GRPO optimizasyonlu MLA-Mamba hibrit sinir ağıyla yüzey suyu kalitesi tahmini

Nehir sağlığını öngörmenin önemi

Nehirler ve göller içme suyu kaynaklarımız, sulama teminimiz ve yabani yaşam habitatlarımızdır. Ancak çiftliklerden, fabrikalardan veya şehirlerden gelen kirlilikle kaliteleri hızla değişebilir. Yetkililer çoğu zaman zararı ancak gerçekleştikten sonra fark eder. Bu çalışma, modern yapay zekânın akıllı bir erken uyarı sistemi gibi davranarak su kalitesindeki değişiklikleri günler öncesinden tahmin etmesini ve yöneticilere müdahale için zaman kazandırmasını araştırıyor.

Eski araçlar, yeni sorunlar

On yıllardır bilim insanları su kalitesini matematiksel formüller ve geleneksel istatistiklerle tahmin etmeye çalıştı. Bu yöntemler ya kimya ve akışı ayrıntılı biçimde simüle eder ya da geçmiş ölçümleri göreli olarak basit eğrilerle uyarlar. Her iki yaklaşım da, hava durumu, yukarı akış deşarjları ve biyolojik etkinliğin karmaşık, doğrusal olmayan etkileşimlerde bulunduğu nehirlerin dağınık gerçeğiyle başa çıkmakta zorlanır. Genellikle ani kirlilik sıçramalarını kaçırır veya bir izleme istasyonundaki koşulların aşağı akışa nasıl dalga olarak yayıldığını hesaba katmazlar. Sonuç olarak, tahminler güvenli kararlar için çok kaba olabilir.

Bir sinir ağına nehri “okutmaya” öğretmek

Yazarlar, mekân ve zamanın bu karmaşası için özel olarak tasarlanmış yeni bir derin öğrenme modeli, MLA-Mamba öneriyorlar. Model, tek bir sensöre izole olarak bakmak yerine, bir haftalık saatlik veriyi birden çok izleme istasyonundan ve su sıcaklığı, akış ve asitlik gibi destekleyici bilgilerle birlikte alıyor. Ardından organik kirliliği ve besin yükünü gösteren dört temel göstergeleri tahmin etmeyi öğreniyor: kimyasal oksijen talebi indeksi (CODMn), amonyak (NH3–N), toplam fosfor (TP) ve toplam azot (TN). Model iki uzmanlaşmış bileşeni birleştiriyor. Biri zaman içindeki desenlere odaklanarak döngüleri, yavaş sürüklenmeleri ve gecikmeli etkileri tespit ediyor. Diğeri mekâna bakıp yukarı akış ve komşu istasyonların birlikte nasıl hareket ettiğini öğreniyor. Bu bakışları birleştirerek ağ, su kalitesinin nasıl evrildiğine dair daha zengin bir resim inşa ediyor.

Zaman eğilimlerini ve yukarı akış etkisini yakalamak

MLA-Mamba çerçevesinde "Mamba" modülü zamansal öyküye yoğunlaşıyor. Uzun ölçüm dizilerini tarayarak, durum-uzay modellerinden ve modern tekrarlayan ağlardan esinlenen fikirleri kullanıp günler öncesinden gelen bilgiyi bunalmadan tutabiliyor. Bu, mevsimsel desenleri ve geçmiş bozulmalardan kalan etkileri tanımasına yardımcı oluyor. Paralel olarak, "Çok Başlı Yerel Dikkat" modülü her istasyonun diğerleriyle o an ne kadar ilişkili olduğunu tartıyor ve aynı nehir kesimindeki yakındaki sitelere doğal bir öncelik veriyor. Yukarı akıştaki bir istasyon aniden amonyakta sıçrama kaydederse, dikkat mekanizması aşağı akış koşullarını tahmin ederken hızlıca o sinyale odaklanabiliyor. Çok görevli bir yapı, modelin dört su kalitesi göstergesini birlikte öğrenmesine izin veriyor; böylece bir kirleticideki değişimler diğerleri için beklentileri bilgilendirebiliyor.

Gürültülü çevresel veriler için daha akıllı eğitim

Böyle bir ağı gerçek dünya sensör kayıtları üzerinde eğitmek zordur: veriler gürültülüdür, boşluklar olur ve standart optimizasyon yöntemleri takılıp kalabilir. Bunu ele almak için araştırmacılar Gradient Reparameterization Optimization (GRPO) adını verdikleri özel bir eğitim stratejisi sunuyorlar. GRPO, ağdaki her parametrenin ne kadar hızlı öğrendiğini, zaman içinde gradyanın davranışına göre ayarlıyor; kararlı yönlerde hızlandırma, güncellemelerin salınıma başladığı durumlarda yavaşlama yapıyor. Ayrıca hata yüzeyinin düz kısımlarında öğrenmenin durmasını önlemek için asgari bir adım boyutu uyguluyor. Ekip, aşırı uyumu önlemenin ötesinde belirsizliği tahmin etmek için dropout'u da kullanıyor: modeli birkaç kez çalıştırıp tahminlerin ne kadar değiştiğini inceleyerek güven aralıkları elde ediyorlar. Bu, yöneticilere herhangi bir tahminin ne kadar güvenilir olduğuna dair bir duygu veriyor.

Modeli teste sokmak

Yazarlar MLA-Mamba’yı Çin’deki birbirinin yukarı akışında yer alan iki nehir istasyonundan birkaç yıllık saatlik veriler üzerinde değerlendiriyor. Model önceki yedi günü alıp sonraki üç günü tahmin ediyor. Klasik istatistiksel yöntemlerden uzun-kısa süreli bellek (LSTM) ağları, konvolüsyonel-tekrarlayan hibritler ve Transformer modelleri gibi modern derin öğrenme mimarilerine kadar sekiz alternatife karşı kıyaslanıyor. Dört gösterge ve her iki konum genelinde MLA-Mamba tutarlı şekilde en düşük tahmin hatalarını veriyor. Birçok durumda güçlü derin öğrenme karşılıklarına kıyasla tipik hataları %10–20 oranında azaltıyor. Kontrol amaçlı testlerde modelin parçaları devre dışı bırakıldığında—uzamsal dikkatin kaldırılması, Mamba modülünün yerine standart bir LSTM konması, GRPO optimizatörünün kapatılması veya her göstergenin ayrı eğitilmesi—performans belirgin şekilde düşüyor. Bu, her bileşenin elde edilen kazanımlara katkıda bulunduğunu gösteriyor.

Su kaynaklarını korumak için bunun anlamı

Basitçe söylemek gerekirse, çalışma, özel bir hibrit sinir ağının nehir kirliliğinin kısa vadeli tahminlerinde bugünün standart araçlarından daha doğru ve güvenilir sonuçlar üretebileceğini gösteriyor. Aynı anda birden fazla kirleticiyi birden fazla istasyonda izleyerek ve tahminlerinin ne kadar kesin olduğunu nicelendirerek, MLA-Mamba çerçevesi eşikler aşıldığında denetimleri veya geçici önlemleri tetikleyecek erken uyarı sistemlerini destekleyebilir. Yöntem hâlâ iyi kalitede izleme verilerine bağlıdır ve daha fazla nehir ve ekstrem olay üzerinde test edilmelidir, fakat yüzey sularının daha akıllı, veri odaklı yönetimine yönelik umut verici bir yol sunuyor.

Atıf: Wei, R., Chen, H. & Wang, H. Surface water quality prediction via an MLA-Mamba hybrid neural network with GRPO optimization. Sci Rep 16, 5845 (2026). https://doi.org/10.1038/s41598-026-36229-3

Anahtar kelimeler: su kalitesi tahmini, nehir kirliliği, derin öğrenme, uzamsal-zamansal modelleme, çevresel izleme