Toplam Su Depolama Anomalisi Uzatımı için Makine Öğrenimi Yaklaşımı 1980’e Kadar (ML-TWiX)

Uzun vadeli su değişikliklerinin önemi

Toprağında, karda, nehirlerde, göllerde ve yeraltında depolanan su miktarı aydan aya ve on yıldan on yıla değişir. Bu değişimler kuraklıkları, selleri, gıda üretimini ve hatta küresel deniz seviyesini etkiler. Uydular bize bu değişimlerin gezegen çapındaki güçlü bir görünümünü yalnızca 2000’lerin başından beri sağlıyor; bu da uzun vadeli iklim desenlerini tam olarak anlamak için yeterince uzun bir kayıt değil. Bu çalışma, ML-TWiX’i tanıtıyor: karasal su depolaması değişikliklerinin küresel kaydını 1980’e kadar uzatan, makine öğrenimine dayalı bir yeniden yapılandırma; bu, bilim insanları ve karar vericilerin Dünya’nın su döngüsündeki çok on yıllıktan gelen eğilimleri görmesine yardımcı oluyor.

Uzaydan gizli suyu görmek

GRACE ve GRACE Follow-On görevlerindeki uydular suyu doğrudan görmez. Bunun yerine gezegen etrafında hareket eden suyun neden olduğu Dünya’nın yerçekimindeki çok küçük değişimleri ölçerler. Bu yerçekimi değişimlerinden, bilim insanları “toplam su depolama anomalileri”ni çıkarır—karada depolanan su miktarının uzun vadeli ortalamadan ne kadar farklılaştığı. Bu veriler yeraltı suyu tükenmesi, uzun süreli kuraklıklar, nehir havzası selleri ve karasal suyun deniz seviyesi yükselmesine yaptığı katkılar hakkındaki anlayışımızı dönüştürdü. Ancak GRACE tarzı gözlemler yalnızca yaklaşık iki on yılı kapsıyor; bu da yavaş iklim kaynaklı eğilimleri güvenilir şekilde tespit etmek veya bugünün aşırılıklarını yakın geçmiştekilerle karşılaştırmak için çok kısa bir kayıt bırakıyor.

Bilgisayarlara modellerden öğrenmeyi öğretmek

Uydu verilerinin sunduğunun ötesine geçmek için yazarlar makine öğrenimine başvuruyor. Birçok bilgisayar modeli zaten suyun nasıl hareket ettiğini ve karada nasıl depolandığını simüle ediyor, ancak her modelin kör noktaları var—bazıları karı iyi ele alırken yeraltı suyunu gözden kaçırıyor, bazıları insan su kullanımını dahil ediyor ama nehirleri basitleştiriyor, vb. ML-TWiX, 1980–2012 dönemini kapsayan bu tür on üç küresel modelin çıktılarını alıyor ve 2002–2012 yılları arasındaki GRACE gözlemlerini eğitim hedefi olarak kullanıyor. Random Forest, XGBoost ve Gaussian Process Regression olmak üzere üç farklı öğrenme algoritması, hücre hücre öğretilerek bu modellerin nasıl birleştirileceğini öğreniyor; amaç, birleşik çıktılarının GRACE uçuşu sırasında gerçekten gördükleriyle eşleşmesini sağlamak.

Birçok görüşü birleştirerek daha güçlü bir resim oluşturmak

Tek bir tekniğe güvenmek yerine ML-TWiX bir topluluk (ensemble) yaklaşımı kullanıyor. Üç makine öğrenimi yönteminin her biri biraz farklı ayarlarla birden çok kez eğitiliyor, sonra tüm tahminleri ortalanıyor. Bu havuzlama, herhangi bir modelin tuhaflıklarının etkisini azaltır ve nemli tropiklerden kuru çöllere ve karın baskın olduğu yüksek enlemlere kadar çeşitli iklimler boyunca nihai ürünü daha sağlam kılar. Önemli olarak, topluluk üyeleri arasındaki yayılma da kaydediliyor; bu, yeniden yapılandırmanın nerede daha güvenilir veya daha az güvenilir olduğunu gösteren bir belirsizlik haritası sağlar. Belirsizlik Amazon ve muson bölgeleri gibi çok dinamik su döngülerine sahip bölgelerde genellikle daha yüksek, depolama değişikliklerinin daha küçük olduğu daha kurak bölgelerde ise daha düşüktür.

Yeni kaydı teste tabi tutmak

Yazarlar makine öğrenimi çıktısına körü körüne güvenmiyor; bunu birkaç bağımsız kanıt hattına karşı kontrol ediyorlar. İlk olarak, GRACE’ın çalıştığı yıllarda yeniden yapılandırılmış su depolama, yüzlerce büyük nehir havzası genelinde uydu kaydıyla yakından örtüşüyor; korelasyonlar çok yüksek ve hatalar düşük. İkincisi, ML-TWiX’i yerçekimi değişimlerini algılayan daha eski bir teknik olan uydu lazer ölçümleriyle türetilen tahminlerle karşılaştırıyorlar ve yeni veri setinin bu sinyalle GRACE’in kendisi kadar iyi eşleştiğini buluyorlar. Üçüncüsü, yeniden yapılandırılmış depolamadaki aydan aya değişimlerin yağış, buharlaşma ve nehir akışı ile ilişkili temel su bilanço denklemine tutarlı olup olmadığını test ediyorlar. Son olarak, küresel bir deniz seviyesi bütçesi kullanıyorlar: kara daha fazla su depoladığında okyanuslar geçici olarak düşmeli, ve tersi de geçerli. ML-TWiX’in küresel ortalaması özellikle uydu döneminde deniz-seviyesi tabanlı tahminlerle iyi uyum sağlıyor.

Bu, Dünya’nın su geleceğini anlamak için ne anlama geliyor

Uzman olmayanlar için ML-TWiX, birçok kusurlu bilgisayar simülasyonu ile kısa ama yüksek güvenilirlikte bir uydu kaydı arasında akıllı, veri odaklı bir “çevirmen” olarak düşünülebilir. Bu simülasyonların GRACE yıllarında nasıl davrandığını öğrenerek, benzer ilişkileri 1980’e kadar geri oynatabilir ve karasal su depolama değişikliğinin aylık küresel haritalarına ikiden fazla on yıl ekleyebilir. Yeniden yapılandırma, uyduların kullanılabilir olmadığı dönemlerde daha az kesin olmakla birlikte ve her şeyi yakalayamayabilir—özellikle iklimin veya insan su kullanımının yeni şekillerde değişmiş olabileceği yerlerde—yine de son on yıllarda Dünya’nın karasal suyunun nasıl değiştiğine dair en tutarlı ve titizlikle test edilmiş görüntülerden birini sunuyor. Bu daha uzun perspektif, araştırmacıların ve planlamacıların bugünün kuraklıklarını, sellerini ve su baskılarını daha geniş bir tarihsel ve iklim bağlamına yerleştirmesine yardımcı olmalıdır.

Atıf: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

Anahtar kelimeler: karasal su depolaması, GRACE uyduları, makine öğrenimi hidrolojisi, küresel su döngüsü, deniz seviyesi değişimi