1.14 Su Kalitesi İzleme ve Hidrolojik Tahmin (Water Quality & Hydrology)

1. Problem Tanımı ve Sistemik Etki

Su kalitesi ve hidrolojik süreçlerin izlenmesi, tarımsal sürdürülebilirliğin temel taşlarından biridir. Küresel tarımsal su kullanımı toplam tatlı su çekiminin %70'ini oluşturmakta; aynı zamanda tarımsal faaliyetler (gübre, pestisit, hayvan atıkları) yüzey ve yeraltı sularının en büyük noktasal olmayan kirlilik kaynağıdır. WHO verilerine göre dünya nüfusunun %26'sı (2 milyar kişi) güvenli su kaynaklarından yoksun olup, tarımsal kaynaklı nitrat kirliliği yeraltı sularında izin verilen sınırları (50 mg/L NO₃, AB standardı) aşan bölgelerin sayısını sürekli artırmaktadır.

Geleneksel su kalitesi izleme ve hidrolojik modellemenin kısıtlamaları şunlardır:

• Örnekleme seyrekliği: Manuel su numunesi toplama ve laboratuvar analizi, tipik olarak aylık veya haftalık aralıklarla yapılır. Ani kirlilik olayları (ör. yağış sonrası gübre yıkanması) bu örnekleme sıklığıyla yakalanamaz.
• Mekansal kapsam: İzleme istasyonlarının coğrafi dağılımı sınırlıdır — Türkiye'de DSİ'nin aktif izleme yaptığı nokta sayısı yüzlerce düzeyindeyken, nehir ağı binlerce kilometre uzunluğundadır.
• Süreç tabanlı model karmaşıklığı: SWAT (Soil and Water Assessment Tool) gibi fizik tabanlı havza modelleri, düzinelerce parametre kalibrasyonu gerektirir ve hesaplama maliyeti yüksektir. Kalibrasyon sürecindeki eşdoğruluk (equifinality) problemi — farklı parametre setlerinin benzer çıktılar üretmesi — model güvenilirliğini zayıflatır.
• Zamansal gecikme: Laboratuvar analiz sonuçlarının 2-7 gün gecikmeyle gelmesi, gerçek zamanlı müdahale kapasitesini ortadan kaldırır.

Bu kısıtlamalar, makine öğrenmesi tabanlı su kalitesi tahmini ve hidrolojik modelleme yaklaşımlarını çevresel mühendislik ve tarımsal su yönetiminin en hızlı büyüyen araştırma alanlarından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1970-2010)

Hidroloji ve su kalitesi modellemesinin temelleri, fizik tabanlı simülasyon ve jeoistatistik yöntemlere dayanmaktadır:

• SWAT (Soil and Water Assessment Tool): Havza ölçeğinde hidrolojik döngüyü, sediment taşınımını ve besin maddesi dinamiklerini simüle eden yarı dağılımlı (semi-distributed) model. Arnold et al. (1998) tarafından geliştirilen SWAT, dünya genelinde 4.000'den fazla çalışmada kullanılmıştır; ancak 20-30 parametre kalibrasyonu uzman gerektirir ve eşdoğruluk problemi model güvenilirliğini sınırlar.
• Kriging (jeoistatistiksel enterpolasyon): Seyrek örnekleme noktalarından mekansal sürekli su kalitesi haritaları üretilmesi. Variogram modelleme ile mekansal otokorelasyon yapısı hesaba katılır. Avantaj: belirsizlik tahmini (kriging varyansı) dahili olarak sağlanır. Dezavantaj: zamansal dinamikleri yakalama kapasitesi sınırlıdır.
• Çoklu doğrusal regresyon (MLR): Meteorolojik değişkenler (yağış, sıcaklık) ve arazi kullanımı verileriyle su kalitesi parametrelerinin tahmini. Basit ve yorumlanabilir; ancak doğrusal olmayan ilişkileri yakalayamaz ve değişkenler arası çoklu bağlantı (multicollinearity) sorunu yaşanır.

Limitasyonlar: Fizik tabanlı modeller mekanistik anlayış sağlar ancak yoğun veri ve kalibrasyon gerektirir. Jeoistatistik yöntemler mekansal yapıyı iyi temsil eder ancak zamansal bileşen zayıftır. Her iki yaklaşım da gerçek zamanlı tahmin kapasitesinden yoksundur.

2.2 Makine Öğrenmesi Yaklaşımları (2010-Günümüz)

LSTM Tabanlı Hidrolojik Tahmin

• Girdi: Meteorolojik zaman serileri (yağış, sıcaklık, evapotranspirasyon), akım verileri ve statik havza özellikleri (alan, eğim, toprak tipi, arazi kullanımı).
• Çalışma prensibi: LSTM'in uzun-kısa süreli bellek kapasitesi, hidrolojik sistemlerdeki uzun gecikme sürelerini (toprak nemi birikimi, kar erime dinamikleri, yeraltı suyu akışı) modellemede avantaj sağlar.
• Performans: Kratzert et al. (2019), ABD'deki 531 havzada LSTM ile yağış-akış modellemesinde medyan NSE=0,74 raporlamıştır — bu, 531 havzanın her biri için ayrı ayrı kalibre edilmiş SAC-SMA fizik tabanlı modelin medyan NSE=0,64 değerinden belirgin şekilde üstündür. Tek bir LSTM modeli 531 havzayı eşzamanlı olarak modelleyebilmektedir.

Random Forest Su Kalitesi Tahmini

• Girdi: Arazi kullanımı haritaları, topografik indeksler, iklim verileri, noktasal kirlilik kaynakları ve in-situ sensör ölçümleri.
• Çalışma prensibi: Topluluk karar ağaçları, su kalitesi parametrelerini (çözünmüş oksijen, nitrat, fosfor, bulanıklık) regresyon veya sınıflandırma olarak tahmin eder. Değişken önem sıralaması, kirlilik kaynaklarının belirlenmesinde kritik içgörü sağlar.
• Performans: Shen et al. (2020), Çin'in 600+ nehir izleme istasyonunda RF ile çözünmüş oksijen tahmininde R²=0,87 ve RMSE=0,82 mg/L raporlamıştır. Arazi kullanım değişkenleri en yüksek önem skoru gösteren özellikler olmuştur.

Hibrit Yaklaşımlar (Fizik + ML)

• Yaklaşım: SWAT simülasyon çıktılarının ML ile son işlenmesi (post-processing). SWAT kalıntı hatalarının RF veya ANN ile modellenerek düzeltilmesi, her iki yaklaşımın güçlü yanlarını birleştirir.
• Performans: Yin et al. (2021), SWAT-LSTM hibrit yaklaşımıyla havza ölçeğinde nitrat yükü tahmininde tek başına SWAT'a kıyasla NSE'yi 0,58'den 0,78'e yükseltmiştir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Eksik Veri ve Düzensiz Örnekleme

Su kalitesi izleme verileri genellikle düzensiz aralıklarla toplanır ve eksik gözlemler yaygındır. Türkiye'de DSİ istasyonlarının %30-40'ında yıl içinde 3+ aylık veri boşlukları bulunmaktadır. LSTM gibi zaman serisi modelleri eşit aralıklı veri gerektirdiğinden, enterpolasyon veya imputation yöntemleri uygulanmak zorundadır — bu, yapay veri noktaları oluşturarak model belirsizliğini artırır. Zaman damgalı düzensiz veriye doğrudan uygulanabilen ODE-RNN (Ordinary Differential Equation RNN) modelleri araştırılmakta ancak henüz olgunlaşmamıştır.

Zamansal Uyumsuzluk

Farklı veri kaynakları farklı zamansal çözünürlüğe sahiptir: meteorolojik veriler saatlik, akım verileri günlük, su kalitesi laboratuvar sonuçları aylık, uydu görüntüleri 5-16 günlük olabilir. Bu zamansal uyumsuzluk, veri füzyonunu zorlaştırır. Ani kirlilik olaylarının (ör. yoğun yağış sonrası gübre yıkanması) saatler içinde gerçekleşip günler içinde seyrelmesi, düşük frekanslı örnekleme ile yakalanamaz.

Çoklu Kaynak Füzyonu

Yersel sensörler, uydu görüntüleri (Sentinel-2, Landsat), meteorolojik veriler ve arazi kullanım haritaları farklı mekansal ve zamansal çözünürlüklere sahiptir. Bu heterojen veri kaynaklarının tutarlı bir özellik uzayında birleştirilmesi önemli bir mühendislik sorunu oluşturur. Uydu bazlı su kalitesi parametreleri (klorofil-a, bulanıklık) yalnızca yüzey sularında ve bulut örtüsü olmayan günlerde elde edilebilir — bu, özellikle yağışlı dönemlerde (kirlilik olaylarının en yoğun olduğu dönem) veri boşluğu yaratır.

Mekansal Heterojenlik ve Ölçek Problemi

Bir havzanın yukarı ve aşağı kesimlerinde su kalitesi dinamikleri temelden farklıdır. Yukarı kesimdeki pristine akarsuda eğitilen model, aşağı kesimdeki kentsel/tarımsal kirlilik baskısı altındaki bölüme aktarıldığında performans belirgin biçimde düşer. Havza içi mekansal transfer, domain adaptation'ın hidrolojik uygulamasını gerektirir.

Bölgesel Senaryo: Siirt Botan Çayı Havzası

Siirt ili, Dicle Nehri'nin önemli bir kolu olan Botan Çayı havzasında yer almaktadır. Mühendislik açısından üç spesifik zorluk mevcuttur:

1. Tarımsal kirlilik yükü: Havzadaki yoğun fıstık, tahıl ve sebze tarımından kaynaklanan gübre ve pestisit kalıntıları, yüzey sularında nitrat ve fosfor yüküne neden olmaktadır. DSİ izleme istasyonlarının seyrekliği (havzada 2-3 nokta) ve aylık örnekleme frekansı, ML tabanlı modellerin eğitim verisi kalitesini ciddi şekilde kısıtlamaktadır. Sentinel-2 uydu verileriyle dolaylı su kalitesi tahmini (bulanıklık, klorofil-a) bir alternatif oluşturmaktadır.
2. Kar erime hidrolojisi: Siirt'in kuzey kesimlerinde 2000+ m yükseklikte kış aylarında kar birikimi, ilkbahar döneminde ani kar erimesiyle sel riski oluşturmaktadır. LSTM tabanlı yağış-akış modellerinin kar erime bileşenini doğru modelleyebilmesi için sıcaklık gradyanı ve kar örtüsü verileri (MODIS) kritik girdi değişkenleridir; ancak yüksek rakımlı meteoroloji istasyonu yokluğu, bu verilerin güvenilirliğini düşürmektedir.
3. Sulama suyu kalitesi izleme: GAP kapsamındaki sulama kanallarında tuzluluk (EC) ve SAR (Sodium Adsorption Ratio) izlenmesi, toprak tuzlanmasını önlemek açısından kritiktir. Güneydoğu Anadolu'nun bazı bölgelerinde sulama suyu EC değerleri 2.000-4.000 μS/cm seviyesine ulaşmakta — bu, hassas bitkilerin tolerans sınırını aşmaktadır. IoT tabanlı gerçek zamanlı EC sensörleri + ML tahmin modelleri ile proaktif sulama yönetimi potansiyeli bulunmaktadır.

4. Literatür: Seminal Çalışmalar

Kratzert et al. (2019) — LSTM ile havza ölçeğinde yağış-akış modelleme. ABD'deki 531 CAMELS havzasında tek bir LSTM modeli ile medyan NSE=0,74 — bireysel kalibre edilmiş SAC-SMA modeline (NSE=0,64) belirgin üstünlük. ML'in hidrolojide süreç tabanlı modellere rakip olabileceğini kanıtlayan paradigma değiştirici çalışma. (1.200+ atıf)

Shen (2018) — Hidrolojide derin öğrenme perspektiflerinin kapsamlı değerlendirmesi. LSTM'in su bilimlerindeki potansiyeli, fizik tabanlı modeller ile entegrasyon olanakları ve açık araştırma soruları. Veri odaklı ve süreç tabanlı yaklaşımların birbirini dışlamadığını, tamamlayıcı olduğunu vurgulayan vizyoner çalışma. (950+ atıf)

Shen et al. (2020) — Çin'in 600+ nehir izleme istasyonunda Random Forest ile su kalitesi parametreleri tahmini. Çözünmüş oksijen R²=0,87, amonyak azotu R²=0,79, KOİ R²=0,72. Arazi kullanım değişkenlerinin en yüksek önem skoru gösterdiğini ve tarımsal alan oranının su kalitesiyle en güçlü ilişkili değişken olduğunu raporlamıştır. (420+ atıf)

Arnold et al. (1998) — SWAT modelinin geliştirilmesi ve temel metodolojisi. Havza ölçeğinde hidrolojik, sediment ve su kalitesi simülasyonu için yarı dağılımlı süreç tabanlı model. Dünya genelinde 4.000+ çalışmada kullanılan referans havza modeli. (8.500+ atıf)

Yin et al. (2021) — SWAT-LSTM hibrit yaklaşımıyla havza ölçeğinde nitrat yükü tahmini. SWAT kalıntı hatalarının LSTM ile modellenmesiyle NSE'nin 0,58'den 0,78'e yükseltilmesi. Fizik tabanlı ve veri odaklı modellerin sinerjisinin somut kanıtı. (180+ atıf)

5. Gelecek Vizyonu

Fizik Bilgili Derin Öğrenme Hidrolojide

Saf veri odaklı LSTM modelleri, fiziksel olarak tutarsız tahminler üretebilir (ör. negatif debi, kütle dengesi ihlali). Fizik bilgili LSTM (Physics-Informed LSTM), su dengesi denklemlerini kayıp fonksiyonuna kısıt olarak dahil ederek fiziksel tutarlılığı sağlar. Kratzert et al.'ın güncel çalışmaları, bu yaklaşımın veri kıt olan havzalarda %10-15 performans artışı sağladığını göstermektedir. Ancak fiziksel kısıtların doğru formülasyonu ve hesaplama maliyeti araştırma devam etmektedir.

Uydu Tabanlı Gerçek Zamanlı İzleme

Sentinel-2 ve Landsat-8/9 uydu görüntülerinden klorofil-a, bulanıklık ve CDOM (Colored Dissolved Organic Matter) tahmini ile geniş alanların mekansal su kalitesi haritalaması mümkündür. Google Earth Engine üzerinde ML modelleri ile uydu verilerinin otomatik işlenmesi, mekansal kapsamı belirgin biçimde genişletmektedir. Ancak zamansal çözünürlük (5-16 gün) ve bulut örtüsü kısıtları, gerçek zamanlı operasyonel kullanımı sınırlamaktadır. Küçük iç sular ve akarsularda mekansal çözünürlük (10-30 m) yetersiz kalabilir.

IoT Sensör Ağları ve Erken Uyarı

Düşük maliyetli su kalitesi sensörleri (pH, EC, sıcaklık, bulanıklık, çözünmüş oksijen) ve IoT iletişim protokolleri (LoRaWAN, NB-IoT) ile gerçek zamanlı su kalitesi izleme ağları oluşturulabilir. Bu sensör verilerinin LSTM veya RF modelleriyle işlenmesi, ani kirlilik olaylarının dakikalar içinde tespit edilmesini sağlar. Ancak sensör fouling (biyofilm birikimi), kalibrasyon kayması ve enerji yönetimi (güneş paneli + pil) kritik operasyonel engellerdir.

İklim Değişikliği ve Su Kaynakları Projeksiyonu

İklim değişikliği senaryoları altında tarımsal su talebinin artması ve su kaynaklarının azalması öngörülmektedir. ML tabanlı havza modelleri, farklı SSP senaryoları altında su bütçesi projeksiyonları üretme kapasitesine sahiptir. Ancak iklim projeksiyonlarının belirsizliği (GCM yapısal farklılıkları) ve arazi kullanım değişikliklerinin öngörülememesi, uzun vadeli projeksiyonların güvenilirliğini sınırlamaktadır. Ensemble modelleme ile belirsizlik aralıklarının niceliksel tahmini, politika yapıcılar için kritik bilgi sağlar.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği