Yapay zekâ destekli sosyoteknik veri odaklı izleme sistemi, çevresel ve mekânsal verileri algoritmik yöntemlerle işleyen; ancak üretilen bilgiyi gerçek planlama kararlarına dönüştürmek için belediyeler, uzmanlar, yönetişim kuralları ve kurumsal iş akışlarıyla birlikte çalışması gereken bir karar destek sistemidir. Bu white paper; Costa Rica'daki geri dönüşüm altyapısı, Amerika Birleşik Devletleri'ndeki kentsel iklim-ekoloji riskleri ve Pacific Northwest'teki Vancouver-Seattle-Portland bölgesi üzerinden GIS, uzaktan algılama, mekânsal analiz ve yapay zekâ tabanlı izleme yaklaşımlarının sürdürülebilirlik ve kentsel ekolojik dayanıklılık planlamasındaki rolünü değerlendirir. Temel sonuç, çevresel veriden eyleme dönüştürülebilir bilgi üretme kapasitesinin hızla gelişmesine karşın bu bilginin belediye planlaması, bütçeleme ve politika süreçlerine düzenli biçimde aktarılamadığıdır. Çalışma bu kopukluğu sosyoteknik uygulama açığı olarak ele alır ve teknik uyumsuzluk, kurumsal kapasite yetersizliği, parçalanmış yönetişim ve eşitlik odaklı dağıtım eksikliklerini başlıca engeller olarak tanımlar. Bununla birlikte çalışma yeni bir AI modelinin kontrollü doğrulaması değildir; bulgular vaka analizleri, yazarın önceki mekânsal çalışmaları ve ilgili literatürün sentezine dayanır.

Çalışmada yapay zekâ yalnız büyük dil modelleriyle eş tutulmamaktadır. Çevresel planlama bağlamında AI; uydu görüntülerinin sınıflandırılması, arazi kullanım değişiminin tespiti, zaman bağımlı çevresel süreçlerin tahmini, mekânsal risk kümelerinin belirlenmesi ve karmaşık veri katmanlarının karar destek sistemlerine dönüştürülmesi gibi geniş bir hesaplama alanını kapsar.

White paper'ın merkezî politika mesajı da teknolojik kapasiteyle sınırlı değildir: belediye veya bölgesel yönetişim sistemi algoritmik çıktıyı bütçeye, yatırım kararına, altyapı yer seçimine veya iklim uyum uygulamasına çeviremiyorsa gelişmiş bir analiz sistemi kendi başına kentsel dayanıklılık üretmez.

Araştırma problemi

Kentler aynı anda hem büyük çevresel yüklerin üretildiği hem de iklim risklerinin yoğunlaştığı sistemlerdir. Kaynak, kentsel alanların dünya sera gazı emisyonlarının %70'inden fazlasıyla ilişkilendirildiğini ve dünya nüfusunun %56'dan fazlasını barındırdığını aktarır. Isı dalgaları, sel, kirlilik, ekosistem kaybı, altyapı eskimesi ve kaynak baskısı gibi sorunlar, kentlerin yalnız uzun dönemli planlama belgelerine değil sürekli güncellenebilen çevresel bilgiye ihtiyaç duymasına neden olmaktadır.

GIS, uzaktan algılama, sensör ağları ve yapay zekâ bu ihtiyaca güçlü teknik araçlar sağlar. Ancak çalışmanın odaklandığı boşluk, veri üretmekten daha ileri bir noktadadır: gerçek zamanlı veya gerçek zamana yakın çevresel izleme sonuçlarının kent yönetiminin gerçek karar mekanizmalarına nasıl bağlanacağı.

Sosyoteknik veri odaklı izleme sistemi nedir?

Sosyoteknik veri odaklı izleme sistemi, algoritma ve veri altyapısını insan uzmanlar, belediye kurumları, yönetişim kuralları, finansman mekanizmaları ve operasyonel iş akışlarıyla tek bir karar destek sistemi içinde ilişkilendiren yapıdır; sistemin performansı yalnız modelin teknik doğruluğuna değil, üretilen bilginin kurum tarafından anlaşılmasına, zamanında alınmasına ve uygulanmasına da bağlıdır.

Sosyoteknik yaklaşım neden gereklidir?

Sosyoteknik sistem kuramının temel varsayımı, teknolojinin toplumsal ve kurumsal ortamından ayrı değerlendirilemeyeceğidir. Bir algoritma teknik olarak başarılı olsa bile yanlış veri akışına bağlanmış, belediye bütçe döngüsüyle uyumsuz, sorumluluğu tanımlanmamış veya farklı kurumlar arasında paylaşılamayan bir çıktı üretiyorsa gerçek dünyadaki etkisi sınırlı kalabilir.

Bu nedenle çalışma yapay zekâyı bağımsız bir yazılım ürünü olarak değil; veri, algoritma, insan uzmanlığı, planlama kurumu ve yönetişim sisteminin birlikte oluşturduğu daha büyük bir altyapının hesaplama katmanı olarak ele alır.

Sürdürülebilirlik ve dayanıklılık aynı kavram değildir

Kaynak sürdürülebilirliği, mevcut çevresel, toplumsal ve ekonomik ihtiyaçları gelecekteki kent nüfuslarının gereksinimlerini tehlikeye atmadan karşılayabilme kapasitesiyle ilişkilendirir. Bu yaklaşım kaynak kullanımı, emisyonlar, altyapı ve ekolojik sistemlerin uzun dönemli dengesi üzerinde yoğunlaşır.

Ekolojik dayanıklılık ise değişmeyen bir dengeyi korumaktan çok, şoklara maruz kalan bir kentsel sistemin temel işlevlerini sürdürebilme, uyum sağlayabilme ve toparlanabilme kapasitesine odaklanır. Sel, sıcak hava dalgası, yangın, su kıtlığı veya ekosistem bozulması gibi olaylarda yalnız “zararı önlemek” değil, değişen koşullara uyum gösterecek sistem kapasitesi önem kazanır.

Bu çalışmada yapay zekâ ile büyük dil modelleri neden ayrılıyor?

Yapay zekâ, sembolik akıl yürütme, optimizasyon, kontrol, makine öğrenmesi, görüntü analizi, tahmin ve sınıflandırma gibi çok sayıda hesaplama yaklaşımını kapsayan geniş bir alandır; büyük dil modelleri ise transformer mimarileriyle doğal dil üzerinde olasılıksal üretim yapan yapay zekânın yalnız bir alt grubudur ve bu çalışmadaki çevresel AI uygulamalarının çoğu LLM tabanlı değildir.

“AI = ChatGPT” yaklaşımının problemi

Kaynak özellikle kamuoyunda AI kavramının LLM'lerle özdeşleştirilmesine karşı çıkar. Kentsel çevre izleme sistemlerinde asıl hesaplama yükünü çoğu zaman metin üretimi değil; uydu görüntülerinin işlenmesi, mekânsal kümeleme, tahmin, optimizasyon, sensör verisinin bütünleştirilmesi ve risk yüzeylerinin oluşturulması taşır.

Bu ayrım makalenin yorumlanması açısından önemlidir. Costa Rica geri dönüşüm tesislerinin yer seçimi veya ABD iklim risk bölgelerinin belirlenmesi, sohbet botuna bir soru sorulmasıyla yapılan analizler değildir. Kaynakta kullanılan veya tartışılan teknikler coğrafi bilgi sistemleri, uzaktan algılama, mekânsal istatistik ve çeşitli makine öğrenmesi yöntemlerinden oluşur.

Çevresel izleme alanında tartışılan AI yöntemleri

Kaynakta CNN veya transformer modelleri ABD izleme sisteminin gelecekteki genişletmeleri olarak da önerilir. Bu ifade, söz konusu modellerin mevcut vaka analizinde gerçekten eğitildiği veya performanslarının ölçüldüğü anlamına gelmez.

Yapay zekâ çevresel veriden nasıl karar desteği üretir?

Çalışmanın kavramsal veri zinciri dört aşamada anlaşılabilir:

1. Gözlem: uydu görüntüsü, iklim yeniden analiz verisi, altyapı verisi, tesis konumu veya sensör verisi toplanır.
2. Analiz: GIS, mekânsal istatistik veya AI yöntemleri verideki örüntüyü, risk kümesini veya erişim açığını belirler.
3. Karar bilgisi: sonuç harita, risk yüzeyi, hizmet açığı veya öncelik bölgesi biçimine dönüştürülür.
4. Kurumsal uygulama: belediye veya başka bir karar verici bilginin yatırım, bütçe, yer seçimi, afet hazırlığı veya iklim politikası içinde nasıl kullanılacağına karar verir.

White paper'ın kritik iddiası, ilk üç adımın teknolojik gelişmelerle güçlenirken dördüncü adımın aynı hızla gelişmemiş olmasıdır.

Çalışmanın desteklediği

Kaynak, GIS ve veri odaklı mekânsal sistemlerin çevresel hizmet eşitsizliklerini ve iklim riski kümelerini görünür hale getirebildiğini; çevresel bilgiyi planlamaya yönelik daha yapılandırılmış karar desteğine dönüştürebildiğini desteklemektedir.

Kaynak ayrıca kurumsal kapasite, kurumlar arası koordinasyon ve planlama iş akışı tasarımının, AI tabanlı çevresel karar desteğinin gerçek dünyada kullanılabilmesi açısından temel belirleyiciler olduğunu savunmaktadır.

Çalışmanın desteklemediği

White paper belirli bir AI modelinin şehirlerin sürdürülebilirliğini belirli bir yüzdeyle artırdığını göstermez. AI kullanan ve kullanmayan belediyeler arasında kontrollü bir karşılaştırma sunmaz; karar doğruluğundaki veya uygulama hızındaki değişimi deneysel olarak ölçmez.

Kaynak ayrıca ChatGPT veya başka bir LLM'nin kent planlama performansını artırdığını test etmemektedir. LLM tartışması daha çok AI kavramının kapsamını doğru tanımlamak için kullanılmaktadır.

ABD risk analizinde CNN veya transformer mimarisinin gelecekte kullanılabileceğinin belirtilmesi de bu mimarilerin çalışma kapsamında doğrulanmış olduğu anlamına gelmez.

Çalışmanın Yöntemi ve Bulguları

1. Çalışmanın araştırma yapısı

Çalışma kontrollü deney veya tek bir istatistiksel örneklem yerine üç birbiriyle bağlantılı vaka alanını daha geniş sosyoteknik ve çevresel planlama literatürüyle birleştirir:

2. Costa Rica geri dönüşüm altyapısı

Costa Rica örneğinde ulusal geri dönüşüm tesisi verisi; GIS tabanlı hot-spot analizi, location-allocation modellemesi ve seyahat süresi/mesafe ölçümleriyle değerlendirilmiştir. Analizin amacı yalnız tesisleri haritada göstermek değil, tesis arzı ile plastik atık üretiminin mekânsal talebini karşılaştırmaktır.

Kaynak kırsal kantonlar, kıyı yerleşimleri ve yüksek rakımlı tarım bölgelerinde talep-arz dengesizliğinin belirginleştiğini bildirir.

3. Şekil 1 ne gösteriyor?

Kaynağın beşinci sayfasındaki Şekil 1, Costa Rica'nın farklı bölgelerinde geri dönüşüm tesisi arzı ile göreli plastik atık talebini yan yana göstermektedir. Grafiğin bilimsel mesajı, yüksek atık talebinin otomatik olarak yüksek tesis kapasitesiyle örtüşmediğidir. Bu mekânsal uyumsuzluk, altyapı planlamasında yalnız idari sınırları değil gerçek hizmet talebini ve erişim süresini kullanma gereğini desteklemektedir.

4. GIS analizinin sınırı ve AI'ya geçiş

Kaynak, mevcut GIS sistemlerinin çoğunun hâlâ geriye dönük ve statik olduğunu vurgular. Tarihsel veri katmanları ve deterministik mekânsal örtüşmeler mevcut durumu açıklayabilir; ancak atık üretiminin veya altyapı stresinin hızla değiştiği durumları önceden kestirmek için sürekli veri akışları ve olasılıksal tahmin yöntemleri gerekebilir.

Bu nedenle yazar spatiotemporal tahmin ve optimizasyon algoritmalarının ileride bu altyapıyı betimleyici GIS analizinden daha uyarlanabilir izleme sistemlerine taşıyabileceğini öne sürmektedir. Bu öneri gelecekteki sistem mimarisidir; Costa Rica vakasında doğrulanmış yeni bir AI tahmin modeli sonucu değildir.

5. ABD şehirlerinde eko-iklim riskleri

ABD örneği 80'den fazla şehirde iklim bağlantılı tehlikeler ile birleşik ekolojik risklerin mekânsal olarak kümelendiğini göstermeyi amaçlar. Kaynak, doğu ve Gulf Coast bölgelerinde kasırga, sel ve deniz seviyesi yükselmesi; Southwest ve California'da ise yangın, kuraklık ve aşırı sıcaklık dinamiklerini öne çıkarır.

Bu farklı tehlikelerin aynı ulusal haritada tek bir risk türü olarak yorumlanmaması önemlidir. Benzer yüksek risk skoru, farklı bölgelerde farklı fiziksel tehlike bileşimlerinden kaynaklanabilir.

6. Şekil 2 ve 171.523 mekânsal birim

Kaynağın altıncı sayfasındaki Şekil 2, ABD eko-iklim hot-spot bölgelerini `GiZScore` kullanarak gösterir. Şekil açıklamasında analiz ölçeği n = 171.523 mekânsal birim olarak verilmiştir. Yüksek riskli bölgeler Zones 1–7 biçiminde gruplanmakta ve Mountain West, Gulf South, Midwest ve Northeast koridorlarında kümelenmektedir.

Kaynak bu haritanın ArcGIS Online ile coğrafi olarak işlendiğini ve görselleştirildiğini özellikle belirtmektedir. Dolayısıyla bu sonuç LLM tabanlı bir harita üretimi olarak yorumlanmamalıdır.

7. ABD vakasındaki veri işleme zinciri

White paper; uzaktan algılama zaman serileri, iklim yeniden analiz verileri ve altyapı maruziyet katmanlarının geospatial machine learning iş akışlarında birleştirilmesini tanımlar. İş akışında mekânsal kümeleme, kernel density estimation ve predictive interpolation yöntemleri yer almaktadır.

Bu veriler güncellenen tehlike olasılık haritalarına dönüştürülebilir. Kaynak, bu altyapının daha sonra uydu sınıflandırması için CNN'ler veya iklim zaman serileri için transformer modelleriyle genişletilmesinin statik hot-spot haritalamasından daha dinamik izleme sistemlerine geçiş sağlayabileceğini belirtmektedir.

Önemli sınır: Kaynak CNN veya transformer genişletmesini potansiyel sistem olarak anlatmaktadır; white paper içinde yeni CNN/transformer eğitim verisi, hiperparametresi, doğruluk metriği veya test sonucu sunulmamaktadır.

8. Pacific Northwest: Vancouver, Seattle ve Portland

Üçüncü vaka Pacific Northwest'i ABD-Kanada sınırını aşan tek bir biyoekolojik koridor olarak ele alır. Vancouver, Seattle ve Portland; kıyısal atmosferik süreçler, dağlık topoğrafya, yoğun orman dokusu ve ortak hidrolojik sistemler nedeniyle yalnız idari sınırlarla açıklanamayan çevresel bağlantılara sahiptir.

Kaynak bölgesel ısınmayı, azalan kar örtüsünü ve değişen mevsimsel yağış düzenini; orman yangını, akış rejimi ve su yönetimi gibi diğer süreçlerle birlikte tartışmaktadır.

9. Tarihsel ekoloji neden sisteme dahil ediliyor?

Çalışmaya göre güncel çevresel risk yalnız bugünkü sıcaklık, yağış veya arazi örtüsü verisinden oluşmaz. Havza mühendisliği, kıyı değişimi, orman kullanımı, kentsel yayılma ve biyolojik çeşitlilik kaybı gibi geçmiş dönüşümler, bugünkü kırılganlığın mekânsal dağılımını şekillendirebilir.

Bu nedenle yazar gerçek zamanlı izleme sistemlerinin tarihsel ekolojik bilgiyle birleştirilmesini önerir. Böyle bir sistem yalnız “şu anda nerede risk yüksek?” sorusunu değil, “bu risk neden burada birikmiş olabilir?” sorusunu da planlamaya taşıyabilir.

10. Şekil 3'ün bilimsel rolü

Kaynağın yedinci sayfasındaki Şekil 3, Pacific Northwest bölgesini ve Vancouver, Seattle ve Portland'ın kent sınırlarını uydu görüntüleri üzerinde gösterir. Şeklin temel işlevi bu üç kenti bağımsız noktalardan ziyade ortak ekolojik ve iklimsel süreçlere bağlı bölgesel bir sistem içinde konumlandırmaktır.

Sosyoteknik uygulama açığı nedir?

Sosyoteknik uygulama açığı, çevresel veri ve algoritmaların kullanılabilir karar bilgisi üretmesine rağmen belediye ve diğer planlama kurumlarının bu çıktıyı gerçek bütçe, yatırım, altyapı, iklim uyum ve eşitlik politikalarına düzenli biçimde dönüştürememesi durumudur; çalışma bu açığın teknik, örgütsel, politik ve yapısal engellerin birlikte çalışmasından doğduğunu savunmaktadır.

11. Veri ile uygulama arasındaki üç temel kırılma

12. Veri–uygulama uyumsuzluğu

Çevresel modeller haftalık, günlük veya daha sık güncellenebilir; fakat belediye yatırım programı yıllık bütçeye, siyasi takvime ve satın alma süreçlerine bağlı olabilir. Analitik sistemin ürettiği öneri, karar verilebilecek kurumsal pencere kapandıktan sonra ulaşırsa teknik kalite tek başına yeterli değildir.

Kaynak bu nedenle algoritmik önerilerin araştırma raporları veya web panellerinde kalmasını bir teknoloji eksikliğinden çok entegrasyon problemi olarak ele alır.

13. Yönetişim parçalanması

Costa Rica örneğinde atık sistemi kanton sınırlarına göre yönetilirken gerçek hizmet talebi bu sınırları aşabilir. ABD örneğinde belediye, bölgesel yönetim ve federal programların farklı idari düzeyleri arasında benzer bir koordinasyon sorunu vardır. Pacific Northwest'te ise aynı ekolojik bölge ABD-Kanada sınırını geçtiği için uluslararası koordinasyon boyutu ortaya çıkar.

Kaynağın ortak sonucu, ekolojik sistemlerin idari sınırlara uymadığıdır. Atık havzası, su havzası, yangın rejimi veya iklim risk koridoru belediye sınırında sona ermez.

14. Eşitlik göstergelerinin eksikliği

Çalışmada aktarılan Praharaj bulgusuna göre incelenen ABD dayanıklılık karar destek araçlarının yalnız %18'i eşitliğe duyarlı göstergeler içermektedir. Bu sayı Graham'ın kendi örnekleminden elde edilen yeni bir ölçüm değil, white paper içinde aktarılan başka bir çalışmanın sonucudur.

Bu ayrım önemlidir: mekânsal model bir bölgenin yüksek risk taşıdığını belirleyebilir, fakat hangi toplumsal grubun kaynak dağıtımında önceliklendirileceği algoritmanın kendiliğinden çözdüğü bir normatif karar değildir.

15. Dört politika ve uygulama önerisi

16. Kurumsal entegrasyon neden yazılım özelliği kadar önemlidir?

White paper'da aktarılan başka bir sonuç, değerlendirilen dayanıklılık araçlarının %65'inin önerileri gerçek planlama iş akışlarına bağlayan mekanizmalardan yoksun olduğudur. Kaynak bu nedenle kamu fonlu araçlarda API bağlantıları, mali yıl ile uyumlu güncelleme döngüleri ve kurumsal benimseme planları gibi teslimat şartlarının düşünülmesini önermektedir.

Ancak yazar bu önerinin de otomatik çözüm olmadığını açıkça belirtir. Belediye eski veya internete kapalı bilgi sistemleri kullanıyorsa, personel veya bakım bütçesi yoksa yalnız yeni API geliştirmek gerçek entegrasyon sağlamayabilir.

17. Politika önerilerinin kendi riskleri

Çalışma politika önerilerini mutlak çözümler olarak sunmaz. Mekânsal eşitlik denetimleri yalnız bürokratik bir kontrol kutusuna dönüşebilir. Daha düşük teknik kapasiteye sahip belediyeler gerekli analizi hazırlayamadığı için finansmandan dışlanabilir. Bölgesel veya havza ölçekli yönetişim yerel egemenlik ve vergi tabanı tartışmalarına yol açabilir.

Tarihsel veya Yerli ekolojik bilginin mühendislik veri sistemlerine eklenmesi de basit değildir; nicel veri formatına zorlanması bilgi bağlamını kaybettirebilir. Benzer biçimde teknik entegrasyon şartları, sistemin uzun dönem bakım ve personel kapasitesi bulunmuyorsa sürdürülebilir olmayabilir.

18. Çalışmanın en önemli sonucu

Çalışmanın sonuç bölümüne göre AI, GIS, uzaktan algılama ve çevresel izleme sistemlerinin risk tespiti, değişim gözlemi, senaryo modelleme ve müdahale hedefleme kapasitesi belirgin biçimde gelişmiştir. Buna karşın gelecekteki temel sorun yalnız daha güçlü algoritmalar geliştirmek değildir.

Asıl mesele, kurumların bu sistemlerden gelen bilgiyi kullanabilecek kapasiteye, koordinasyon mekanizmasına ve yönetişim yapısına sahip olup olmadığıdır. Çalışmaya göre teknolojik ilerleme ile kurumsal ilerleme arasındaki bu fark giderilmezse yüksek kaliteli çevresel zekâ üretilebilir, fakat gerçek kent planlamasına yeterince yansımayabilir.

19. Temel yöntemsel sınırlılıklar

White paper yeni bir AI algoritmasını bağımsız eğitim, doğrulama ve test veri kümeleriyle değerlendirmemektedir. Bu nedenle accuracy, precision, recall, F1, ROC-AUC veya benzeri model performans ölçütleri çalışmanın ana sonuçları değildir.

Çalışmada kontrollü bir “AI kullanılan belediye / AI kullanılmayan belediye” karşılaştırması bulunmaz. Dolayısıyla AI tabanlı izleme sistemlerinin kurumsal sonuçları nedensel deney tasarımıyla kanıtlanmış değildir.

Üç vaka farklı ölçek ve veri kaynaklarına dayanmaktadır. Costa Rica geri dönüşüm altyapısı, ABD eko-iklim risk haritalaması ve Pacific Northwest tarihsel-ekoloji yaklaşımı aynı deneysel protokolün üç tekrarı değildir.

Kaynakta bazı sayısal göstergeler önceki araştırmalardan aktarılmaktadır. Bu nedenle %18, %65 veya belirli çevresel risk sonuçları white paper tarafından sıfırdan ölçülmüş tek bir veri kümesinin sonuçları gibi yorumlanmamalıdır.

Ayrıca kaynak gerçek zamanlı AI sistemlerinin gelecekteki potansiyelini tartışsa da bütün vakalarda kesintisiz gerçek zamanlı sensör altyapısının sahada kurulmuş ve belediye kararlarına entegre biçimde çalıştığını göstermemektedir.

Kaynak ve Yöntem Notu

Özgün başlık: AI for Sustainability and Ecological Resilience in Urban Planning: Deploying Sociotechnical Data-driven Monitoring Systems

Yazar: Christopher C. Graham.

Kaynak PDF'deki kurum bilgileri: Pardee School of Global Studies, Boston University; Climate & Energy Consortium.

Belge kodu: White Paper ECSAAL02.

Kaynak türü: Politika ve uygulama odaklı akademik white paper / vaka sentezi.

PDF tarihi: Haziran 2026; PDF iletişim satırında 3 Haziran 2026.

Güncel SSRN kaydı: Abstract ID 7164598.

DOI: 10.2139/ssrn.7164598.

Güncel SSRN kayıt bilgisi: SSRN sayfası belgeyi 13 sayfa, White Paper ECSAAL02 2026 ve “Date Written: June 01, 2026” olarak listeler; kayıt 27 Temmuz 2026'da gönderilmiş görünmektedir.

Bibliyografik sürüm notu: Aynı başlık için daha eski SSRN kaydı `6875718` ve DOI `10.2139/ssrn.6875718` de bulunmaktadır. Eski kayıt 3 Haziran 2026 tarihini ve 8 Haziran 2026 gönderimini göstermektedir. Yazarın güncel kişisel sayfası çalışmayı `10.2139/ssrn.7164598` DOI'siyle listelediği için Verianla bibliyografik ana kayıt olarak 7164598'i kullanmaktadır.

Hakemlik / yayın niteliği: Kaynak bir dergi makalesinin version of record'u olarak değil, white paper ve SSRN çalışma kaydı olarak sunulmaktadır.

Lisans: Güncel SSRN kaydı “All rights reserved; no reuse allowed without permission” bilgisini vermektedir. Kaynak figürlerinin tasarımı bu nedenle Verianla içinde birebir yeniden kullanılmamalıdır.

Çıkar çatışması: SSRN kaydında yazar çıkar çatışması olmadığını beyan etmektedir.

Finansman: SSRN kaydı dış finansman veya mali çıkar çatışması bulunmadığını belirtmektedir.

Etik: SSRN kaydında insan katılımcı kullanılmadığı belirtilmektedir.

Veri erişilebilirliği: White paper'da ayrı bir Data Availability bölümü görünür değildir. Ana şekiller önceki Graham çalışmalarındaki mekânsal analizlere dayandırılmaktadır.

Temel veri ve yöntemler: GIS hot-spot analizi, location-allocation modellemesi, seyahat süresi/mesafe analizi, geospatial machine learning, uzaktan algılama zaman serileri, iklim yeniden analiz verileri, altyapı maruziyet katmanları, mekânsal kümeleme, kernel density estimation, predictive interpolation, tarihsel ekoloji ve politika/yönetişim analizi.

Temel yorum sınırı: Çalışma yeni bir AI modelinin performans benchmark'ı veya kontrollü saha deneyi değildir. Ana katkısı, mevcut çevresel veri sistemleri ve vaka bulguları üzerinden algoritmik çevresel zekâ ile kurumsal uygulama arasındaki sosyoteknik açığı analiz etmektir.