Carbon Track

Proje Hakkında

Carbon Track, iklim krizine bireysel düzeyde somut çözümler sunan kapsamlı bir sürdürülebilirlik platformudur. Uygulama, kullanıcının günlük aktivitelerini — ulaşım, beslenme, enerji tüketimi, alışveriş — otomatik olarak izleyerek kişisel karbon ayak izini hesaplar. Core Motion ile hareket algılama, HealthKit ile aktivite verisi ve Core Location ile rota takibi birleşerek, kullanıcının manuel giriş yapmadan karbon emisyonunu gerçek zamanlı görmesini sağlar. Uygulamanın kalbi, IPCC (Hükümetlerarası İklim Değişikliği Paneli) emisyon faktörleri ve yaşam döngüsü analizi (LCA) veritabanlarına dayanan bilimsel hesaplama motorudur. Her ülke ve bölge için lokalize edilmiş emisyon katsayıları kullanılır — örneğin Türkiye'deki elektrik üretiminin karbon yoğunluğu, Norveç'inkinden 4 kat fazladır ve bu fark hesaplamalara yansır. Barkod tarama özelliği ile market alışverişlerinin karbon ayak izi anında hesaplanır — ürünün üretim, taşıma ve paketleme emisyonları dahil. Topuluk katmanı, Carbon Track'i bir sosyal etki platformuna dönüştürür. Mahalle, şehir ve ülke bazlı karbon azaltma yarışmaları düzenlenir. Kurumsal ortaklıklar aracılığıyla, kullanıcıların tasarruf ettiği karbon miktarı gerçek ağaç dikme kampanyalarına dönüşür — şu ana kadar 180.000'den fazla ağaç dikilmiştir. Aileler için özel modül, çocuklara çevre bilincini oyunlaştırarak öğretir. Yeşil finans entegrasyonu, kullanıcının sürdürülebilir yatırım ve tasarruf seçeneklerini görmesini sağlar. ESG skorları yüksek fonlar ve karbon kredi pazaryeri ile uygulama, bilinçli finansal kararları destekler.

Özellikler

Süreç

Zorluklar & Çözümler

Teknik Detaylar

Carbon Track'in teknik mimarisi, sürekli arka plan işleme gerektiren sensör füzyonu üzerine kuruludur. Core Motion'ın CMMotionActivityManager'ı ile aktivite tipi (stationary, walking, running, cycling, automotive) algılanır. Core Location'ın significant-change monitoring ile düşük güç tüketimli konum takibi yapılır — yalnızca önemli konum değişikliklerinde (500m+) GPS aktive edilerek pil optimizasyonu sağlanır. Karbon hesaplama motoru, Swift'te saf fonksiyonel paradigma ile yazılmıştır. EmissionCalculator protokolü, her aktivite tipi için özel implementasyonlara sahiptir (TransportEmission, FoodEmission, EnergyEmission, ConsumptionEmission). Strategy pattern ile yeni emisyon kaynakları eklenmesi plug-and-play şeklinde çalışır. IPCC AR6 emisyon faktörleri JSON formatında bundle'a gömülü olup, CloudKit ile OTA güncellenir. Barkod tarama pipeline'ı: AVCaptureSession → VNBarcodeObservation → EAN-13/UPC-A decode → REST API lookup → LCA calculation. Ürün bulunamazsa, VNRecognizeTextRequest ile ambalaj bilgisi OCR yapılır ve kategorik tahmin modeli devreye girer. Veri katmanı Core Data + CloudKit senkronizasyonu üzerine kuruludur. Günlük emisyon kayıtları DailyEmissionRecord entity'sinde, aylık aggregatlar MonthlyReport entity'sinde tutulur. NSBatchInsertRequest ile toplu veri yazımı optimize edilmiştir. Core Data derived attributes ile toplam emisyon hesaplamaları veritabanı seviyesinde yapılır. Widget'lar WidgetKit ile 4 timeline entry (sabah, öğle, akşam, gece) oluşturur. Her entry, o güne kadar ki karbon ayak izi ve kalan "bütçe" bilgisini gösterir. watchOS complication'ı, günlük karbon bütçesini halka şeklinde progress olarak sunar. Differential privacy implementasyonu: Laplace mekanizması ile ε=1.0 gizlilik bütçesi, kullanıcı başına günde maksimum 1 topluluk sorgusu, k-anonymity (k=50) ile demografik gruplandırma.

Araştırma Notları

Karbon ayak izi takip uygulamaları pazarı 2024'te $1.8 milyar değerine ulaştı ve %34 yıllık büyüme ile 2028'de $5.7 milyara çıkması bekleniyor. Paris İklim Anlaşması sonrası artan bireysel farkındalık ve ESG düzenlemeleri büyümenin ana sürücüleri. Rakip analizi: Joro (ABD) — otomatik banka hesabı bağlantısı ile karbon takibi, ancak yalnızca harcama bazlı tahmin. Klima (Almanya) — karbon offset odaklı, takip zayıf. Pawprint (İngiltere) — işveren modeli güçlü, bireysel kullanıcı deneyimi zayıf. Hiçbir rakip Core Motion tabanlı otomatik ulaşım algılama sunmuyor. Türkiye özelinde: Kişi başı yıllık karbon emisyonu 5.5 ton CO2e (dünya ortalaması 4.7 ton). Türkiye iklim hedefleri doğrultusunda 2053 net-sıfır taahhüdü verdi. Bireysel karbon takibi konusunda Türkçe bir çözüm bulunmuyordu — bu pazar boşluğu Carbon Track'in Türkiye lansmanını şekillendirdi. Bilimsel temel: IPCC AR6 Working Group III metodolojisi temel alındı. Emisyon faktörleri için Ecoinvent v3.9 ve DEFRA 2024 veritabanları kullanıldı. Gıda emisyonları için Poore & Nemecek (2018) meta-analizi referans alındı. Kullanıcı araştırması: 800 kişilik Türkiye anketi — %72'si karbon ayak izinin ne olduğunu bilmiyor, %89'u "kolaysa takip ederim" diyor, %45'i ağaç dikme gibi somut etkiye katkıda bulunmaya istekli. Bu veriler, uygulamanın eğitim ve gamification stratejisini şekillendirdi.

Tasarım Süreci

Carbon Track'in tasarım felsefesi, "suçluluk değil güçlendirme" prensibi üzerine kuruldu. Karbon takip uygulamalarının en büyük riski, kullanıcıda eko-anksiyete yaratmaktır. Design sprint'lerin ilk haftası tamamen ton ve dil çalışmasına ayrıldı — negatif mesajlar ("Bu kadar karbon ürettiniz") yerine pozitif çerçeveleme ("Bu hafta 2.3 kg tasarruf ettiniz") benimsendi. Renk paleti, doğadan ilham alarak yeşil-mavi tonlarında oluşturuldu. Ancak ilk kullanıcı testlerinde aşırı yeşil kullanımının "greenwashing" algısı yarattığı görüldü. Final palette beyaz ağırlıklı, temiz bir tasarıma geçildi — yeşil aksan olarak kullanılıyor. Dashboard tasarımı 7 iterasyondan geçti. İlk tasarım çok fazla rakam içeriyordu ve kullanıcılar "veri bombardımanı" hissetti. Final tasarımda ana ekranda sadece 3 metrik gösteriliyor: günlük karbon bütçesi (halka grafik), en büyük emisyon kaynağı (ikon + rakam) ve topluluk sıralaması (avatar + pozisyon). Detaylar drill-down ile erişiliyor. Barkod tarama UX'i, supermarket ortamında test edildi — düşük ışık, hızlı hareket, tek el kullanımı senaryoları. Haptic feedback ile başarılı tarama onayı, sürekli tarama modu ile alışveriş sepetinin tamamının hızlıca girilmesi sağlandı. Aile modülü tasarımı, çocuk psikologu danışmanlığında yapıldı. 6-12 yaş arası çocuklar için kahraman karakter "Yeşi" (yeşil yaprak maskotlu karakter) oluşturuldu. Günlük çevre görevleri, ödül rozetleri ve aile leaderboard'u ile çocuklar oyun oynayarak çevre bilinci kazanıyor. Karakter tasarımı için 50 çocukla A/B testi yapıldı.

Sonuçlar & Etki

Carbon Track, lansmanından 9 ay sonra 800.000 indirmeye ulaştı ve 42 ülkede kullanılmaya başlandı. Aylık aktif kullanıcı sayısı 350.000'i geçerken, günlük aktif kullanıcı oranı %38 ile kategori ortalamasının (sürdürülebilirlik uygulamaları %12) çok üzerinde seyrediyor. Bilimsel doğrulama: ETH Zürich Çevre Bilimleri bölümü ile yapılan bağımsız audit, Carbon Track'in Tier-1 hesaplamalarının IPCC referans değerleriyle %92 korelasyon gösterdiğini teyit etti. Bu onay, uygulamanın kurumsal kullanım için kabul görmesini sağladı — 45 şirket çalışanları için toplu lisans aldı. Çevresel etki: Platform kullanıcıları toplamda 42.000 ton CO2 eşdeğeri emisyon azaltımı bildirdi. Ağaç dikme kampanyası ile 180.000 ağaç dikildi — bu ağaçlar yıllık 5.400 ton CO2 absorbe edecek kapasitede. Kampanya, WWF Türkiye ortaklığıyla yürütülüyor. Topuluk yarışmaları, beklenmedik bir organik büyüme motoru oldu. "En Yeşil Mahalle" yarışması, İstanbul Kadıköy'de bir mahallede %23 emisyon azaltımı sağladı ve yerel medyada geniş yer buldu. Bu başarı hikayesi, 15.000 yeni kullanıcı kazandırdı. watchOS complication'ı, günlük aktif kullanıcıların %28'i tarafından kullanılıyor. Widget kullanım oranı %41 ile Apple ortalamasının (%15) çok üzerinde — kullanıcıların karbon bütçesini sürekli göz önünde tutma ihtiyacını gösteriyor. Barkod tarama doğruluğu: veritabanındaki 500.000 ürünün %74'ü direkt eşleşme, %18'i kategori tahmini ve %8'i OCR destekli tahmin ile hesaplanıyor.

Öğrenilen Dersler

Carbon Track'te en değerli öğrenimim, "bilimsel doğruluk" kavramının kullanıcı güvenini nasıl doğrudan etkilediğiydi. İlk versiyonda hassasiyet göstermeden tek bir rakam verdik — "Bugün 12.4 kg CO2 ürettiniz." Kullanıcılar bu rakamın nereden geldiğini sorguladı ve güven sorunu yaşadı. Güven aralığı ve Tier sistemi ekledikten sonra, paradoksal olarak, daha az kesin görünen rakamlar daha fazla güven uyandırdı. Şeffaflık, sahte kesinlikten her zaman üstündür. Core Motion tabanlı otomatik algılamada mükemmeliyetçilik tuzağına düştük. İlk 3 ay boyunca %99 doğruluk hedefiyle çalıştık ve karmaşık model mimarileri denedik. Sonunda fark ettik ki kullanıcılar %89 doğrulukla mutlu ve yanlış sınıflandırmaları kolayca düzeltebiliyorlardı. "Yeterince iyi" çözümü erken sunmak, "mükemmel" çözümü geç sunmaktan daha iyi. Çevre bilimi ve yazılım mühendisliği arasındaki kavramsal uçurum beklenenden büyüktü. Çevre mühendisimiz Scope 1-2-3 emisyonlarından, yaşam döngüsü analizi sınır koşullarından ve emisyon atıf metodolojilerinden bahsederken, geliştirme ekibi bunları anlamakta zorlandı. 2 haftalık "karbon okur-yazarlığı" workshop'u düzenlemek, ekip verimliliğini dramatik şekilde artırdı. Differential privacy implementasyonu, teoride basit görünse de pratikte çok sayıda edge case barındırıyor. Küçük mahalle gruplarında (k<50) anonimleştirme yetersiz kalıyor, büyük gruplarda ise agregat veriler istatistiksel olarak anlamsızlaşabiliyor. Bu denge, sürekli kalibrasyon gerektiriyor.