Su Kalitesi İzleme ve Hidrolojik Tahmin

Su kalitesi izleme ve hidrolojik tahmin, tarımsal su yönetimi, çevresel sürdürülebilirlik ve doğal afet risk azaltma açısından önemli alanlardır. Makine öğrenmesi ve deep-learning yöntemleri, geleneksel hidrolojik modellere güçlü alternatifler sunarak akarsu akışı, yeraltı suyu seviyeleri ve su kalitesi parametrelerinin tahmininde dikkate değer sonuçlar verebilmektedir. Özellikle LSTM (Uzun Kısa Süreli Bellek) ağları, hidrolojik zaman serisi tahminlerinde geniş ölçekte iyi performans raporlamıştır.

Su Kalitesi Parametreleri ve İzleme

Su kalitesi, fiziksel, kimyasal ve biyolojik parametrelerin bütünleşik değerlendirmesiyle belirlenir. KC et al., 2019 Nepal'deki Bijaypur Nehri'nde uzaktan algılama, CBS ve yapay zeka yöntemlerini birleştirerek yüzey suyu kalitesi değerlendirmesi gerçekleştirmiştir.

Temel Su Kalitesi Parametreleri

Optik parametreler (uydu sensörleriyle doğrudan algılanabilir): - Bulanıklık (Turbidity): Çözünmemiş parçacıkların ışık saçılmasıyla oluşturduğu bulanıklık; NTU birimi ile ölçülür - Toplam Askıda Katı Madde (TSS): Filtreleme ile belirlenen çözünmemiş parçacık konsantrasyonu; su rengini ve yansıyan sinyalleri doğrudan etkiler

Optik olmayan parametreler (dolaylı ilişkiler aracılığıyla tahmin edilir): - Çözünmüş Oksijen (DO): Su ekosistemlerinin canlılığı için kritik - Biyokimyasal Oksijen İhtiyacı (BOD): Organik kirliliğin biyolojik ayrışma sürecinde tükettiği oksijen miktarı - Kimyasal Oksijen İhtiyacı (COD): Toplam organik madde yükünün kimyasal oksidasyonla belirlenmesi - pH: Suyun asitlik-bazlık dengesi; tarımsal su kullanımı ve sucul yaşam için kritik - Elektriksel İletkenlik (EC): Çözünmüş tuz ve mineral konsantrasyonunun göstergesi - Toplam Çözünmüş Katı Madde (TDS): Suyun mineral içeriğinin genel ölçüsü

Uzaktan Algılama ile Su Kalitesi İzleme

Geleneksel su kalitesi izleme yöntemleri emek yoğun, maliyetli ve zamansal-mekansal kapsama açısından sınırlıdır. remote-sensing-agriculture teknolojileri, düşük maliyet, mekansal süreklilik ve zamansal tutarlılık avantajlarıyla bu sınırlamaları aşar.

KC et al.'in çalışmasında Landsat 8 uydu görüntülerinden su kalitesi tahmininde izlenen metodoloji: 1. Atmosferik ve radyometrik düzeltme: QGIS yazılımı ile hata giderimi 2. Su yüzeyi maskeleme: Düzeltilmiş NDWI ile su-kara ayrımı 3. Adımsal çoklu regresyon (SWR): En küçük p-değerine sahip açıklayıcı değişkenlerin seçimi 4. Yapay sinir ağı (YSA): BPNN ile optik ve optik olmayan parametrelerin birlikte tahmini

Makine Öğrenmesi ile Hidrolojik Tahmin

LSTM Tabanlı Akarsu Akışı Tahmini

Feng et al., 2020 LSTM tabanlı bir akarsu akışı modeli geliştirerek, "veri entegrasyonu" (DI) olarak adlandırdıkları esnek bir prosüdür ile yakın geçmiş deşarj ölçümlerinin tahminlere entegrasyonunu test etmiştir. Çalışma, ABD genelinde CAMELS veri setindeki 671 havzayı kapsayan kıtasal ölçekte gerçekleştirilmiştir.

Temel bulgular: - DI prosedürü, kıtasal ölçekte medyan Nash-Sutcliffe Verimliliği (NSE) katsayısı 0.86 değerine ulaşmıştır - Hareketli ortalama deşarj, son birkaç günün deşarjı veya önceki takvim ayının ortalama deşarjı dahil farklı gecikme gözlemleri günlük tahminleri iyileştirebilir - Gecikmeli gözlemlerin doğrudan girdi olarak kullanılması, CNN birimi üzerinden kullanılmasıyla karşılaştırılabilir performans göstermiştir

Hidrolojik süreç içgörüleri: - Temel LSTM modeli, dağlık veya kar baskın bölgelerde iyi çalışırken, düşük deşarj hacimli bölgelerde daha düşük performans göstermiştir - DI, yüksek akış otokorelasyonuna sahip bölgelerde en faydalı olmuştur: yeraltı suyu baskın batı havzalarında taban akışı yanlılığını büyük ölçüde azaltmış, dinamik yüzey suyu depolamasına sahip havzalarda pik tahminlerini iyileştirmiştir - Yüksek kurakıntılı, tek günlük ani pik gösteren havzalarda DI bile performansı yeterince yükseltememiştir

Geleneksel Hidrolojik Modeller ile Karşılaştırma

LSTM tabanlı yaklaşımlar şu avantajları sunar: - Transfer edilebilirlik: Havza öznitelikleri ile eğitilen modeller, eğitim dışı havzalara aktarılabilir - Veri esnekliği: Farklı zamanlama ve tipte gözlemleri esnek biçimde entegre edebilir - Otomatik özellik çıkarma: Manuel parametre kalibrasyonu gerektirmez - Yanlılık düzeltme: Geleneksel veri asimilasyonunun gerektirdiği düzeltme prosedürlerini ortadan kaldırır

Kuraklık Öngörüsü

Kuraklık, tarımsal üretimi en fazla sınırlayan doğal afetlerden biridir. ABD'de kuraklıklar yılda ortalama 6 milyar dolar zarar vermektedir. ML tabanlı kuraklık öngörü sistemleri:

• Kuraklık indeksleri tahmini: SPEI, PDSI ve SPI gibi göstergelerin LSTM ve transformer ağlarıyla tahmin edilmesi
• Toprak nemi tabanlı kuraklık izleme: Uydu kaynaklı toprak nemi verileri ve iot-smart-sensors ile elde edilen verilerin birleştirilmesi
• Tarımsal kuraklık etki değerlendirmesi: Bitki örtüsü indeksleri ve crop-yield-prediction modellerinin değerlendirilmesi

Sel Erken Uyarı Sistemleri

Sel, ABD'de hava koşullarına bağlı en büyük ölüm nedenidir. ML tabanlı sel tahmin sistemleri:

• Gerçek zamanlı tahmin: LSTM ve DI kombinasyonu ile erken uyarı süresinin uzatılması
• Yağış-akış modelleme: Radar ve uydu kaynaklı yağış tahminleri ile havza özelliklerinin birleştirilmesi
• Taşkın haritalaması: Havza bazlı taşkın olasılık haritalarının üretilmesi

Havza Yönetimi ve Yeraltı Suyu İzleme

Entegre havza yönetimi, yüzey suyu ve yeraltı suyu kaynaklarının sürdürülebilir kullanımını hedefler:

• Yeraltı suyu seviye tahmini: YSA ve LSTM modelleri, kıyısal akiferlerde saatlik yeraltı suyu seviyelerini tahmin eder
• Sulama suyu tahsisi: ML modelleri, havza ölçeğinde su arzı ve talep dengesini optimize ederek smart-irrigation sistemlerini destekler
• Kirlilik kaynağı tespiti: Tarımsal kaynaklı nitrat, pestisit ve sediman kirliliğinin belirlenmesi
• Yeraltı suyu tuzlanma duyarlılığı: Sınıflandırıcı topluluk yöntemleri ile duyarlı bölgelerin haritalanması

Gelecek Yönelimler

Derin öğrenme tabanlı hidrolojik tahmin hızla gelişmektedir. Fizik bilgili sinir ağları, kütle ve enerji korunum yasalarını model yapısına dahil ederek fiziksel tutarlılığı artırır. Çok görevli öğrenme, farklı hidrolojik değişkenlerin eşzamanlı tahminini sağlar. transfer-learning, veri zengin havzalarda eğitilen modellerin veri kıt bölgelere aktarılmasını mümkün kılar. climate-agriculture senaryoları altında hidrolojik tahmin modelleri, tarımsal su güvenliği planlamasında giderek daha kritik bir rol oynamaktadır.

Kaynaklar

• KC et al., 2019 -- "Surface Water Quality Assessment Using Remote Sensing, GIS and Artificial Intelligence." Landsat 8 ve yapay sinir ağları kullanılarak yüzey suyu kalitesi parametrelerinin tahmini.
• Feng et al., 2020 -- "Enhancing Streamflow Forecast and Extracting Insights Using Long-Short Term Memory Networks with Data Integration at Continental Scales." LSTM tabanlı akarsu akışı tahmini; 671 havzada kıtasal ölçekte rekor NSE 0.86 değerine ulaşılması.