Nehir suyu kalitesi izleme için oksijenle ilgili indeksleri kullanan sağlam bir makine öğrenimi modeli ile su kalitesi indeksi tahmini

Nehir Oksijeninin Herkes İçin Neden Önemi Var

Temiz nehirler yalnızca manzara unsuru değil; içme suyu kaynakları, sulama hayat hatları ve balık ile yaban hayatı için habitatlardır. Ancak dünya genelindeki birçok nehir, kirliliğin sudan oksijeni çekmesiyle yavaşça boğuluyor. Bu çalışma, birkaç oksijenle ilgili ölçümü ve makine öğrenimini kullanarak anlaşılması kolay bir su kalitesi puanını tahmin eden daha akıllı bir nehir sağlığı izleme yöntemi sunuyor. Amaç, topluluklara ve karar vericilere nehirler kriz noktasına ulaşmadan önce sorunu tespit edebilecek hızlı ve güvenilir bir araç sağlamaktır.

Karmaşık Bir Nehir İçin Basit Bir Puan

Su bilimciler genellikle onlarca kimyasal ve biyolojik ölçümü tek bir Su Kalitesi İndeksi (WQI) içinde sıkıştırır. Bu puan, uzman olmayanların suyun mükemmel, iyi, orta veya kötü olup olmadığını bir bakışta görmesini sağlar. Ancak birçok WQI versiyonu oksijeni ya dolaylı olarak ele alır ya da oksijenin sucul yaşam için ne kadar merkezi olduğunu tam olarak kullanmaz. Oksijen, balıkların nefes alıp alamayacağını, mikropların atıkları parçalayarak oksijeni ne kadar tükettiğini ve bir kirlilik olayından sonra nehrin toparlanıp toparlanamayacağını bize söyler. Yazarlar, daha akıllı bir indeksin yaygın olarak ölçülen ve nehir ekosistemlerinin hayatta kalmasıyla doğrudan ilişkili olduğu için oksijenle ilgili bilgilere güçlü bir ağırlık vermesi gerektiğini savunuyor.

Üç Çok Farklı Nehri İzlemek

Bu fikri test etmek için araştırmacılar İran’daki üç zıt nehre odaklandı. Biri büyük sıcaklık değişimleri olan sıcak, yarı kurak bir havzadan akıyor; diğeri Hazar Denizi yakınlarındaki dağlık bir bölgeden soğuk ve hızlı akıyor; üçüncüsü ise çevresel baskı altındaki Urmiye Gölü’ne dökülüyor. Birlikte, temiz, iyi oksijenlenmiş kesitleri ve tarım, şehirler ve sanayiden etkilenen daha bulanık, stres altındaki kesimleri kapsıyorlar. Bu nehirler boyunca onlarca istasyonda ekipler sıcaklık, çözünmüş oksijen, asitlik ve elektriksel iletkenlik gibi temel saha özelliklerini ölçtü ve organik kirlilik, askıda katı madde, besinler ve bakteri için laboratuvarda analiz etmek üzere örnek topladı.

Su Okumayı Öğrenen Bir "Süper Model" Eğitmek

Bu zengin veri setinden yazarlar, Destek Vektör Regresyonu olarak bilinen bir makine öğrenimi tekniğini kullanarak "Süper Model" adını verdikleri bir model inşa ettiler. Algoritmaya mevcut her kimyasalı vermek yerine çözünmüş oksijen, biyokimyasal oksijen ihtiyacı, kimyasal oksijen ihtiyacı ve su sıcaklığı gibi küçük bir oksijenle ilişkili gösterge setine odaklandılar. Bu ölçümler suda ne kadar oksijen olduğunu, organik ve kimyasal kirlilik tarafından ne kadar çabuk tüketildiğini ve sıcaklığın bu süreçleri hızlandırıp yavaşlattığını yakalar. Model, geleneksel WQI puanlarını yansıtmakla birlikte esas olarak bu temel oksijen sinyallerine dayanan yeni bir oksijen-tabanlı su kalitesi indeksi WQIOIs’yi tahmin edecek şekilde eğitildi.

Doğruluk, Genelgeçerlik ve Anlaşılabilirliği Kontrol Etmek

Araştırma ekibi sonra üç temel soru sordu: Model ne kadar doğru, ne kadar genellenebilir ve kararları anlaşılabilir mi? Önce modelin WQIOIs’yi son derece iyi tahmin ettiğini gösterdiler; varyansın %95’inden fazlası açıklandı ve ortalama hatalar çok küçüktü. İkincisi, eğitim sırasında hiç "görmediği" nehirlerde test edildiğinde model hâlâ birçok ek ölçüm kullanan daha karmaşık, geleneksel bir indeksle yakından eşleşti. Bu, dikkatle seçilmiş birkaç oksijen göstergesinin tam bir laboratuvar çalışmasının yerini alabileceğini gösteriyor. Üçüncüsü, yazarlar model mantığını incelemek için SHAP adlı bir yorumlanabilirlik yöntemi kullandı. Analiz, yüksek çözünmüş oksijenin kalite puanını güçlü şekilde yükselttiğini; yüksek sıcaklık ve ağır organik kirliliğin puanı düşürdüğünü doğrulayarak iyi bilinen ekolojik anlayışla tutarlı olduğunu gösterdi, veri içindeki gizli tuhaflıklar yerine.

Sayılar Biriktikten Gerçek Zamanlı Uyarılara

Teknik testlerin ötesinde çalışma, bu aracın pratikte nasıl çalışabileceğini inceliyor. Nehir koşullarını "Soğuk ve Sağlıklı" veya "Sıcak ve Oksijen Kıtlığı" gibi kategorilere kümeleyerek yöneticiler, örneğin yaz aylarında düşük akış sırasında suyun daha az oksijen tutması gibi bir nehrin riskli bir duruma girdiğini görebilir. Model ayrıca örnekleri sıralayarak sınırlı bütçe ve personel olduğunda az sayıda ölçümle gerçek anlamda etkilenen alanların çoğunu işaretleyebilir. Gerekli ölçümler ucuz ve yaygın olduğundan, aynı çerçeve birçok bölgede, laboratuvar kapasitesi sınırlı olan yerler de dahil olmak üzere, basit panolara veya erken uyarı sistemlerine entegre edilebilir.

Bu Nehirler ve İnsanlar İçin Ne Anlama Geliyor

Günlük ifadeyle çalışma, bir nehrin sağlığını onun nasıl "nefes aldığına" bakarak çok doğru bir şekilde değerlendirebileceğimizi gösteriyor. Dikkatle eğitilmiş bir makine öğrenimi modeli aracılığıyla yorumlanan kompakt bir oksijenle ilişkili test seti, çok daha karmaşık ve maliyetli izleme şemalarının performansına ulaşabilir. Bu, kirliliğin daha hızlı ve daha uygun maliyetli takibi, denetimler ve temizlik çabaları için daha iyi zamanlama ve bir nehrin balık, tarım veya rekreasyon için ne zaman güvenli olduğu konusunda halka daha net iletişim anlamına gelir. Benzer modeller yayıldıkça ve diğer bölgelere uyarlanınca, dünya çapında gerçek zamanlı, veri odaklı nehir korumasının belkemiği haline gelebilirler.

Atıf: Arzhangi, A., Partani, S. Water quality index prediction via a robust machine learning model using oxygen-related indices for river water quality monitoring. Sci Rep 16, 6102 (2026). https://doi.org/10.1038/s41598-026-36156-3

Anahtar kelimeler: nehir suyu kalitesi, çözünmüş oksijen, su kalitesi indeksi, makine öğrenimi, çevresel izleme