Laurentia Büyük Gölleri için Tarihsel Günlük ve Aylık Akışın Makine Öğrenimi Tabanlı Yeniden İnşası

Geçmiş Nehir Akışları Bugün Neden Önemli

Büyük Göller, dünyadaki tatlı su yüzey suyunun neredeyse beşte birini barındırır ve milyonlarca insan için içme suyu, ulaşım, enerji ve rekreasyon sağlar. Ancak bu göllere su sağlayan nehirler her zaman dikkatle ölçülmemiştir. Birçok akım ölçer kapatılmış veya kayıtlarında boşluklar oluşmuştur; bu da son onlarca yılda göllere gerçekten ne kadar su aktığını bilmeyi zorlaştırır. Bu makale, Büyük Göller’e günlük bazda 60 yıldan fazla süreyi dijital olarak “tekrar oynatmanın” yeni bir yolunu tanıtıyor; böylece topluluklar ve planlamacılar geçmişteki ıslak ve kurak dönemleri çok daha net görebilir ve gelecekteki iklim ile su seviyesi değişikliklerine daha iyi hazırlanabilir.

Eksik Parçaları Tamamlama

Akım ölçerler, bir nehirden ne kadar su aktığını ölçmenin temel araçlarıdır. Kuzey Amerika genelinde bunların binlercesi ekipman arızaları ve bütçe kesintileri nedeniyle kullanımdan kaldırıldı veya kayıtlarında boşluklar oluştu. Boşlukları doldurmak için kullanılan geleneksel yöntemler sıklıkla bireysel nehirler üzerine odaklanır veya yerel ayrıntıları yakalayamayacak kadar kaba olan küresel bilgisayar modelleri kullanır. Günlük dalgalanmaları—sel, kuraklık ve suyun yerel sistemler içinde nasıl hareket ettiğini anlamak için kritik olan—izlemede zorlanabilirler. Büyük Göller havzası ekstra karmaşıklık getirir: alanın neredeyse üçte birinde hiçbir ölçer yoktur, havza ABD–Kanada sınırını aşar ve farklı iklimler, topraklar, kentler, çiftlikler, ormanlar ve sulak alanlardan oluşan bir mozaik içerir.

Bir Sinir Ağına Nehirleri Okutmak

Yazarlar, zaman içinde ortaya çıkan desenleri öğrenmek için tasarlanmış bir sinir ağı türü olan Uzun Kısa Süreli Bellek (LSTM) ağı adlı yapay zekâ türüne yönelirler. İklim, arazi kullanımı ve insan su yönetimindeki yavaş değişimleri daha iyi yakalamak için 1950–2013 arasındaki dört tarihsel dönem için ayrı LSTM modelleri eğitirler. Her model, Büyük Göller bölgesindeki yüzlerce havza için üç tür bilgiyle beslenir: günlük hava verileri (yağış ve sıcaklık), her havzanın sabit fiziksel özellikleri (yükselti, eğim, topraklar ve arazi örtüsü gibi) ve—en önemlisi—benzer davranış gösteren yakınlardaki “donör” akım ölçerlerden gelen akım verileri. Bir yardımcı makine öğrenimi aracı önce hangi ölçerlerin birlikte yükselip düştüğünü öğrenir, sonra her hedef konum için en iyi donörleri seçer. Bu düzen, ağın yağış ve kar erimesinin farklı peyzajlarda ne şekilde nehir akışına dönüştüğünü öğrenmesini sağlar.

Bireysel Nehirlerden Tüm Göllere

Eğitildikten sonra, en iyi performans gösteren model (hem iklim hem de donör ölçer bilgilerini kullanan) 1951–2013 için 656 ölçümlü noktada eksiksiz günlük akış kayıtları üretmek üzere kullanılır. Araştırmacılar bir adım daha ileri gider: aynı modeli, Superior, Michigan–Huron, St. Clair, Erie ve Ontario olmak üzere beş Büyük Göl’e doğrudan akan 128 kıyı havzasına uygularlar. Bu havzaların her biri için model, ölçersiz alanlardaki akışları tahmin eder ve bunları iç ölçerlerden elde edilebilen gözlemlerle harmanlar. Bu günlük değerler daha sonra her göle akan suyun aylık toplamlarını üretmek üzere toplanır.

Dijital Nehirleri Gerçeklikle Karşılaştırma

Araştırmacılar modellerinin, eğitimde kullandığı sitelerde ve hiç kullanmadığı sitelerde ne kadar iyi performans gösterdiğini dikkatle test ederler. On yıllar boyunca model, sadece iklim ve havza özelliklerine dayanan daha basit bir versiyona kıyasla günlük akışları daha doğru biçimde yeniden üretir; özellikle yakındaki donör ölçerlerden yararlanabildiğinde başarı öne çıkar. Kısmi kayıtlara sahip ölçerler için “boşlukları doldurmada” özellikle başarılı olurken, tamamen ölçersiz havzalarda da rekabetçi performans sergiler. Ekip, göllere yeniden inşa edilmiş aylık akışlarını ajansların kullandığı birkaç mevcut ürünle karşılaştırdığında, son on yıllarda güçlü bir uyum görür ve birçok durumda, özellikle yalnızca yağış–akış denklemlerine dayanan modellerle karşılaştırıldığında, daha belirgin zirve akışları elde eder.

Bunun Büyük Göller Su Seviyeleri İçin Anlamı

Yeni veri seti, kara kaynaklı suyun son altı on yılda Büyük Göller’e nasıl aktığını gösteren en ayrıntılı ve uzun süreli görünümlerden birini sunar. Su yöneticileri için bu, göl su dengesi modellerine daha iyi girdiler, geçmiş seller ve kuraklıklar için daha keskin tahminler ve değişen bir iklim altında belirsiz gelecek su seviyelerini planlarken daha fazla güven anlamına gelir. Yöntem uzun süreli hava verilerine ve mevcut ölçer ağlarına dayanıyor—nispeten yeni uydu kayıtlarına değil—bu nedenle geriye doğru uzatılabilir ve benzer izleme boşluklarıyla karşılaşan diğer bölgelere de uygulanabilir. Kısacası, bu çalışma nehir akışı için güçlü bir “geri sarma düğmesi” sağlar; toplulukların geçmişte Büyük Göller suyunun nereden geldiğini daha iyi anlamalarına ve önümüzdeki yıllarda daha akıllıca yönetmelerine yardımcı olur.

Atıf: Gupta, R.S., Wi, S. & Steinschneider, S. Machine Learning-Based Reconstructions of Historical Daily and Monthly Runoff for the Laurentian Great Lakes. Sci Data 13, 624 (2026). https://doi.org/10.1038/s41597-026-07000-0

Anahtar kelimeler: Büyük Göller yüzey akışı, akım rekonstrüksiyonu, makine öğrenimi hidrolojisi, su seviyesi değişkenliği, iklim değişikliğinin etkileri