Görselleştirmeler, dünyayı anlamlandırmamıza yardımcı olur ve büyük miktarda karmaşık bilgiyi, veriyi ve tahmini özlü bir biçimde aktarmamızı sağlar. Uzman tahminleri ister bir kasırganın güzergâhı ister bir seçimin sonucu olsun, uzman olmayan kitlelere aktarılırken her zaman belirli bir belirsizlik içerir. Bu belirsizlik ilgili görselleştirmelerde aktarılmazsa sonuçlar yanıltıcı ve hatta tehlikeli olabilir.
Burada, kasırgaların öngörülen güzergâhlarını çizerken veri görselleştirmenin rolünü inceliyoruz. Uzman tahminlerindeki belirsizliği aktarmak için farklı görsel yöntemleri ve bunların sıradan okurun yorumuna etkisini ele alıyoruz. Ayrıca, bu konuyu, haber mecralarının hem uzman modellerini hem de geniş kitleleri ilgilendiren bilimsel sonuçları nasıl haberleştirdiğine ilişkin daha geniş kapsamlı en iyi uygulamalar tartışmasına bağlıyoruz.
Spagetti Grafik Yok mu?
Amerika kıtasında yakın zamanda tropikal fırtına sistemlerinin yol açtığı yıkımı gördük. New York Times gibi haber kuruluşları, örneğin Kasırga Harvey ve Irma için etkileşimli görselleştirmeler kullanarak olup bitenleri büyük ölçüde aktardı. Görselleştirmeler arasında elektriksiz kalan nüfus yüzdesinin coğrafi gösterimi, yağış miktarı, hasar düzeyi ve barınaklardaki kişi sayısı gibi birçok unsur yer aldı.
Son zamanlarda doğal olarak gündeme gelen ve tartışma yaratan belirli bir grafik türü var: örneğin, bir kasırganın önümüzdeki 72 saatlik öngörülen güzergâhını nasıl çizmeliyiz. Öngörülen güzergâhları görselleştirmenin birkaç yolu var ve her birinin kendi tuzakları ve yanlış anlaşılmaları bulunuyor. Hatta yakın zamanda Ars Technica’da Nate Silver ve fivethirtyeight’i hedef alan Lütfen, lütfen kasırga modellerinin spagetti grafiklerini paylaşmayı bırakın başlıklı bir yazı gördük.
Aşağıda üç yaygın yöntemi karşılaştıracak, artılarını ve eksilerini inceleyip başka grafik türlerine dair önerilerde bulunacağım. Ayrıca bu türlerin neden önemli olduğuna değineceğim; bu da hangi görsel yöntem ve tekniklerin en uygun olduğuna karar vermemize yardımcı olacak.
Uyarı: Meteoroloji ve kasırga tahmini konularında kesinlikle uzman değilim. Ancak verileri, tahminleri ve modelleri aktarmak için görsel yöntemler üzerine çok düşündüm. Uzmanların geri bildirimlerini memnuniyetle karşılıyor ve özellikle teşvik ediyorum; başkalarınınkini de öyle.
Öngörülen Kasırga Güzergâhlarının Görselleştirilmesi
Öngörülen kasırga güzergâhlarını görselleştirmenin üç yaygın yolu var. Onları anlatmadan önce, önce bakmanızı ve her birinden hangi bilgileri çıkarabildiğinizi düşünmenizi istiyorum. Her birinin size ne anlatmaya çalıştığını elinizden geldiğince yorumlayın; ardından amaçlarıyla artı ve eksilerine birlikte dalacağız:
Belirsizlik Konisi
Spagetti Grafikleri (Tip I)
Spagetti Grafikleri (Tip II)
Kasırgaların Öngörülen Güzergâhlarının Görselleştirilmesinin Yorumlanması ve Etkisi
Belirsizlik Konisi
Ulusal Kasırga Merkezi (NHC) tarafından kullanılan ve birçok haber mecrasının aktardığı belirsizlik konisi, önümüzdeki beş gün içinde kasırganın en olası güzergâhını bize koni içindeki siyah noktalarla gösterir. Aynı zamanda bu güzergâha ne kadar emin olduklarını da ortaya koyar. Zaman geçtikçe tahmin daha belirsizleşir ve bu durum koniyle yakalanır: Kasırganın merkezinin koni sınırları içinde kalma olasılığı yaklaşık %66,6’dır.
Bu, grafiğin kendisinden açıkça anlaşılıyor muydu?
Başta bana anlaşılmadı ve bu bilgiyi grafikten, NHC’nin belirsizlik konisi hakkında sayfasından ve weather.com’un koniyi açıklayan yazısından derledim. Üç önemli nokta daha var; bunların hepsine geri döneceğiz:
- Koni zamanla genişledikçe fırtınanın büyüyeceğini düşündüren yaygın bir ilk yanlış kanı vardır;
- Grafik fırtınanın boyutuyla ilgili hiçbir bilgi içermez; yalnızca merkezinin olası güzergâhını gösterir; bu nedenle örneğin kasırga şiddetindeki rüzgârların nerede beklenebileceğine dair bilgisi sınırlıdır;
- Görselleştirmenin yanı sıra, ona eşlik eden metinde de temel bilgiler yer alır; örneğin üstte belirgin biçimde yer alan şu not gibi: '[K]oni, fırtına merkezinin olası güzergâhını içerir ancak fırtınanın boyutunu göstermez...'; bir veri görselleştirmenin etkinliğini değerlendirirken, metin de dâhil tüm özelliklerini dikkate almamız gerekir (ve insanların gerçekten okuyup okumayacağını da!); ayrıca bu görselleştirmelerin etkileşimli olmadığını (belki de olmalı) unutmayın.
Spagetti Grafikleri (Tip I)
Bu grafikler, tek bir grafikte birden çok tahmini gösterir. Herhangi bir Tip I spagetti grafiğinde görselleştirilen güzergâhlar, farklı kurumların (örneğin NHC, Ulusal Okyanus ve Atmosfer İdaresi ve Birleşik Krallık Meteoroloji Servisi) modellerinden gelen tahminlerdir. Belirsizlik konisi gibi, kasırganın yoluna girebilecek genel bölge hakkında bilgi verdikleri için faydalıdırlar. Ancak modellere (veya tahminlere) eşit ağırlık vermeleri nedeniyle son derece faydasız ve aslında yanıltıcıdırlar.
Yukarıdaki Tip I spagetti grafiğinde, geçmişte farklı derecelerde başarılı tahminler yapmış kurumlardan değişen belirsizlik düzeylerine sahip tahminler var. Dolayısıyla mevcut bilgiler ışığında bazı güzergâhlar diğerlerinden daha olasıdır. Bu bilgi mevcut değildir. Daha da endişe verici olan, bazı güzergâhların neredeyse tahmin bile sayılmamasıdır. Mevcut hızına göre düz bir çizgi tahmini olan kesik siyah XTRP hattını ele alın. Bu bir model bile değildir. Eric Berger bu Ars Technica yazısında daha ayrıntıya giriyor.
Özü itibarıyla bu tür grafikler bir topluluk (ensemble) modeli sunar (bkz. anket toplayıcıları). Ancak ensemble modellerin kilit yönü, her modele uygun bir ağırlık verilmesidir ve bu ağırlıkların her veri görselleştirmesinde iletilmesi gerekir. Bunu Tip I’in bir varyasyonunu kullanarak nasıl yapacağımızı yakında göreceğiz.
Spagetti Grafikleri (Tip II)
Bu grafikler, örneğin 50 adet, tek bir modelin farklı gerçekleşmelerini gösterir. Amaç şudur: Bir modeli defalarca simüle edersek (çalıştırırsak) her seferinde farklı bir güzergâh üretir. Neden? Nate Cohen bunu The Upshot’ta güzel ifade etti:
Bir fırtınanın tam olarak ne zaman yön değiştireceğini öngörmek gerçekten zordur. Kuzeye ne zaman döneceği konusunda 15-20 millik bir fark bile, Miami’nin göz duvarından —fırtınanın en güçlü rüzgârlarını barındıran ve sakin gözün çevresini saran şiddetli fırtına halkası— etkilenip etkilenmeyeceğini değiştirebilir.
Bu üç yöntem arasında benim favorim olmalarının birkaç nedeni var:
- Modeli birden çok kez çalıştırarak, her modelin altında yatan belirsizliğe dair bir gösterge sunarlar;
- Fırtına merkezinin herhangi bir konumdan geçme nispi olasılığına dair bir resim verirler. Basitçe, çizilen güzergâhların daha fazlası A konumundan geçiyorsa B’ye kıyasla, mevcut modele göre fırtına merkezinin A konumundan geçmesi daha olasıdır;
- Yanlış yorumlanma olasılıkları düşüktür (en azından belirsizlik konisi ve Tip I grafiklere kıyasla). Görsel üzerinde gereken tek ifade şudur: 'Her çizgi, Irma’nın güzergâhına ait bir tahmini temsil eder'.
Tip II’nin bir eksi yanı, birden fazla modeli temsil etmemeleridir; ancak göreceğimiz gibi, Tip I ile birleştirilerek bu değiştirilebilir. Bir diğer eksi yanı ise, diğerleri gibi yalnızca fırtınanın merkezinin güzergâhını iletmeleri ve boyutuna dair hiçbir şey söylememeleridir. Bunu nasıl giderebileceğimizi de birazdan göreceğiz. Not: Tip I ve Tip II spagetti grafikleri ayrımı literatürde gördüğüm bir ayrım değil; bu grafiklerin yorum ve etkileri çok farklı olduğu için ben yaptım.
Şimdilik, belirli grafik türlerinin etkililiğini amaçlarını açıkça tartışmadan konuştuğumuzu unutmayın; yani, bunlara neden ihtiyaç duyduğumuzu. Daha ileri gitmeden önce biraz geri çekilip şu soruyu yanıtlamaya çalışalım: 'Bir kasırganın öngörülen güzergâhını görselleştirmenin amacı nedir?' Görünüşte naif bu tür alıştırmalar çoğu zaman aydınlatıcıdır.
Kasırgaların Öngörülen Güzergâhları Neden Çizilir?
Neden bir tropikal fırtınanın öngörülen güzergâhını aktarmaya çalışıyoruz? Buna birazdan birkaç yanıt vereceğim.
Önce, bu görselleştirmelerin ne için tasarlanmadığını söyleyeyim. Bu görselleştirmeleri, insanların evlerini ya da şehirlerini tahliye edip etmeme kararı vermelerine yardımcı olmak için kullanmıyoruz. Tahliye emri vermek ya da tavsiye etmek; uzmanlar, bilim insanları, modelleyiciler ve diğer kilit paydaşlarla tekrarlanan istişarelerden sonra yerel otoriteler tarafından yapılan bir şeydir.
Bu tür görselleştirmenin temel amacı, halkın kasırganın olası güzergâhları hakkında olabildiğince iyi bilgilendirilmesini sağlamak ve bulundukları ya da bulunacakları yerin yıkım yolunda olma ihtimali varsa en kötü senaryoya hazırlanmalarına imkân tanımaktır. Amaç insanları gereksiz yere korkutmak değildir. weather.com şöyle diyor belirsizlik konisinin işlevine ilişkin olarak: '[H]er tropikal sistem, kamunun nereye yöneldiğini daha iyi anlamasına yardımcı olmak için bir tahmin konisiyle sunulur' ve '[K]oni, zamanla artan tahmin belirsizliğini göstermek üzere tasarlanmıştır.'
Bu amaçla, bir okurun grafiğe bakıp 'evimin (örneğin) kasırgadan ciddi şekilde zarar görmesi çok muhtemel/muhtemel/%50 olası/pek olası değil/çok olası değil' diyebilmesi önemli bir özellik olurdu diye düşünüyorum.
Daha da iyisi, "Mevcut en ileri düzey modellemeye göre, evimin ciddi şekilde zarar görmesi %30-40 olasılıkla mümkün" diyebilmek.
O hâlde görselleştirmemizin iletmesini istediğimiz bir öncelikler hiyerarşisi var:
- Asgari düzeyde, sivillerin kasırganın olası güzergâhlarından haberdar olmasını isteriz.
- Ardından, sivillerin örneğin evlerinin güzergâhta olmasının çok muhtemel, muhtemel, pek olası değil ya da çok olası değil olduğunu söyleyebilmesini isteriz.
- İdeal olarak, bir sivil görselleştirmeye bakarak, evlerinin kasırga güzergâhında olma olasılığının nicel değerini (veya olasılık aralığını) doğrudan okuyabilmelidir.
Bunlara ek olarak, görselleştirmelerimizin ne yanıltıcı ne de yanlış yorumlamaya açık olmasını isteriz.
Belirsizlik Konisi ve Spagetti Grafikleri
Üç yöntem de asgari işlevi, yani sivilleri kasırganın olası güzergâhlarına karşı uyarmayı yerine getirir. Belirsizlik konisi, bir sivilin kasırganın belirli bir konumdan geçme olasılığını söylemesine olanak tanıma konusunda oldukça iyi iş çıkarır (koninin içinde yaklaşık üçte iki olasılıkla). En azından niteliksel olarak, Tip II spagetti grafikleri de burada iyi iş çıkarır; yukarıda belirtildiği gibi, 'daha fazla güzergâh A konumundan geçiyorsa B’ye kıyasla, mevcut modele göre fırtına merkezinin A konumundan geçmesi daha olasıdır'.
50 güzergâh çizerseniz, fırtına merkezinin muhtemelen nerede olacağına dair bir fikir edinirsiniz; yani güzergâhların yaklaşık yarısı bir konumdan geçiyorsa, modele göre fırtına merkezinin o konumu vurma olasılığı yaklaşık %50’dir. Bu yöntemlerin hiçbiri henüz üçüncü işlevi yerine getirmiyor; aşağıda, Tip I ve Tip II spagetti grafiklerini birleştirmenin bunu nasıl sağlayacağını göreceğiz.
Belirsizlik konisi ve Tip I spagetti modellerinin temel sorunu, belirsizlik konisinin kolayca yanlış yorumlanmasıdır (pek çok kişi koniyi büyüyen bir fırtına gibi yorumlar ve belirsizliğin rolünü kavrayamaz) ve Tip I spagetti modellerinin yanıltıcı olmasıdır (tüm modelleri eşit derecede inandırıcı gösterirler). Bu modeller, 'görselleştirmelerimizin ne yanıltıcı ne de yanlış yorumlamaya açık olmasını isteriz' temel şartını karşılamaz.
Kasırga Tahmin Güzergâhlarını Görselleştirmede En İyi Uygulamalar
Tip II spagetti grafikleri en açıklayıcı olanlardır ve yanlış yorumlanmaya en az açıktırlar. Ancak tüm modellerin sonuçlarını sunmakta yetersiz kalırlar. Yani Tip I’de gördüğümüz gibi birden fazla model üzerinde toplulaştırma yapmazlar.
Peki Tip I ve Tip II’yi birleştirsek ne olur?
Buna yanıt vermek için python, folium ve numpy kullanarak küçük bir deney yaptım. Tüm kodu burada bulabilirsiniz.
Önce geçen haftadan NHC’nin Kasırga Irma için öngörülen güzergâhlarından birini aldım, biraz rastgele gürültü ekledim ve 50 güzergâh çizdim. Yine, meteorolojiye dair hiçbir konuda uzman olmadığımı not edin. Öngörü sinyaline/güzergâhına ürettiğim ve eklediğim gürültü herhangi bir modele dayanmıyordu; gerçek bir kullanımda, modelden bizzat gelmelidir (merak ediyorsanız Gauss gürültüsü kullandım). Ayrıca medyada rapor edilen öngörülen güzergâhlara ilişkin veri bulmakta zorlandığımı da belirtmek isterim. Sonunda kullandığım veriyi burada buldum.
İşte 50 güzergâhlı basit bir Tip II spagetti grafiği:
Ancak bunlar tek bir modelin ürettiği olası güzergâhlar. Peki farklı kurumlardan birden çok modelimiz olsaydı? Öyleyse her birinden 50 güzergâh çizebiliriz:
Tip II spagetti grafiklerinin gerçekten havalı yönlerinden biri de şu: Yeterince çok sayıda çizdiğimizde her bir güzergâh ayırt edilemez hâle gelir ve kasırganın merkezinin muhtemelen nerede olacağına dair bir ısı haritası görmeye başlarız. Bunun anlamı şudur: Bir bölgede mavi yoğunlaştıkça, güzergâhın oradan geçme olasılığı artar. Yakınlaştırıp inceleyin.
Dahası, bir modelin diğerinden daha olası olduğuna inanıyorsak (örneğin, o modeli üreten uzmanlar geçmişte çok daha isabetli modeller üretmişse), bu modellere örneğin güzergâhların saydamlığı üzerinden uygun ağırlıklar verebiliriz; aşağıda yaptığımız gibi. Bu modellere ağırlık vermenin uzman işi ve toplulaştırılmış modelleme sürecinin asli bir parçası olduğunu unutmayın.
Yukarıdakiler, görselleştirmelerimizde aradığımız ilk iki özelliğin gerektirdiği görevleri yerine getiriyor. Üçüncüsüne, yani bir okurun örneğin kasırga merkezinin belirli bir konumdan geçmesinin %30-40 olasılıkla mümkün olduğunu okuyabilmesine ulaşmak için iki çözüm var:
- ısı haritasını kırmızı ile mavi arasında değişecek şekilde ayarlamak ve örneğin kırmızının %90’dan büyük olasılığı ifade ettiğini belirten bir açıklama anahtarı eklemek;
- Isı haritasını, olasılığın belirli değerler aldığı bölgeleri gösteren bir eş yükselti (kontur) haritasına dönüştürmek.
Ayrıca bunun, bir konumun kasırga merkezinden darbe alma olasılığını söyleyeceğini unutmayın. Bunu kasırganın boyutuna ilişkin bilgilerle birleştirip (aslında evriştirip), ısı haritasını bir konumun kasırga şiddetindeki rüzgârlardan etkilenme olasılığı haritasına dönüştürebilirsiniz. Bunu yapmak isterseniz, yukarıdaki grafikleri üretmek için yazdığım kodla oynayın (bunu yapıp kodu adım adım anlatan bir takip yazısı yazmayı planlıyorum).
Belirsizliği Görselleştirme ve Veri Gazeteciliği
Bundan ne çıkarabiliriz? Öngörülen kasırga güzergâhları için çeşitli görselleştirme yöntemlerini inceledik, her birinin artı ve eksilerini tartıştık ve yalnızca sonuçları değil, modellerin etrafındaki belirsizliği de ileten, bu güzergâhların daha bilgilendirici ve daha az yanıltıcı grafiklerine yönelik bir yol önerdik.
Bu, genel olarak görselleştirmelerde ve veri gazeteciliğinde belirsizliğin nasıl raporlanması gerektiği hakkında yürütmemiz gereken daha geniş kapsamlı bir tartışmanın parçası. Uzmanların belirsizliği haber mecraları üzerinden sivillere nasıl aktardıkları konusundaki tartışmalara aktif olarak katılmamız gerekiyor. The Upshot’tan harika bir yazı, istatistiksel gürültü nedeniyle, işler sabit kalsa bile istihdam raporunun nasıl görünebileceğini gösteriyor. Bir başka Upshot yazısı ise anketleri yorumlamada gürültünün ve belirsizliğin rolünü ortaya koyuyor. Başlıkların haber satmak için gerekli olduğunun ve günümüz medya ortamında tık tuzağının rolünün farkındayım; ancak yalnızca sonuçları değil, bu sonuçların etrafındaki belirsizliği de iletiyor olmalıyız ki genel kamuoyunu ve potansiyel olarak kendimizi yanıltmayalım. Daha da önemlisi, eğitim sisteminin dönüşmesi ve tüm sivillerin bu veri odaklı çağa uyum sağlayabilmeleri için veri okuryazarlığı ve istatistik okuryazarlığı düzeyleriyle donatılması gerekiyor. Buna hepimiz katkıda bulunabiliriz.
