Geospatial Veri ve Geo-ML 2026: PostGIS, H3, deck.gl ile Konum Tabanlı Karar Mimarisi

Geospatial veri (konum, harita, parsel, sınır), 2026’da işletmelerin %82’sinde en az bir karar sürecini besliyor: e-ticaret teslimat optimizasyonu, taksi/ride-hailing eşleştirme, perakende lokasyon analitiği, sigorta risk haritası, tarım/orman izleme, telekom hücre planlama. Buna rağmen şirketlerin %58’i hâlâ basit “nokta + yarıçap” sorgularıyla çalışıyor — modern geospatial analytics’in (PostGIS, H3, Uber’s hexagonal indexing) sunduğu performansı kullanmıyor.

2024-2026 arasındaki en büyük kırılma H3 hexagonal indexing + deck.gl WebGL görselleştirme kombinasyonunun mainstream olması: Uber, Foursquare, Carto gibi şirketlerin liderliğinde milyarlarca point’i tek browser’da heatmap olarak gösterebilen mimari standart hale geldi. Bu rehberde, modern geospatial veri mimarisini, H3 hexagonal indexing’i, PostGIS performansını ve ML uygulamalarını somut sayılarla aktarıyoruz.

Geospatial Veri Tipleri

• Point: Tek konum (mağaza, müşteri).
• Line: Yol, hat, sınır.
• Polygon: Parsel, mahalle, ülke sınırı.
• Multi-polygon: Birden çok parçalı (ada içeren ülke).
• Raster: Uydu görüntüsü, hava sıcaklığı haritası.
• Network/Graph: Yol ağı, metro hatları.
• 3D mesh: Yapı/şehir 3D modeli (CityGML, OpenUSD).

PostGIS: PostgreSQL’in Geospatial Eklentisi

PostGIS, geospatial veri için endüstri standardı. PostgreSQL’e eklenir, SQL’le çalışır. PostGIS official site ve OGC standartları referans kaynak. 2026 itibarıyla PostGIS 3.5+ raster, 3D geometry ve geography tipleri ile çok geniş kullanım sunuyor.

• ST_Distance(a, b) — iki nokta arası mesafe.
• ST_Within(point, polygon) — nokta polygon içinde mi?
• ST_Intersects(geom1, geom2) — kesişiyor mu?
• ST_Buffer(point, 500) — 500m yarıçaplı tampon.
• ST_DWithin(a, b, 1000) — 1 km içinde mi (index-friendly).
• GIST index ile 1M+ kayıt‘da spatial sorgu < 10 ms.
• SP-GIST ve BRIN index alternatifleri özel use case’lerde.

H3: Uber’in Hexagonal Indexing

H3, Uber tarafından açık kaynak yapılmış hexagonal hierarchical spatial index. Dünya altıgenlere bölünür, her altıgenin benzersiz ID’si vardır. H3 official documentation ve Uber Engineering blog’u detaylı pratikleri kapsıyor.

• 16 farklı çözünürlük seviyesi (resolution 0: 4.250 km², resolution 15: 0,9 m²).
• Hex ID’ler hierarchical — parent/child ilişkisi var.
• Her hücre komşularına eşit mesafede (square grid’in aksine).
• Hızlı aggregation: “Bu hücredeki müşteri sayısı” basit GROUP BY.
• Heatmap, density estimation, point-in-polygon hızlı.
• S2 (Google) ve Quadkey alternatifleri farklı trade-off sunuyor.

H3 vs PostGIS Karşılaştırması

Use Case	PostGIS	H3
Point-in-polygon	50-200 ms	1-5 ms (pre-indexed)
Aggregation by area	500ms-2s	10-50 ms
Distance calculation	Exact	Approximate
Polygon analysis	Strong	Lossy
Heatmap, density	Slow	Çok hızlı
Routing	pgRouting	OSRM/GraphHopper external

Geo-ML Uygulamaları

Geo-ML uygulamaları artık tek bir model değil; PostGIS/H3 feature engineering + ML model + visualization stack’inin orkestre edildiği end-to-end mimari. Aşağıdaki use case’ler 2026 itibarıyla üretim olgunluğuna ulaştı.

1. Demand Prediction (Ride-hailing)

• Şehri H3 hex’lerine böl.
• Her hex’te her saat için talep tahmini (LightGBM).
• Surge pricing + driver positioning.
• Bekleme süresi %24 azalır.
• Time-series forecasting rehberimizdeki hierarchical pattern burada da uygulanır.

2. Site Selection (Perakende)

• Demografik veri + competitor density + trafic data.
• ML modeli yeni mağaza için potansiyel ciro tahmini.
• Tipik doğruluk: ±%18 MAPE (6 aylık fiili ciroya kıyasla).
• Türkiye’de Yemeksepeti, Trendyol Express bu pattern’i yoğun kullanıyor.

3. Insurance Risk Mapping

• Deprem, sel, yangın risk modelleri spatial veriyle.
• Hex bazında zarar olasılığı + prim.
• TARSIM ve uluslararası reasürans için zorunlu.
• AFAD verisi + custom hazard model ile premium pricing.

4. Logistics Optimization

• VRP (Vehicle Routing Problem) çözümü.
• OSRM, GraphHopper, Mapbox Directions.
• 1.000 noktalık ruta optimizasyonu birkaç saniyede.
• Yakıt + sürücü zaman %15-22 azalır.
• Real-time re-routing trafik durumuna göre.

5. Satellite Imagery + Vision

• Sentinel, Landsat ücretsiz uydu görüntüsü.
• Tarım hasta tespiti, orman izleme, su seviyesi.
• Computer vision rehberimizdeki SAM 2 ile otomatik parsel sınırı segmentation.
• Google Earth Engine, Microsoft Planetary Computer platformları.

Mimari Stack (Üretim)

• Veri yutma: Kafka + GeoJSON / Parquet.
• Veri depo: PostgreSQL + PostGIS (transactional), ClickHouse + S2/H3 (analytic).
• Tile generation: tippecanoe, Tegola, Martin (vector tile).
• Map UI: MapLibre GL JS, Leaflet, deck.gl (büyük veri görselleştirme).
• Routing: OSRM, GraphHopper (self-hosted) veya Mapbox/Google API.
• Geocoding: Nominatim (OSM), Pelias, Mapbox Geocoding.
• ML platform: scikit-learn, XGBoost + H3 features.
• Coordinate system: WGS84 (EPSG:4326), Web Mercator (EPSG:3857), Turkish ITRF96.

Türkiye’ye Özel Geo Veri Kaynakları

• OpenStreetMap (OSM): Ücretsiz, toplulukla güncellenen harita.
• TUİK Mahalle Adres Sistemi: Adres-koordinat eşleştirme.
• Tapu ve Kadastro: Parsel verisi (özel erişim).
• Çevre Bakanlığı: İmar planları, çevre koruma alanları.
• AFAD: Deprem risk haritaları.
• MGM: Hava durumu istasyonları.
• Yandex, Google, Apple Maps: Ticari API’lar.
• TÜBİTAK GEBIP: Coğrafi bilgi sistemi projeleri için kaynak.
• HGM (Harita Genel Müdürlüğü): Resmi topografik veri.

Performans ve Ölçek

• PostGIS GIST index: 10M nokta için spatial query ≤ 50 ms.
• H3 aggregation: 100M nokta için hex bazlı GROUP BY ≤ 1 saniye.
• Vector tile: zoom 12’de 1.500×1.500 km ≤ 200 ms.
• OSRM routing: 100 nokta optimal rota ≤ 500 ms.
• Geocoding (Nominatim): tek istek ≤ 100 ms.
• deck.gl WebGL: 1M+ point browser’da 60 FPS heatmap.

Maliyet

• PostGIS self-hosted: PostgreSQL maliyeti dışında ek yok (açık kaynak).
• Mapbox: aylık 50K request ücretsiz, sonra 1.000 başına 0,50-2 USD.
• Google Maps API: 28.500 ücretsiz request, sonra 0,002-0,02 USD/request.
• OSRM self-hosted: 16 GB RAM sunucu yeterli (Türkiye full graph).
• Yandex Maps API: rekabetçi fiyat, RU/TR pazar avantajı.
• Carto, Felt: managed geospatial platform, $200-2.000/ay.

Geo-ML Maliyet ve Süre

Kapsam	Süre	Maliyet (TL)
MVP: PostGIS + H3 dashboard	2-3 ay	250.000-450.000
Orta: ML model (site selection, demand prediction)	5-8 ay	700.000-1.500.000
Enterprise: real-time + edge + uydu imagery	10-16 ay	2.000.000-4.500.000
Aylık operasyon (Mapbox + sunucu)	—	20.000-150.000

Yaygın Hatalar

• Wrong coordinate system: WGS84 (geographic) ve Web Mercator (projected) karıştırma — mesafe hesabı bozuluyor.
• GIST index eksikliği: Spatial query full table scan yapıyor, performans 100x kötü.
• Geocoding rate limit ihmali: Free tier Nominatim 1 req/sn — production’da self-host şart.
• H3 resolution yanlış: Çok yüksek resolution sparse data, çok düşük resolution çok büyük hücre.
• Lossy projection ile distance: Web Mercator yüksek enlemde mesafe yanlış, equator yakın daha doğru.
• Map UI’de raw data: Aggregation yapmadan 1M+ point render → browser çökmesi.

Sık Sorulan Sorular

Ömer Önal’dan pratik not: Türkiye’de lojistik ve perakende müşterilerimle geo-ML projelerinde gözlemlediğim en kritik hata, projection ve coordinate system konusunu hafife almak. WGS84 koordinatları Web Mercator’a dönüştürmeden mesafe hesabı yapan ekipler 6 ay sonra “neden modelimiz Karadeniz’de yanlış tahmin ediyor” sorusuyla geliyor — projeksiyon distortion’u kuzey enlemlerde %30+ olabiliyor. İlk haftadan PostGIS geography vs geometry tipini netleştirin. Bir diğer detay: H3 resolution kararı iş sorusuna göre olmalı — sürücü konumlandırma için resolution 9-10 ideal, mağaza seçimi için 7-8 yeterli. Yanlış resolution model recall’unu %30-50 düşürebiliyor. Türkiye’de OpenStreetMap verisi büyük şehirlerde mükemmel ama kırsalda eksik; Yandex veya MapBox commercial veri ile ensembling pratik. Sizin operasyonunuzda hangi geo sorularını çözmeye çalışıyorsunuz — site selection mı routing mı surge prediction mı?

Sonuç

Geospatial veri ve geo-ML, modern dijital ürünlerin görünmez ama kritik altyapısı. Doğru tasarım (PostGIS + H3 + deck.gl + OSRM) ile spatial sorgu performansı 10-100x artar, demand prediction doğruluğu ±%18 MAPE‘ye iner, logistics maliyeti %15-22 düşer. 2026’da konum-bazlı karar veren her uygulama bu stack’i değerlendirmeli. Geo-ML pipeline’ınızı time-series forecasting ile birleştirip hex-bazlı talep tahmini yapabilir, computer vision rehberimizdeki SAM 2 ile uydu görüntüsü segmentation yapabilir, recommendation systems rehberimizdeki location-aware öneri pattern’larını uygulayabilirsiniz. İletişim formundan projeniz için geo-mimari değerlendirme talep edebilirsiniz.

Dış otorite kaynaklar: PostGIS · Uber H3 · deck.gl · OpenStreetMap