlik/Gorevlerimiz (Erişim tarihi: 08.06.2026).
7. European Maritime Safety Agency. (t.y.). Integrated Maritime Data Environment – IMDatE. Erişim adresi: https://www.emsa.europa.eu/lrit/lrit-home/item/489-integrated-maritime-data-environment-imdate.html (Erişim tarihi: 08.06.2026).
8. Guru, A. (2025). AI in maritime surveillance: Uses, risks, and considerations. Observer Research Foundation. Erişim adresi: https://www.orfonline.org/expert-speak/ai-in-maritime-surveillance-uses-risks-and-considerations (Erişim tarihi: 08.06.2026).

9. Gürdeniz, C. (2015). Mavi uygarlık: Türkiye denizcileşmelidir. Kırmızı Kedi Yayınevi.
10. Gürdeniz, C. (2017). Mavi Vatan yazıları. Kırmızı Kedi Yayınevi.
11. Gürdeniz, C. (2021). Anavatandan Mavi Vatana. Kırmızı Kedi Yayınevi.
12. Gürdeniz, C. (2023). Jeopolitik fırtına. Kırmızı Kedi Yayınevi.
13. Kurumahmut, A., & Yaycı, C. (2011). Deniz subayları için temel deniz hukuku: Barış ve savaş dönemi. Deniz Kuvvetleri Kültür Yayınları.
14. Nguyen, D., Vadaine, R., Hajduch, G., Garello, R., & Fablet, R. (2018). A multi-task deep learning architecture for maritime surveillance using AIS data streams (arXiv:1806.03972v3). arXiv. Erişim adresi: https://arxiv.org/abs/1806.03972 (Erişim tarihi: 08.06.2026).
15. Nguyen, D., Vadaine, R., Hajduch, G., Garello, R., & Fablet, R. (2021). GeoTrackNet-A maritime anomaly detector using probabilistic neural network representation of AIS tracks and a contrario detection (arXiv:1912.00682v5). arXiv. Erişim adresi: https://doi.org/10.48550/arXiv.1912.00682 (Erişim tarihi: 08.06.2026).
16. O’Brien, B. C., Harris, I. B., Beckman, T. J., Reed, D. A., & Cook, D. A. (2014). Standards for reporting qualitative research: A synthesis of recommendations. Academic Medicine, 89(9), 1245–1251. Erişim adresi: https://doi.org/10.1097/ACM.0000000000000388 (Erişim tarihi: 08.06.2026).
17. Sahil Güvenlik Komutanlığı. (t.y.). Görevler: Yetki, görev ve sorumlulukları. Erişim adresi: https://www.sg.gov.tr/gorevler (Erişim tarihi: 08.06.2026).
18. Seagull Surveillance. (t.y.). What Seagull does. Erişim adresi: https://www.seagullsurveillance.com/what-seagull-does (Erişim tarihi: 08.06.2026).
19. Skylight. (2026). Platform overview. Allen Institute for AI. Erişim adresi: https://skylight.global/platform#ai (Erişim tarihi: 08.06.2026).
20. Soldi, G., Gaglione, D., Forti, N., Di Simone, A., Daffinà, F. C., Bottini, G., Millefiori, L. M., Braca, P., Carniel, S., Willett, P., Iodice, A., Riccio, D., & Farina, A. (2021). Space-based global maritime surveillance. Part II: Artificial intelligence and data fusion techniques. IEEE Aerospace and Electronic Systems Magazine, 36(9), 30–42. Erişim adresi: https://doi.org/10.48550/arXiv.2011.11338 (Erişim tarihi: 08.06.2026).
21. Stanford Üniversitesi. (2025). CS231N: Deep learning for computer vision – Lecture 1: Introduction [Video]. YouTube. Erişim adresi: https://www.youtube.com/watch?v=2fq9wYslV0A (Erişim tarihi: 08.06.2026).
22. Şahin, A., & Sadıoğlu, U. (2023). Türkiye kalkınma planlarında deniz güvenlik politikaları analizi [Maritime security policy analysis in Türkiye's development plans]. Güvenlik Stratejileri Dergisi, 19(44), 139–180. Erişim adresi: https://doi.org/10.17752/guvenlikstrtj.1266293 (Erişim tarihi: 08.06.2026).
23. Tekinalp, O. (2019). Stratejiye giriş ve deniz stratejisi: Temel kavramlar, taktik bilgiler ve tarihî örnekler (Konu 9: Denizcilik gücü, deniz gücü, deniz kuvveti, denizci strateji ve deniz kuvvetleri stratejisi). Doruk Yayınları.
24. Telci, İ. N., & Yorulmaz, R. (Eds.). (2020). Uluslararası siyasette Doğu Akdeniz. Ortadoğu Yayınları.
25. Tu, E., Zhang, G., Rachmawati, L., Rajabally, E., & Huang, G.-B. (2018). Exploiting AIS data for intelligent maritime navigation: A comprehensive survey from data to methodology. IEEE Transactions on Intelligent Transportation Systems, 19(5), 1559–1582. Erişim adresi: https://doi.org/10.1109/TITS.2017.2724551 (Erişim tarihi: 08.06.2026).
26. Veyisoğlu, A. T. (2024, 24 Mayıs). Milli Güç Unsuru Olarak Deniz Kuvvetleri. TASAM. Erişim adresi: https://tasam.org/tr-TR/Icerik/72592/milli_guc_unsuru_olarak_deniz_kuvvetleri (Erişim tarihi: 08.06.2026).