Biyolojik Bozguna Yeni Bir Tedbir: Yapay Zekâ Destekli İnsansız Hava Araçları

Öz

Kendini sıklıkla jeofiziksel, hidrolojik, teknolojik, meteorolojik, iklimsel ve biyolojik biçimleriyle gösteren afetler gün geçtikçe çeşitlenmektedir. Söz konusu durum artık mevcut anlayışların ve araçların acil bir müdahaleye yetemediğini de ortaya koymaktadır. Bu afetlerin önem sırası kıtalara, ülkelere ve bölgelere göre değişmekle birlikte, özellikle son yıllarda biyolojik afetlerin etkisinin küresel olması bu çalışmaya kaynaklık etmiştir. Nitekim biyolojik afetlerin, yayılma süresine müdahaleleri bakımından diğer afetlerden ayrı tutulması da gerekmektedir. Çalışma doğrudan bu sürenin indirgenmesi amacını gütmektedir. Şayet bu tipteki afetlerin kaynağına efektif bir müdahale sağlanabilirse etkisi azalacaktır. Çalışmada, sistematik analiz yöntemi kullanılmıştır. Analiz, araştırmanın temel fikrinin daha güçlü kanıtlar ile desteklenmesine imkân sağlaması yönünden tercih edilmiştir. Çalışma, neticede iki tip biyolojik afet müdahalesiyle temellendirilmiştir. Bunlardan ilki, biyolojik afetlerin yayılma sıklıklarının bölgesel olarak ölçülmesinin esas alındığı ilk müdahaledir. İkincisi de; bu çalışmada ilk kez ortaya koyulacak olan CAAN Modeli ile gerçekleşecek diğer bir müdahaledir. İlk müdahalede söz konusu ölçüm, yapay zekâ destekli bir veri akışı ile sağlanacaktır. İkinci müdahalenin çıkış noktası ise; bölgede vazifelerini sürdüren sağlık kurum/kuruluşlarının, afet ve acil durum kurum/kuruluşlarının ve sivil toplum kuruluşlarının, bölgeye yönelik bilgi akışını bir yapay zekâ destekli sivil ağ üzerinden ilgili havacılık otoritesine aktarmasıdır. Modelin bulguları çerçevesinde; bilgi akışı daha sağlıklı hale gelmiş, dönemin ve afetin ihtiyaçlarına göre insansız hava aracı o bölgenin acil ilaç vb. gibi ihtiyaçlarını rahatlıkla karşılamıştır. Çalışmanın son bölümünde dezavantajlarına nazaran, modelin avantajlarının çok daha baskın olduğu çıkarımı yapılmıştır. İnsansız hava aracı üreticileri, sağlık kurum/kuruluşları, afet ve acil durum dernekleri/başkanlıkları/müdürlükleri, sivil toplum kuruluşları ve yetkili sivil havacılık otoriteleri tam da bu noktada bu tip krizlere yeni nesil ve yapay zekâ destekli bir ağ sistemi ile müdahale etmeyi tecrübe ettikleri takdirde, ortaya çıkacaklar karşısında da hem stratejik hem de operasyonel anlamda nelere odaklanacaklarını, ne türden tedbirler alacaklarını kolaylıkla izleyebilirler.

Anahtar Kelimeler

• Biyolojik afet
• yapay zekâ
• insansız hava araçları
• sivil havacılık

A New Measure Against Biological Defeat: Artificial Intelligence Supported UAV

Abstract

Natural disasters, which manifest themselves in various forms such as geophysical, hydrological, technological, meteorological, climatic, and biological, are becoming more diverse day by day. This situation reveals that existing understandings and tools are no longer sufficient for an urgent intervention. While the importance of these disasters varies according to continents, countries, and regions, the global impact of biological disasters in recent years has prompted this study. Indeed, it is necessary to treat interventions for biological disasters separately from other disasters in terms of the spread time. This study directly aims to reduce this time. If effective intervention can be provided at the source of these types of disasters, their impact will decrease. In the study, systematic analysis method was used. Analysis is preferred because it allows the basic idea of the research to be supported by stronger evidence. The study is ultimately grounded on two types of biological disaster interventions. The first one is based on measuring the regional spread frequencies of biological disasters. The second one involves the implementation of the CAAN Model being introduced for the first time in this study. In the first intervention, the measurement in question will be provided through an artificial intelligence-supported data flow. The starting point of the second intervention is for the health institutions/agencies, disaster and emergency institutions/agencies, and civil society organizations operating in the region to transfer information flow related to the region to the relevant aviation authority through an artificial intelligence-supported civil network. Within the framework of the findings of the model; the information flow has become healthier, and unmanned aerial vehicles have easily met the urgent needs of that region such as medication, based on the needs of the era and disaster. In the final section of the study, it is inferred that the advantages of the model are much more dominant compared to its disadvantages. Unmanned aerial vehicle manufacturers, healthcare institutions, disaster and emergency organizations, civil society organizations, and authorized civil aviation authorities, when they experience intervening in such crises with a next-generation and artificial intelligence-supported network system, can easily observe what they will focus on strategically and operationally, and what precautions they will take in the face of emerging challenges.

Keywords

• Biological disaster
• artificial intelligence
• unmanned aerial vehicles
• civil aviation

Kaynakça

1. Acil Sağlık Hizmetleri Genel Müdürlüğü. (2024). Sağlık Afet ve Koordinasyon Merkezi Birimi (SAKOM). Web: https://ashgmafetacildb.saglik.gov.tr/TR-80256/saglik-afet-ve-koordinasyon-merkezi-birimi-sakom.html [Erişim tarihi: 26.06.2024].
2. AFAD (2023). Biyolojik Ajanların Sınıflandırılması. Web: https://www.afad.gov.tr [Erişim tarihi: 01.02.2023].
3. Afet ve Acil Durum Yönetimi Başkanlığı. (2024). Türkiye Afet Müdahale Planı. Web: https://www.afad.gov.tr/turkiye-afet-mudahale-plani [Erişim tarihi: 26.06.2024].
4. Afet Platformu. (2024). Afet Platformu/Üyelerimiz. Web: https://afetplatformu.org.tr/uyeler/ [Erişim tarihi: 26.06.2024].
5. Baker, C.A., Rapp, R.R., Elwakil, E., Zhang, J. (2020). Infrastructure Assessment Post-Disaster: Remotely Sensing Bridge Structural Damage By Unmanned Aerial Vehicle İn Low-Light Conditions. Journal of Emergency Management. 18(1), 27-41.
6. Aiken, R.M., & Epstein, R.G., (2000). Ethical Guidelines for AI in Education: Starting a Conversation. International Journal of Artificial Intelligence in Education, 11, 163-176.
7. Akkamış, M., & Çalışkan, S. (2020). İnsansız Hava Araçları ve Tarımsal Uygulamalarda Kullanımı. Türkiye İnsansız Hava Araçları Dergisi, 2(1); 08-16.
8. Amisha, P. M., Pathania, M., & Rathaur, V. K. (2019). Overview of Artificial Intelligence in Medicine. Journal of Family Medicine and Primary Care, 8(7), 2328.

9. Andriessen, J., & Sandberg, J. (1999). Where is Education Heading and How About AI. International Journal of Artificial Intelligence in Education, 10(2), 130-150.
10. Atlı, H. F. (2024a). Safety of Agricultural Machinery and Tractor Maintenance Planning With Fuzzy Logic and MCDM For Agricultural Productivity. International Journal of Agriculture Environment and Food Sciences, 8(1), 25-43. https://doi.org/10.31015/jaefs.2024.1.4.
11. Atlı, H. F. (2024b). Bulanık ARAS (B-ARAS) Yönteminin Sistematik Bir İncelemesi ve Meta-Analizi. SSD Journal, 9(42), 1-16. http://dx.doi.org/10.31567/ssd.1107.
12. Atlı, H. F., & Senir, G. (2024). Green Supplier Selection Using IMF SWARA and Fuzzy WASPAS Techniques for The Supply of Agricultural Pesticides. Black Sea Journal of Agriculture, 7(4), 377-390. https://doi.org/10.47115/bsagriculture.1463382.
13. Barbara, F., Moreira, M. Â. L., Fávero, L. P., & Santos, M. D. (2023). Interactive Internet-based Tool Proposal for the WASPAS Method: a Contribution for Decision-Making Process. 10th International Conference on Information Technology and Quantitative Management. 221, 200-207.
14. Bushnaq, O., & Natalizio, E. (2022). Unmanned Aerial Vehicles (UAVs) for Disaster Management. Nanotechnology-Based Smart Remote Sensing Networks for Disaster Prevention. 23(4), 159-188.
15. Cao, Y., & Jiang, H. (2020). Research on Emergency Logistics Management Based on Intelligent Supply Chain. International Conference on New Energy Technology and ID, 1(1).
16. Dadelo, S., Turskıs, Z., Zavadskas, E., & Dadeliene, R. (2012). Multiple Criteria Assessment of Elite Security Personal on the Basis of ARAS and Expert Methods. Economic Computation and Economic Cybernetics Studies and Research, 46 (4): 65-88.
17. Dağdeviren, M., Akay, D., & Kurt, M. (2004). İş Değerlendirme Sürecinde Analitik Hiyerarşi Prosesi ve Uygulaması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 19 (2): 131-138.
18. Değirmen, S., Çavdur, F., & Sebatlı, A. (2018). Afet Operasyonları Yönetiminde İnsansız Hava Araçlarının Kullanımı: Gözetleme Operasyonları İçin Rota Planlama. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi. 23(4), 11-26.
19. Dhokare, S., & Gaikwad, A. (2021). A Study Of Artificial Intelligence: Types, Opportunities, Challenges. An International Bilingual Peer Reviewed Refereed Research Journal. 11(41), 133-137.
20. Estrada, M.A.R., & Ndoma, A. (2018). The Uses Of Unmanned Aerial Vehicles –UAV’s- (Or Drones) in Social Logistic: Natural Disasters Response and Humanitarian Relief Aid. Procedia Computer Science. 149, 375–383.
21. Euronews (2023). Zipline: Amazon ve Google’ı Geride Bırakan Acil Drone Kargo Hattı. Web: www.tr.euronews.com adresinden 1 Şubat 2023 tarihinde erişildi.
22. Freepik (2023). Map Illustration. Web: https://www.freepik.com adresinden 26 Kasım 2023 tarihinde erişildi.
23. Kamilaris, A., & Boldú, F.X.P. (2017). Disaster Monitoring using Unmanned Aerial Vehicles and Deep Learning. Disaster Management for Resilience and Public Safety Workshop, in Proc. of EnviroInfo2017. Luxembourg.
24. Karacam, Z. (2013). Sistematik Derleme Metodolojisi: Sistematik Derleme Hazırlamak İçin Bir Rehber. DEUHYO ED, 6 (1), 26-33.
25. Ludwig, L., Mattedi, M.A., Ribeiro, E.A.W.W., & Spiess, M.R. (2023). Asymmetries in the application of Unmanned Aerial Vehicles in different phases of Disaster Risk Management (DRM). Desenvolv. e Meio Ambiente usa uma Licença 423 Creative Commons - Atribuição 4.0 Internacional. 62, 423-436.
26. Mengist, W., Soromessa, T., & Legese, G. (2020). Method For Conducting Systematic Literatüre Review and Meta-Analysis For Environmental Science Research. MethodsX, 7, 100777.
27. Özkan, Ö. (2018). İnsansız Hava Araçları ile Türkiye’deki Orman Yangınlarının Tespiti Probleminin Tavlama Benzetimi ile En İyilenmesi. 38. Ulusal Yöneylem Araştırması ve Endüstri Mühendisliği Kongresi. Eskişehir, Türkiye.
28. Sivil Toplum Destek. (2024). Sivil Toplum için Destek Vakfı. Web: https://siviltoplumdestek.org/hakkimizda [Erişim tarihi: 26.06.2024].
29. Sharma, R., Chopra, S.R., & Gupta, A. (2024). Power Optimization of Unmanned Aerial Vehicle-Assisted Future Wireless Communication Using Hybrid Beamforming Technique in Disaster Management. IOP Conference Series Earth and Environmental Science. 1285(012025).
30. Stanford University (2023). CNN. Web: https://stanford.edu [Erişim tarihi: 26.11.2024].
31. Tech Inside (2023). Yapay Zekâ Afet Yönetimini De Değiştirecek. Web: www.techinside.com [Erişim tarihi: 01.02.2026].
32. Tekin, T. (2021). Tarihten Günümüze Epidemiler, Pandemiler ve Ekonomik Sonuçları. Journal of Süleyman Demirel University Institute of Social Sciences. 40, 330-355.
33. Türk, T. (2013). Doğal Afet Yönetiminde İnsansız Hava Araçlarının İHA Kullanılması. Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu (TUFUAB 2013), Trabzon, Türkiye.
34. Ulu, M., Türkan, Y. S., & Mengüç, K. (2022). Trafik Kazalarını Etkileyen Faktörlerin Ağırlıklarının BWM ve SWARA Yöntemleri ile Belirlenmesi. 5 (2), 227-238.
35. Uman, L.S. (2011). Systematic Reviews and Metaanalyses. J Can Acad Child Adolesc Psychiatry, 20 (1), 57-59.
36. Uysal, M., Yılmaz, M., Tiryakioğlu, İ., & Polat, N. (2018). İnsansız Hava Araçlarının Afet Yönetiminde Kullanımı. Eskişehir Technical University Journal of Science and Technology B- Theoritical Sciences. 6, 219-224.
37. Villi, O., & Yakar, M (2023). İnsansız Hava Araçları ve CBS Uygulamaları. Türkiye Coğrafi Bilgi Sistemleri Dergisi. 5(1), 20-33.
38. Villi, O., & Yakar, M. (2022). İnsansız Hava Araçlarının Kullanım Alanları ve Sensör Tipleri. Türkiye İnsansız Hava Araçları Dergisi. 4(2), 73-100.
39. Whang, X., Yan, R., & Chen, Y. (2021). Computational Identification of Ubiquitination Sites in Arabidopsis tThaliana Using Convolutional Neural Networks. Thermo Fisher Scientific.
40. Yılmaz, Ü. (2019). İnsani Yardım Lojistiği Faaliyetlerinde İnsansız Hava Araçlarının Kullanım Alanları. Journal of Vocational and Social Sciences of Turkey – Journal of VOSST. 1(2), 43-54.
41. Zhu, X., Zhang, G., ve Sun, B. (2019). A Comprehensive Literature Review of the Demand Forecasting Methods of Emergency Resources from the Perspective of Artificial Intelligence. Natural Hazards, 97(1), 65-82.