Transfer öğrenimi ve uzamsal-zamansal grafik sinir ağlarına dayalı bir kanal suyu sıcaklığı tahmin yöntemi

Kanallarda kış suyunun önemi

Her kış, Çin’in Güney’den Kuzey’e Su Aktarım Projesi’nin dev kanalları donan havaya rağmen akışını sürdürmek zorunda. Kanal suyu çok soğursa buz kanalları tıkayabilir, yapılarına zarar verebilir ve milyonlarca insanın su tedarikini kesintiye uğratabilir. Ancak yeni kanal bölümlerinde tarihsel veri çok azdır; bu da geleneksel yöntemlerle su sıcaklığını tahmin etmeyi zorlaştırır. Bu çalışma, iyi izlenen bir kanal sisteminden bilgi ödünç alarak daha yeni, seyrek izlenen bir uzantıda kış suyu sıcaklığı tahminlerini iyileştiren yeni bir yapay zeka yaklaşımı sunar.

İki uzun kanal, ortak bir sorun

Araştırma, birbirine bağlı iki mega projese odaklanıyor: uzun süredir işletilen Merkezi Güzergâh ve Doğu Güzergâhı’nın daha yeni Kuzey Uzantısı. Her iki kanal da benzer iklimlerden geçer ve suyu kuzeye taşımak için açık kanallar, kapılar ve pompa istasyonları kullanır. Merkezi Güzergâh on yılı aşkın süredir işletiliyor ve hava sıcaklığı, su sıcaklığı ve akışa ilişkin yıllık kayıtlarla yoğun şekilde donatılmıştır. Buna karşılık Kuzey Uzantısı yalnızca tek bir kış mevsiminden kısa ve düzensiz bir kayıt sunar. Yazarların ana fikri, Merkezi Güzergâh’ı bir “öğretmen” kanal, Kuzey Uzantısı’nı ise bir “öğrenci” olarak ele almak; daha eski sistemden öğrenilen desenleri yeni sistemde su sıcaklıklarını tahmin etmeye aktarmaktır.

Bir modelin başka bir nehirden öğrenmesini öğretmek

Bunu başarmak için ekip transfer öğrenimi adlı bir strateji kullanır. Önce derin öğrenme tabanlı bir model kurarlar ve bunu Merkezi Güzergâh’taki üç istasyonun üç kışlık verisi üzerinde eğitirler. Bu ön eğitim aşamasında model, hava sıcaklığı, su sıcaklığı ve akışın tipik olarak birlikte nasıl yükselip düştüğünü ve bu bağlantıların günler ve haftalar boyunca nasıl tekrarladığını keşfeder. Ardından araştırmacılar aynı modeli Kuzey Uzantısı’na uyarlar; modelin bazı iç ayarlarını dondurarak genel kış davranışı hakkındaki “bildiklerini” korumasını sağlarlar ve diğer bölümleri sınırlı Kuzey Uzantısı verisiyle nazikçe ince ayar yaparlar. Bu, modelin yerel gözlemlere yıllarca ihtiyaç duymadan Merkezi Güzergâh’tan geniş fiziksel desenleri yeniden kullanmasını mümkün kılar.

Kanalları bağlı düğümlerin bir ağına dönüştürmek

Bilgi yeniden kullanımının ötesinde çalışma, kanal boyunca farklı konumların birbirini nasıl etkilediğini de yakalar. Yazarlar her bir izleme noktasını—yakın şehirlerdeki hava sıcaklığı, kapılardaki su sıcaklığı ve önemli enkesitlerdeki akış—bir graf üzerindeki düğüm olarak temsil eder. Düğümler arasındaki bağlantılar ortak su kaynakları veya coğrafi yakınlık gibi fiziksel ilişkileri yansıtır. Bu grafın üzerine, TF‑GTCN adlı uzamsal‑zamansal bir sinir ağı kurarlar. Modelin bir bölümü zaman ekseni boyunca bakar; özel tek boyutlu konvolüsyonlar kullanarak kısa vadeli dalgalanmaları ve daha uzun periyodik döngüleri tespit eder. Diğer bölüm ise bilgiyi grafik üzerinde yayar; böylece model, örneğin bir şehirdeki hava sıcaklığındaki değişikliklerin yakındaki bir kapıdaki su sıcaklığındaki değişikliklerden düzenli olarak önce geldiğini öğrenebilir.

Yeni yaklaşım ne kadar iyi çalışıyor?

Araştırmacılar TF‑GTCN modellerini tekrarlayan ağlar (RNN, LSTM, GRU), konvolüsyonel ağlar ve daha basit grafik tabanlı modeller dahil olmak üzere çeşitli yaygın derin öğrenme araçlarıyla karşılaştırır. Bir, üç, yedi veya on dört gün sonrası tahmini gibi birçok test koşusunda yeni yöntem genellikle en düşük hatayı üretir. Önemli istasyonlarda ortalama mutlak sıcaklık hatasını yaklaşık 1–1,4 °C’ye düşürür ve geleneksel modellere kıyasla hatayı yaklaşık 3 °C’ye kadar azaltır. Grafik tabanlı temel modeller saf zaman tabanlı modellere göre zaten daha iyi performans gösterirken, transfer öğrenimi ve daha rafine bir zamansal modül eklemek özellikle veri kıt olduğunda performansı daha da iyileştirir. Ayrıntılı analizler hava sıcaklığının su sıcaklığı değişimlerinin baskın sürücüsü olduğunu, önceki günün su sıcaklığı ve akışın ise önemli ikincil ipuçları sağladığını gösterir.

Bu kış işletmeleri için ne anlama geliyor

Su yöneticileri için pratik mesaj nettir: doğru türde bir yapay zeka ile, yeni bir kanaldan alınan kısa bir kayıt bile, ilgili ve veri açısından zengin bir sistemden öğrenildiği sürece faydalı kış tahminlerini destekleyebilir. TF‑GTCN modeli, su sıcaklıklarının donmaya yaklaşabileceği zaman ve yerleri öngörmenin bir yolunu sunar; bu da buz oluşmadan önce akışları veya işletmeleri ayarlamak için zaman kazandırır. Yöntemin daha fazla çevresel faktörle ve daha aşırı hava koşullarında test edilmeye ihtiyaç duymasıyla birlikte, büyük su aktarım projelerinin daha akıllı ve daha dayanıklı yönetimine doğru bir yön gösterir; soğuk aylarda muslukların akmaya devam etmesine ve altyapının güvende tutulmasına yardımcı olur.

Atıf: Lu, H., Tian, Y., Weng, P. et al. A channel water temperature prediction method based on transfer learning and spatial-temporal graph neural networks. Sci Rep 16, 5793 (2026). https://doi.org/10.1038/s41598-026-35408-6

Anahtar kelimeler: su sıcaklığı tahmini, transfer öğrenimi, graf sinir ağları, su aktarım kanalları, hidrolojik modelleme