Gökyüzündeki Yapay Zeka: Kaçak Yapılar ve "Tiny House"lar Artık Uydudan Kaçamıyor

Hızla artan kent nüfusu ve yükselen barınma maliyetleri, insanları alternatif yaşam alanlarına yöneltirken, kaçak yapılaşma da şekil değiştiriyor. Geleneksel betonarme binaların yerini hızla alan "tiny house" (mikro ev) ve dönüştürülmüş nakliye konteynerleri, doğanın derinliklerine gizlenmeye çalışsa da artık gökyüzündeki yapay zeka (YZ) destekli gözlerden kaçamıyor.

Dünya genelinde kent nüfusunun 2050 yılına kadar 5 milyara ulaşması beklenirken, şehirlerin kontrolsüz genişlemesi arazi yönetiminde büyük krizlere yol açıyor. Geçmişte imar denetimleri, kısıtlı insan kaynağıyla yürütülen saha taramalarına veya vatandaş şikayetlerine dayanıyordu. Ancak yüksek çözünürlüklü uydu görüntüleri, insansız hava araçları (İHA) ve derin öğrenme (Deep Learning) algoritmalarının sahaya inmesiyle birlikte imar denetiminde yeni bir "bilişsel devrim" yaşanıyor.

Teknoloji Nasıl Çalışıyor?

Belediyelerin ve devlet kurumlarının haftalarca süren, insan hatasına ve gözden kaçırmalara açık manuel tespit süreçleri, yapay zeka sayesinde saniyeler düzeyine inmiş durumda. Sistem şu adımlarla işliyor:

• Çok Gözlü Takip: Pleiades Neo gibi son teknoloji uydular, yeryüzünü piksel başına 30 santimetreye kadar inen bir çözünürlükle tarıyor. Bulutlu ve sisli havalarda veya yoğun ormanlık alanlarda ise Sentinel-1 gibi radar (SAR) uyduları devreye girerek metalik yansımaları ve yüzey değişimlerini tespit ediyor.

• "Öncesi ve Sonrası" Analizi: Farklı tarihlerde çekilen uydu görüntüleri, yapay zeka tarafından üst üste hizalanarak karşılaştırılıyor. Algoritmalar, eski ve yeni görüntüler arasındaki farkları milimetrik düzeyde saptıyor.

• Akıllı Sınıflandırma: Sistem sadece "burada yeni bir yapı var" demekle kalmıyor; yapının ne olduğunu da analiz ediyor. Arazideki bir yapının çatısında güneş paneli veya yanında su deposu varsa, yapay zeka bunun basit bir traktör garajı değil, şebekeden bağımsız tasarlanmış bir "tiny house" yaşam alanı olduğunu anında raporluyor.

Hukuki İkilem: "Tiny House" Bina mı, Araç mı?

Teknolojinin ulaştığı bu muazzam seviye, hukuki tanımlamaların bir adım önünde gidiyor. Özellikle Türkiye'de tekerlekli (THOWs) tiny house'ların durumu ciddi bir tartışma konusu. Karayolları mevzuatına göre plakalı ve ruhsatlı bir "araç" (karavan) sayılan bu yapılar, bir tarım arazisine yerleştirildiğinde imar mevzuatı açısından "bina" kabul edilmiyor.

Türk Ceza Kanunu'na göre imar kirliliği suçunun oluşabilmesi için sabit bir yapı gerekiyor. Bu nedenle, yapay zeka bir arazide aniden beliren bir tiny house kümesini %99 doğrulukla tespit etse bile, işin hukuki boyutu için yerel zabıta ekiplerinin sahaya giderek yapının tekerlekleri üzerinde mi durduğunu yoksa temele mi oturtulduğunu fiziksel olarak doğrulaması ve tutanak tutması şart.

Dünyadan ve Türkiye'den Çarpıcı Örnekler

Yapay zeka ve uydu teknolojilerinin entegrasyonu sadece teoride kalmıyor, küresel çapta aktif olarak kullanılıyor:

• Türkiye: Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, İstanbul genelindeki milyonlarca yapıyı uydulardan denetliyor. "İmar Barışı" döneminde yalan beyanla belge almaya çalışanlar geçmiş uydu verileriyle tespit ediliyor. Turizm rantının yüksek olduğu İzmir (Çeşme) ve Muğla gibi bölgelerde ise uydu denetimleriyle tespit edilen tarım arazilerindeki ruhsatsız tiny house köyleri mühürlenerek tahliye ediliyor.

• Hindistan: Ghaziabad bölgesinde yapay zeka, onaylanmış imar planlarından yalnızca 60-90 cm dışarı taşan çatı eklentilerini veya kaçak balkonları dahi tespit ederek hızlı müdahaleye olanak tanıyor.

• Avrupa ve Brezilya: İspanya'da vergi kaçırmak için bahçelere inşa edilen gizli yüzme havuzları uydularla tespit edilirken, Brezilya'da Amazon ormanlarındaki yasa dışı ağaç kesimi ve ormanın derinliklerine kurulan kaçak barakalar günlük olarak izleniyor.

Sonuç olarak; Nesnelerin İnterneti (IoT) ve derin öğrenme ile desteklenen bu sistemler, yapay zekayı tek başına "ceza kesen bir yargıç" değil, yerel yönetimlere ve doğaya sahip çıkan çok güçlü bir "asistan" olarak konumlandırıyor. Geleceğin akıllı şehirleri, uzaydan gelen bu verilerle çok daha sürdürülebilir bir şekilde inşa edilecek.

Yapay Zeka ve Uzaktan Algılama Teknolojileri Aracılığıyla Kentsel ve Kırsal Alanlarda Kaçak Yapı, Mobil Ev ve Alternatif Mimari Yapıların Denetimi

Kentsel nüfusun dünya genelinde benzeri görülmemiş bir hızla artması, mekansal planlama ve arazi yönetimi disiplinlerini derinden sarsan krizleri beraberinde getirmiştir. 1975 yılında 1.5 milyar olan küresel kent nüfusunun 2015 yılında 3.5 milyara çıkması ve 2050 yılına kadar 5 milyara ulaşmasının beklenmesi, şehirlerin çeperlere doğru kontrolsüz bir şekilde genişlemesine veya mevcut alanlarda aşırı yoğunlaşmasına neden olmaktadır. Bu hızlı kentleşme ve artan barınma maliyetleri, bireyleri ve ticari aktörleri imar mevzuatının dışına çıkarak ruhsatsız veya kural dışı yapılar inşa etmeye, eklentiler yapmaya ve son yıllarda giderek popülerleşen "tiny house" (mikro ev) veya dönüştürülmüş nakliye konteyneri gibi alternatif yaşam alanlarına yöneltmektedir. Geleneksel belediyecilik anlayışında, imar denetimleri vatandaş şikayetlerine veya kısıtlı insan kaynağıyla yürütülen fiziksel saha taramalarına dayanmaktadır. Ancak bu manuel yöntemler, hem zaman hem de maliyet açısından son derece verimsiz olup, rüşvet veya insan hatası gibi zafiyetlere açıktır.   

Bu rapor, yüksek çözünürlüklü uydu ve insansız hava aracı (İHA/Drone) görüntülerinin, yapay zeka (YZ) ve derin öğrenme (Deep Learning - DL) algoritmaları ile entegre edilerek kaçak yapıların, tiny house kümelerinin ve izinsiz eklentilerin nasıl tespit edildiğini kapsamlı bir şekilde incelemektedir. İnceleme, veri toplama aşamasından algoritmik sınıflandırmaya, hukuki ve etik açmazlardan küresel vaka analizlerine kadar uzanan çok boyutlu bir analizi içermektedir.

Uzaktan Algılama Altyapısı ve Çok Zamanlı Görüntü Edinimi

Yapay zeka modellerinin kentsel dokuyu analiz edebilmesi için ihtiyaç duyduğu temel girdi, farklı zaman dilimlerinde (multi-temporal) ve yüksek uzamsal çözünürlükte elde edilmiş uydu görüntüleridir. Uzaktan algılama teknolojilerindeki ilerlemeler, farklı elektromanyetik spektrumlarda veri toplayabilen platformların sivil denetim kullanımına açılmasını sağlamıştır.   

Sensör Çeşitliliği ve Veri Kaynakları

Uydu tabanlı denetim sistemleri, optik ve radar başta olmak üzere farklı sensör tiplerini eşgüdümlü olarak kullanır. Pleiades Neo gibi son teknoloji uydular, piksel başına 30 santimetreye kadar inen Çok Yüksek Çözünürlüklü (VHR) optik görüntüler sunarak, kentsel dokudaki binaların ötesinde, bahçe duvarlarının ve çit sınırlarının bile otomatik olarak çıkarılabilmesine olanak tanır. Sentinel-2 uyduları multispektral optik veriler sunarken, Avrupa Uzay Ajansı'nın (ESA) Sentinel-1 uyduları Sentetik Açıklıklı Radar (SAR) teknolojisi ile çalışır. SAR sensörleri, bulut örtüsünü, sis ve karanlığı aşarak yeryüzünün mikrodalga yansımalarını kaydeder. Optik görüntülerin yetersiz kaldığı yoğun ormanlık alanlarda veya kötü hava koşullarında, SAR verileri yüzey geometrisindeki değişiklikleri ve inşaat demirlerinin oluşturduğu metalik yansımaları tespit etmede kritik bir rol oynar.   

Ayrıca, Lidar (Işık Tespiti ve Uzaklık Ölçümü) sensörleri, uçaklara veya dronlara entegre edilerek yüzeyin üç boyutlu (3D) nokta bulutu haritalarını çıkarır. Türkiye'nin İstanbul ili Üsküdar ilçesinde yapılan bir çalışmada, KOMPSAT-3 optik uydu görüntüleri ile havadan Lidar verileri birleştirilerek, sadece taban alanındaki genişlemeler değil, aynı zamanda binalara atılan kaçak katlar (yükseklik artışları) da yüksek hassasiyetle tespit edilmiştir.   

Görüntü Ön İşleme, Kayıt (Registration) ve Hizalama

Farklı tarihlerde (örneğin t1: 2021 ve t2: 2024) çekilmiş iki uydu görüntüsünün algoritmalar tarafından karşılaştırılabilmesi için "Görüntü Kaydı" (Image Registration) adı verilen son derece hassas bir ön işlemden geçmesi şarttır. Uyduların farklı yörünge açıları, atmosferik kırılmalar ve sensör sapmaları, aynı binanın iki görüntüde birkaç piksel kaymış gibi görünmesine neden olabilir. Bu tür bir kayma, yapay zeka tarafından yanlışlıkla "yeni bir inşaat faaliyeti" (yanlış pozitif) olarak yorumlanabilir.

Bu hatayı önlemek için, Öklid mesafesi özellikleri, Şekil bağlamı (Shape context) özellikleri ve Ölçek Değişmez Özellik Dönüşümü (SIFT) tanımlayıcıları kullanılarak görüntüler üzerindeki karakteristik sabit noktalar (örneğin tarihi köprüler, büyük kavşaklar) eşleştirilir. Karma Özellikli Gauss Karışım Modeli (MGMM) ve özellik noktası çıkarımı algoritmaları ile iki görüntü arasındaki geometrik ve radyometrik farklar minimize edilerek görüntüler kusursuz bir şekilde üst üste hizalanır.   

Derin Öğrenme Tabanlı Değişim Tespiti (Change Detection) Mimarileri

Kaçak yapı tespiti, bilgisayarlı görü (Computer Vision) literatüründe bir "Değişim Tespiti" (Change Detection) problemi olarak formüle edilir. Erken dönem araştırmalarında, piksellerin renk ve yoğunluk değerlerine göre kümelendiği K-Ortalamalar (K-means) gibi makine öğrenmesi algoritmaları kullanılmış olup, piksellerin iteratif olarak hareket ettirildiği bu yöntemler belirli bir seviyeye kadar inşaat değişikliklerini yakalayabilmiştir. Ancak, geleneksel sığ öğrenme (shallow learning) ve filtre tabanlı yöntemlerin yüksek yanlış alarm oranları ve esneklik eksiklikleri, yerini ham verilerden otomatik özellik çıkarımı yapabilen Çok Katmanlı Yapay Sinir Ağlarına bırakmıştır.   

Değişim tespitinde kullanılan derin öğrenme mimarileri üç ana kategoriye ayrılır:

1. Semantik Segmentasyon ve Evrişimli Sinir Ağları (CNN)

Semantik segmentasyon, uydu görüntüsündeki her bir piksele bağlamsal bir etiket (örneğin; ağaç, yol, mevcut bina, yeni bina) atanması işlemidir. Orijinal olarak tıbbi görüntülerin segmentasyonu için geliştirilen U-Net mimarisi, kodlayıcı-çözücü (encoder-decoder) yapısı sayesinde uydu görüntülerinden bina çıkarımında altın standart haline gelmiştir. U-Net'in en büyük avantajı, çok az miktarda etiketli eğitim verisiyle dahi yüksek doğruluk oranlarına ulaşabilmesidir.   

Gelişmiş mimarilerden biri olan ResUNet++, derin kalıntı ağlarının (ResNet50) özellik çıkarma kapasitesini U-Net'in atlamalı bağlantıları (skip connections) ile birleştirir. Bu sistemde, t1 ve t2 zamanlarına ait görüntüler ağa beslenir. Özellik Farkı Hesaplaması (Feature Difference Computation) katmanları ile eski ve yeni görüntüler arasındaki spektral ve dokusal farklar izole edilir. Çözücü kısımda ise Sigmoid aktivasyon fonksiyonuna sahip evrişimli katmanlar, her bir pikselin "değişen" veya "değişmeyen" bölgeye ait olma ihtimalini hesaplayarak pikselleri kümelendirir. Ayrıca, DeepLab gibi atrous (genişletilmiş) evrişimler kullanan ağlar, çok ölçekli bağlamsal bilgileri yakalayarak karmaşık kentsel sahnelerdeki tespit başarısını artırmaktadır.   

2. Nesne Tespiti (Object Detection) Ağları

Segmentasyon yerine yapıların etrafına bir "Sınırlayıcı Kutu" (Bounding Box) çizerek nesnenin koordinatlarını (x, y) ile genişlik ve yüksekliğini (w, h) hesaplayan nesne tespit ağları, özellikle küçük ve hareketli yapıların (örneğin tiny house ve konteynerler) tespitinde tercih edilmektedir.   

İki aşamalı dedektörler (örneğin R-CNN varyantları), önce bir "Bölge Önerme Ağı" (RPN) ile olası nesne konumlarını belirler, ardından bu bölgeleri sınıflandırır. Bu yöntem, birbirine çok yakın inşa edilmiş kalabalık ve küçük nesneleri tespit etmede daha başarılıdır. Tek aşamalı dedektörler (örneğin YOLO - You Only Look Once ailesi) ise hızıyla öne çıkar. YOLOv8 gibi modern algoritmalar, 0.2 milisaniye gibi olağanüstü kısa sürelerde tespit yapabilmektedir. Bir çalışmada, hesaplama maliyetini düşürmek ve doğruluğu artırmak için derinlemesine ayrılabilir evrişim (DSC) teknikleri ve MobileNetV3 omurgası kullanan hafifletilmiş bir YOLOv4 dedektörü geliştirilmiş ve 29 farklı kaçak yapı kategorisinde 14,038 görüntü üzerinden eğitilerek yüksek hassasiyetli tespitler gerçekleştirilmiştir.   

3. Transformer Tabanlı Modeller

Kökeni Doğal Dil İşlemeye (NLP) dayanan Transformer algoritmaları, kentsel dokunun analizinde giderek daha fazla ilgi görmektedir. CNN'ler görüntüyü yerel parçalar halinde (lokal pikseller) incelerken, Transformer'lar görüntünün farklı bölgeleri arasındaki küresel ilişkileri eşzamanlı olarak kavrayabilir. Bitemporal Image Transformer (BiT) veya ChangeFormerV6 gibi modeller, zaman içindeki yapısal değişikliklerin uzamsal bağlamını daha iyi modellemektedir. Bu mimariler, örneğin bir tarla üzerinde inşa edilen bir binanın yanında sonradan beliren bir havuzu veya eklentiyi sadece fiziksel rengiyle değil, etrafındaki yollar ve araçlarla olan anlamsal ilişkisiyle birlikte yorumlayabilme kapasitesine sahiptir.   

Algoritmik Sınıflandırma Zorlukları: Tiny House, Konteyner ve Geleneksel Barakalar

Kaçak yapılar sadece geleneksel tuğla veya betonarme inşalardan ibaret değildir. Kırsal turizmin artması ve arazi maliyetlerinin yükselmesiyle birlikte, 100 ila 400 metrekare (yaklaşık 9-37 metrekare alan) arasında değişen mikro yapılar doğaya yayılmaktadır. Uydu denetimi açısından en büyük zorluk, tespit edilen bir dikdörtgen prizmanın fonksiyonel niteliğini tayin edebilmektir. Bir tarım arazisine yerleştirilen yapı; geçici bir alet barakası mı (shed cabin), nakliye konteyneri mi, yoksa tam teşekküllü bir yaşam alanı olan Tiny House mu?   

Algoritmalar bu ayrımı yapabilmek için malzemelerin yansıma katsayılarını (albedo) ve bağlamsal yapıları inceler:

• Barakalar (Shed Cabins): Genellikle yüksek kaliteli depo yapılarından dönüştürülürler. Ahşap kızaklar veya basit beton levhalar üzerine oturtulurlar. Algoritma bu yapıları tanımlarken genellikle çatı eğimine, dış cephe malzemesinin (genellikle kontrplak veya ahşap) spektral izine ve çevresinde profesyonel bir altyapı bağlantısı olup olmadığına bakar.   

• Konteyner Evler: Standart 20-fit veya 40-fit uzunluğunda oluklu çelikten imal edilen bu yapılar, uydu görüntülerinde keskin geometrik sınırları ve radar (SAR) görüntülerindeki yüksek metalik yansımaları ile diğerlerinden ayrılır. Ayrıca konteynerlerin geleneksel evlere kıyasla birkaç hafta gibi çok kısa sürelerde sahaya yerleştirilmesi, uydu zaman serilerinde "aniden beliren obje" olarak tespit edilmelerini kolaylaştırır.   

• Tiny House (Mikro Evler): Çoğunlukla ahşap karkas veya yalıtımlı SIP panellerden üretilen bu yapılar, tekerlekli (THOWs) veya sabit temelli olabilir. Özellikle şebekeden bağımsız (off-grid) tasarlanan mikro evler, yapay zeka için eşsiz görsel ipuçları sunar. Örneğin, modelin çatıda tespit edeceği standart bir güneş paneli dizilimi veya arazide yer alan 250-500 litrelik yağmur/gri su depoları, bu yapının basit bir traktör garajı değil, enerji ve su yönetimi planlanmış bir yaşam alanı olduğunu kanıtlar. IADB'nin "Property Detector" (Mülk Dedektörü) projesi, uydu görüntülerinden elde edilen vektörel poligonları kullanarak, her şehrin kendine özgü çatı tiplerini ve yerleşim özelliklerini tanıyabilen bir semantik segmentasyon yaklaşımı geliştirmiş ve bu sayede farklı mikro yapı tiplerini başarıyla sınıflandırmıştır.   

Hukuki Entegrasyon: Coğrafi Bilgi Sistemleri (CBS) ve Kadastro Çakıştırması

Yapay zeka sisteminin bir arazide yeni bir yapı tespit etmesi, bu yapının otomatik olarak "kaçak" (yasa dışı) olduğu anlamına gelmez. Yapıların ruhsatlı olup olmadığının belirlenmesi için, teknolojik tespitlerin resmi kurumların veri tabanlarıyla anlık olarak çapraz referanslanması (cross-referencing) gerekir.   

Bu entegrasyon sürecinde, YZ algoritmasının ürettiği yeni binaların sınır koordinatları, Coğrafi Bilgi Sistemleri (CBS) üzerinden belediyelerin yapı kayıt envanterleri ve Dijital Kadastro Haritaları (örneğin Almanya Bavyera eyaletindeki DFK sistemi) ile üst üste bindirilir. Eğer algoritmanın belirlediği bir yapı poligonu, resmi haritada boş bir arazi veya farklı bir sınır gösteriyorsa, sistem bu durumu "uyumsuzluk" olarak işaretler. Bavyera'daki uygulamalarda, Normalized Digital Surface Model (nDSM) ve Geçici Dijital Yüzey Modelleri (tDSM) kullanılarak sadece yeni yapılar değil, yasal binaların üzerine sonradan çıkılan "kayıtdışı katlar" veya yükseklik limitlerini aşan eklemeler de algılanmaktadır.   

Performans Metrikleri, Oklüzyon ve Açıklanabilir Yapay Zeka (XAI) İhtiyacı

Makine öğrenmesi modellerinin kaçak yapı tespitindeki güvenilirliği, çeşitli matematiksel metrikler ve fiziksel sınırlamaların aşılmasıyla değerlendirilir. Literatürdeki çalışmalar, YZ tabanlı yapı tespit modellerinin Kesinlik (Precision), Duyarlılık (Recall), Sınıflandırma Doğruluğu (CA) ve Ortalama Hassasiyet (mAP) açısından %70 ila %99.5 arasında değişen başarı oranlarına sahip olduğunu göstermektedir. Tahran'da yapılan ve IRS-P5 uydusunun pankromatik görüntülerinin kullanıldığı bir araştırmada, model %75'lik genel doğruluk oranı ile 343 adet izinsiz yapıyı başarıyla tespit etmiştir.   

Fiziksel Kısıtlamalar: Oklüzyon (Kapanma) ve Çözünürlük Sınırları

Gerçek dünya koşullarında kentsel ortamların karmaşıklığı algoritmalar için ciddi engeller yaratır. En belirgin sorun "Oklüzyon" (kapanma) durumudur. Büyük ağaçların kanopileri (tree canopies) altına inşa edilen küçük yapılar veya çatısı tamamen kamuflaj ağıyla örtülmüş barakalar optik uyduların görüş açısından gizlenebilmektedir. Bu gibi durumlarda, orman örtüsünün altına nüfuz edebilen SAR verilerine veya gelişmiş ısı (kızılötesi) tespit sensörlerine başvurulur. Bir diğer kısıtlama ise fiziksel çözünürlük limitidir; modern uydular bahçe duvarlarını ve 60-90 cm boyutlarındaki kaçak balkon çıkmalarını görebilecek kadar hassas olsa da, bina içindeki kullanım amacı değişikliklerini veya bir araç plakasını okuyamazlar.   

NMS Optimizasyonu ve XAI Teknolojileri

Nesne tespit algoritmalarının doğasında var olan bir sorun, aynı binanın birden fazla kez tespit edilerek üst üste binen birçok "sınırlayıcı kutu" oluşturmasıdır. Bu çokluğun filtrelenmesi için Maksimum Olmayan Bastırma (Non-Maximum Suppression - NMS) algoritması kullanılır. NMS, en yüksek güvenilirlik skoruna sahip tahmini merkez alır ve önceden tanımlanmış Kesişim Üzeri Birleşim (IoU) eşik değerine göre diğer gereksiz kutuları siler. Ancak NMS ayarlarının yanlış yapılması, yan yana duran iki farklı tiny house'un tek bir bina olarak algılanmasına yol açabilir.   

Ayrıca, yapay zeka algoritmalarının nasıl karar verdiğinin anlaşılması (kara kutu probleminin çözülmesi), yasal kanıt sunumu açısından elzemdir. Açıklanabilir Yapay Zeka (XAI) tekniklerinden SHAP analizleri ve GradCAM süreçleri, algoritmanın hangi piksellere ağırlık verdiğini ısı haritaları ile göstererek tespit sürecinin şeffaf ve hesap verebilir olmasını sağlar. Bu durum, modelin sonuçlarının "İnsan Doğrulaması Döngüsü" (Human-in-the-loop) ile kitle kaynaklı (crowdsourcing) kalite kontrol ekiplerince kolayca incelenmesine imkan tanır.   

Hukuki Boyutlar, Türk Hukuku Perspektifi ve Etik Tartışmalar

Algoritmaların kaba bir şekilde yapıları tespit etmesi, o yapının yıkılacağı veya ceza yazılacağı anlamına gelmemektedir. Hukuk sisteminin dinamikleri, yapay zekanın görsel analizinden çok daha farklı kavramlara dayanmaktadır.

Tiny House İkilemi: Bina mı, Araç mı?

Türkiye örneği üzerinden incelendiğinde, tekerlekli (THOWs) Tiny House yapılarının hukuki statüsü karmaşık bir tartışma konusudur. Karayolları Trafik Yönetmeliği'ne göre, O2 sınıfı tip onay belgesine sahip, çekilebilir nitelikte ve yaşam alanı içeren bir yapı "mobil ev" yani "araç" statüsündedir. Bir tarım arazisi üzerine yerleştirilen bu araçlar, zemine beton veya kazıklarla sabitlenmedikleri sürece imar mevzuatı kapsamında bir "yapı" değil, park halindeki bir karavan olarak değerlendirilir.   

Türk Ceza Kanunu (TCK) Madde 184 kapsamında “İmar Kirliliğine Neden Olma” suçunun teşekkül edebilmesi için ortada "bina" niteliğinde sabit bir yapı bulunması gerekmektedir. Dolayısıyla, uydu görüntüsü bir arazide aniden beliren bir tiny house kümesini %99 doğrulukla tespit etse dahi, idari bir yıkım kararı alınabilmesi veya cezai sorumluluk doğabilmesi için yapının fiziksel özellikleri teyit edilmelidir. Bu nedenle, teknik iş akışının en son ve vazgeçilmez adımı "Saha Doğrulaması"dır (Field Verification). Uydu tarafından işaretlenen koordinatlar, yerel zabıta veya imar denetim ekiplerince bizzat yerinde incelenerek yapının tekerlekleri üzerinde mi durduğu yoksa sabit bir temele mi oturtulduğu yasal tutanaklara geçirilir.   

Gizlilik, İnsan Hakları ve Sürekli Gözetim

Uydu görüntülerinin sivil alanlarda "gerçek zamanlı" ve kitlesel gözetim aracı olarak kullanılması, Kişisel Verilerin Korunması Kanunu (KVKK) ve uluslararası veri mahremiyeti standartları açısından ciddi etik endişeler yaratmaktadır. Her ne kadar uydular bireylerin yüzlerini veya kimliklerini doğrudan tespit etmese de, mülk seviyesinde sürekli bir mekansal gözetim, algoritmik önyargılara (algorithmic bias) neden olabilir. Avrupa Birliği'nin sınır güvenliğinde uyguladığı ve göçmen haklarını zedeleyen otonom kitlesel gözetim (mass surveillance) teknolojilerine yöneltilen eleştiriler, kentsel alanlarda yapay zeka kullanımının da hesap verebilir, şeffaf ve yasal sınırlar içinde kalması gerektiğini vurgulamaktadır. Nitekim Birleşmiş Milletler'in uydu görüntülerini kullanarak İnsani Gelişme Endeksi'ni (HDI) belediye seviyesinde ölçümleyen çalışmalarında da, politikaların doğru hedef kitleye ulaşması amaçlanırken hanehalkı mahremiyetinin korunmasına azami özen gösterilmiştir.   

Küresel ve Yerel Ölçekte Vaka Analizleri

Yapay zeka ve uydu teknolojilerinin entegrasyonu, sadece akademik makalelerde değil, doğrudan saha operasyonlarında, kamu kurumlarında ve uluslararası kuruluşlarda aktif olarak uygulanmaktadır.

Türkiye'deki Stratejik Uygulamalar

Türkiye, yoğun nüfus hareketliliği ve fay hatları üzerinde yer alması nedeniyle kaçak yapılarla mücadelenin ulusal güvenlik boyutu kazandığı bir ülkedir. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, İstanbul genelinde tahmin edilen 4 milyon kaçak veya izinsiz yapının tespiti için uydulardan ve Google haritalarının geçmiş verilerinden yararlanmaktadır. Bu süreçte, "İmar Barışı" kapsamında vatandaşların beyan ettiği Yapı Kayıt Belgeleri ile sahadaki gerçek uydu görüntüleri karşılaştırılarak, yalan beyanla belgelendirilmeye çalışılan 2017 sonrası kaçak yapılar tespit edilmekte ve yıkım tebligatları hazırlanmaktadır.   

Yerel yönetimler bağlamında İstanbul Büyükşehir Belediyesi (İBB), Bina Tespit ve İnceleme Sistemi ile kentsel risk taramasını ve vatandaş başvuru süreçlerini dijital bir altyapıya taşımıştır. Diğer taraftan turizm rantının ve doğal sit alanlarının yüksek olduğu Muğla ve İzmir bölgelerinde, tarım arazilerinin gayri resmi yollarla "Tiny House" veya konteyner köylerine dönüştürülmesi eğilimi büyük bir hız kazanmıştır. İzmir'in Çeşme ilçesinde ve Muğla'nın doğal sit alanı olan Akbük Koyu'nda, uydu denetimlerinin de desteğiyle ilçe belediyeleri tarafından tespit edilen ruhsatsız tiny house eklentileri mühürlenmekte ve altyapı bağlantıları kesilerek alandan tahliye edilmektedir.   

Küresel Uygulamalar: Avrupa, Hindistan ve Brezilya

Avrupa (Vergi Denetimi): İspanya ve Doğu Avrupa gibi bölgelerde kaçak inşaatların en büyük motivasyonu emlak vergisinden (real-estate tax) kaçınmaktır. Avrupa Uzay Ajansı (ESA) ve Datel AS işbirliğiyle geliştirilen "Illegal Construction Detector" uygulaması, kırsal ve düşük nüfuslu alanlarda uydu verilerini makine öğrenmesi algoritmalarıyla işleyerek, vergilendirilmemiş yüzme havuzlarını ve villa eklentilerini tespit etmekte, böylelikle yerel yönetimlerin gelir kayıplarını engellemektedir. Arkeolojik mirasın korunması amacıyla Avrupa'da UAV (İnsansız Hava Aracı) ve GIS destekli çok zamanlı değişim tespitleriyle yasa dışı kazılar ve tahribatlar milimetrik hassasiyetle izlenmektedir.   

Hindistan (Hassas İhlallerin Tespiti): Hindistan'ın kentsel yoğunluğuyla bilinen Ghaziabad bölgesinde, Ghaziabad Geliştirme Otoritesi (GDA), iki ila üç ayda bir düzenli olarak yenilenen yüksek çözünürlüklü uydu görüntüleri üzerinden yapay zeka modellerini işletmektedir. Bu sistem, onaylanmış imar planlarından yalnızca 2 ila 3 fit (yaklaşık 60-90 cm) dışarı taşan çatı eklentilerini, stilt katları ve bodrum genişlemelerini dahi tespit etmeyi başarmış, tek bir haftada 14 yapının mühürlenmesini sağlamıştır.   

Brezilya (Ormansızlaştırma ve Yol Açımı): Gezegenin en önemli ekosistemlerinden biri olan Amazonlarda yasa dışı ağaç kesimini ve orman arazisine kaçak baraka/konteyner yerleştirilmesini önlemek amacıyla, Brezilya Federal Polisi ve Planet platformu işbirliğine gitmiştir. Uydu tabanlı günlük (near-daily) tarama sağlayan değişim tespiti platformu (RedeMAIS) sayesinde, orman örtüsündeki en ufak bir yol açma (Road and Building Change Detection) faaliyeti anında yetkililere bildirilmektedir. Bu sistem, kaçak yapılaşma vakalarının tespitinden çözüme kavuşturulmasına kadar geçen süreyi altı aydan daha kısa bir zaman dilimine indirmiştir.   

Sonuç

Yapay zeka ve uzaktan algılama teknolojilerinin entegrasyonu, kentsel dönüşüm, çevre yönetimi ve kaçak yapılaşmayla mücadele süreçlerinde eşi benzeri görülmemiş bir "bilişsel endüstriyel devrim" yaratmaktadır. Geleneksel yöntemlerin haftalarca sürebilen ve ciddi insan hatası barındıran tespit süreçleri; ResUNet++, YOLO ve Transformer tabanlı derin öğrenme ağları sayesinde saniyeler düzeyine inmiş durumdadır. Bu akıllı algoritmalar sadece betonarme binaları değil; çelik konteynerleri, ahşap barakaları ve şebekeden bağımsız (off-grid) donanımlarıyla doğaya gizlenmeye çalışan tiny house kümelerini dahi semantik özellikleri (güneş paneli, su deposu, araç izi) üzerinden ayırt edebilmektedir.   

Bununla birlikte, teknolojinin ulaştığı bu muazzam seviye, mevcut hukuki tanımlamaların ve idari prosedürlerin ötesine geçmiştir. Bir yapının dijital ortamda tespit edilmesi, hukuki yaptırımın uygulanabilmesi için yeterli değildir. Türkiye örneğinde görüldüğü gibi, "bina" ve "araç" tanımlamaları arasındaki yasal boşluklar, sahadaki fiziksel denetimin önemini koruduğunu göstermektedir. Ayrıca, sivil yaşam alanlarının algoritmalar tarafından sürekli izlenmesinin getirdiği veri gizliliği endişeleri ve oklüzyon kaynaklı teknik sınırlamalar, yapay zekanın tek başına bir yargıç değil, sivil denetimi destekleyen güçlü bir asistan (human-in-the-loop) olarak konumlandırılmasını zorunlu kılmaktadır.

Gelecekte, nesnelerin interneti (IoT) tabanlı yapı sağlığı izleme sistemleriyle entegre çalışacak , Lidar ve SAR destekli çok modlu veri füzyonunu kullanacak olan bu tespit mimarileri, yerel yönetimlere sadece kaçak yapıları cezalandırma imkanı değil, iklim adaptasyonuna uygun ve sürdürülebilir akıllı şehirleri proaktif olarak inşa etme yeteneği sunacaktır.