İklim değişikliğine bağlı göçler, COVID-19’un yayılışı, tarım alanındaki yeni eğilimler ve komşu bölgelerdeki sosyoekonomik sorunlar; tüm bunlar verilere bağlı olarak tanımlanır. Kullanılan modeller karmaşıklaştıkça bu gibi belli bir uzama -bir ülkeye, bölgeye veya dünyaya- yayılmış olguların analizi için gereken veri miktarı da artar. Fakat genelde ya güvenilir verilere erişmek zor ve pahalıdır, ya da söz konusu veriler doğru tahminler yapılmasını sağlayamayacak kadar azdır.
New York Üniversitesi Tandon Mühendislik Fakültesi’nde makine ve uzay, biyomedikal ve inşaat ve kent mühendisliği profesörü olan, Şehircilik ve İlerleme Merkezi üyesi Maurizio Porfiri, normalde zaman serileri için kullanılan matematiksel teknikleri uzamsal süreçlere uygulayarak “az” verinin çokmuş gibi davranmasını sağlayan, ağ ve bilişim teorisine dayanan yeni bir çözüm geliştirdi.
Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences portalında yerini alan çalışmada, sınırlı sayıdaki yerlerden alınan dar bir örneklemdeki özelliklerden yola çıkarak, etkilere dair önemli çıkarımların nasıl yapılabileceği anlatılıyor. Hatta bu çıkarımlara, arada kalan bölgeler veya aynı kilit özellikleri taşıyan uzak bölgeler bile dahil edilebiliyor.
“Veri kümeleri çoğu zaman yetersiz kalır” diye açıklıyor Porfiri ve ekliyor: “Bu yüzden, çok temel bir yaklaşımla bilişim teorisini kullanarak normalde zaman bakımından incelenen etkinin uzay açısından da incelenip incelenemeyeceğini araştırdık. Bu sayede çok dar bir veri kümesiyle, 25 ila 50 gözlemle, çalışmamız mümkün oldu. Verilerin anlık bir görüntüsünü alıyor ve neden-sonuç ilişkisine bakmaksızın, sadece iki nokta arası etkileşimi göz önünde bulundurarak bağlantılar çiziyoruz. Bu şekilde sistemde, ilk bakışta görülemeyen, kolektif bir tepki olup olmadığını görmeye çalışıyoruz.”
Porfiri ve İspanya, Cartagena Teknik Üniversitesi Nicel Yöntemler, Hukuk ve Modern Diller Departmanı’ndaki ortağı Manuel Ruiz Marín’in geliştirdiği metodun içeriği şu şekilde:
• Veri kümesini az sayıdaki geçerli sembollere dönüştürmek. Bu aşama yapay zekâ sistemlerinin sınırlı sayıda piksel kullanarak (çene, elmacık kemikleri, alın vb.) bir yüzü tanımasına benzetilebilir.
• Bilişim teorisi prensiplerini kullanarak parametrik olmayan (iki mekân arasında belli bir modele bağlı bir etkileşim olduğunu varsaymayan) bir test oluşturmak ve olayları birbirleriyle ilişkilendirerek bir konumdaki belirsizliğin, başka bir konumdaki belirsizliğe dair bilgi edindiğimizde azalıp azalmadığını gözlemlemek.
Porfiri, parametrik olmayan bir yaklaşımın, seçilen noktalar üzerindeki etkilerin altında yatan bir düzen olduğunu varsaymamasının, noktaların birbiriyle ilişkilendirilmesinde nasıl bir esneklik sağladığını açıklıyor. Bunun için verdiği örnek ise “komşu” kavramının tanımı: “Komşu kavramını soyutlaştırdığımız için, başka herhangi bir özellik, mesela ideoloji, bağlamında yeniden tanımlayabiliyoruz. Örneğin, coğrafi olarak yakın olmasalar da Kaliforniya ve New York, benzer değerlere sahip oldukları için ideolojik bakımdan komşu olabilirler.”
Ekip, önemli sosyoekonomik sorunlara istatiksel prensiplerine dayalı bir anlayış getirmek için bu sistemi iki vaka çalışması üzerinden doğruladı: Bangladeş’te deniz seviyesinin yükselmesine bağlı yaşanan göçler ve ABD’deki motorlu araç kazaları sonucunda yaşanan ölümler. “İlk çalışmamızda konumlar arası göçün coğrafi mesafeye veya belli bir semtteki su baskınının ciddiyetine göre tahmin edilip edilemeyeceğini görmek istedik. Başka bir deyişle, semtin yakınında diğer hangi semtlerin bulunduğuna ya da sel seviyesine ilişkin bilgiler, göçün boyutunu tahmini etmemize yardımcı olacak mıydı?” diye açıklıyor Ruiz Marín.
İkinci vaka analizi için ise ekip, 1980, 1994 ve 2009 yıllarında gerçekleşen, alkol kullanımına bağlı araba kazalarının bölgelere göre dağılımını inceledi; bu tür kazaların sıkça yaşandığı eyaletleri, sırasıyla hem konum hem de alkollü araç kullanımıyla ilgili yasalar bakımından yakın olan diğer eyaletlerle karşılaştırdılar. “Alkollü araç kullanımıyla ilgili benzer yasaları paylaşan eyaletlerdense, sınır komşusu olan eyaletler arasında daha güçlü bir bağlantı gözlemledik.”
Porfiri ve Ruiz Marín, çalışmalarının devamında bu metodun kullanımını uzamsal-zamansal olguların analizine de uygulamayı hedefliyorlar.
Kaynak: https://phys.org/news/2020-10-method-spatial.html
