Geniş sulama bölgelerinde yeraltı suyu seviyesi tahmini için eşleştirilmiş mekânsal indirgeme–yenidenkonstrüksiyon ve LSTM çerçevesi (SRR-LSTM)

Çiftçiler ve kentlerin gizli suya neden önem vermesi gerekiyor

Birçok kurak bölgedeki bitkilerin büyümesini ve muslukların akmasını sağlayan su, gördüğümüz nehirler veya barajlardan değil, akifer adı verilen geniş yeraltı rezervlerinden gelir. Sulama yaygınlaştıkça ve kuraklıklar şiddetlendikçe, bu gizli su stokları doldurulmalarından daha hızlı şekilde tüketiliyor. Bunları akıllıca yönetmek, ay ay ve tarladan tarlaya büyük sulama bölgelerinde yeraltı suyu seviyelerinin nasıl değişeceğini öngörebilen, süper bilgisayarlara veya onlarca yıllık ölçümlere ihtiyaç duymayan araçlar gerektirir. Bu çalışma, Kuzeydoğu Çin’deki büyük bir sulama bölgesi için tam olarak bunu yapan yeni bir yolu tanıtıyor.

Baskı altındaki susuz bir manzara

Araştırma, Tao’er Nehri Havzası düzlüklerinde yer alan ve 1.904 kilometrekarelik bir tarım bölgesi olan Taobei Sulama Bölgesi’ne odaklanıyor. Bölge yarı kurak bir iklime sahip: sınırlı yağışın çoğu birkaç yaz ayına sıkışmış durumda ve buharlaşma yüksek. 1990’ların başlarından bu yana, özellikle su tüketimi yüksek olan pirinç tarlaları başta olmak üzere sulanan alanlar hızla genişledi; aynı zamanda bir dizi kurak yıl nehir akışlarını azalttı. Sonuç olarak, yeraltı suyu bazen sulama suyunun %90’ından fazlasını karşıladı. Bunun sonucu olarak, pirinç tarlalarının merkezinde geniş ve derin bir alçalma “konisi” oluştu; su tabloları geçmiş on yıllara göre artık 7–10 metreden fazla alçalmış ve nehir yatağının altına kadar inerek doğal nehir–akifer alışverişini tersine çevirip yerel ekosistemleri zorluyor.

Yavaş fizikten daha hızlı akıllı modellere

Bilim insanları uzun zamandır MODFLOW gibi fizik tabanlı bilgisayar modellerini yeraltı suyu davranışını simüle etmek için kullandı. Bu modeller, yüzey altındaki suyun hücre hücre nasıl hareket ettiğini tanımlayan denklemleri çözer. Doğrudurlar ancak özellikle iklim, nehir akışı ve pompalama politikalarının birçok kombinasyonunu araştırırken yavaştırlar. Makine öğrenimi ve derin öğrenme modelleri çok daha hızlı olabilir, fakat geçmiş girişimler genellikle bir bölgeyi tek bir modelle ele aldı veya sadece birkaç kuyuyu kullandı; bu da nehrin yakınında, kentlerin altında veya çeşitli ekinlerin altında yeraltı suyunun farklı biçimlerde davrandığını yakalamayı zorlaştırdı. Zorluk, gerçek dünya yönetimi için hesaplama süresini kullanılabilir düzeye indirirken yeterli fiziksel gerçekçiliği ve mekânsal ayrıntıyı korumaktır.

Araziyi gruplandırmak için akıllı bir yol

Yazarlar, klasik bir kümeleme yöntemiyle modern bir derin öğrenme ağını birleştiren “mekânsal indirgeme–yenidenkonstrüksiyon” çerçevesi (SRR-LSTM) öneriyor. Önce, farklı iklim gelecekleri ve pompalama yoğunluklarını karıştıran 16 senaryo altında mevcut ayrıntılı yüzey–yeraltı modeli (SWAT-MODFLOW) çalıştırılarak bölgedeki her 1 kilometrekarelik ızgara için uzun yeraltı suyu seviyesi zaman serileri üretiliyor. Ardından, arazi kullanımı, yükselti, akifer kalınlığı ve yeraltı suyu seviyelerinin dalgalanma kuvveti gibi benzer özelliklere sahip ızgaralar K-means adı verilen bir yöntemle kümelere ayrılıyor. Her küme için bir temsilci “kontrol” ızgarası seçiliyor ve aylık yağış, evapotranspirasyon, nehir akışı, pompalama ve önceki ayın su seviyesi girdilerinden o ızgaranın su seviyesini tahmin etmek üzere bir Uzun Kısa Süreli Bellek (LSTM) sinir ağı eğitiliyor.

Birkaç akıllı modelden ayrıntılı bir harita yeniden inşa etmek

Bu kontrol ızgarası modelleri eğitildikten sonra, çerçeve her bir modelin bölgedeki her ızgaranın su seviyesini ne kadar iyi tahmin ettiğini test ederek bir doğruluk haritası oluşturuyor. Her ızgara, kendisini en iyi tahmin eden modele atanıyor ve dış kenarındaki alçalma konisinin etrafı veya nehir yakınları gibi doğruluğun zayıf olduğu yerlerde ek kontrol ızgaraları ekleniyor. Bu ‘‘doğruluk odaklı’’ yeniden atama, bölgeyi paylaşılan bir modelin iyi çalıştığı zonlara etkili biçimde böler. Son kurulumda, paralel çalışan dokuz LSTM modeli her ay yüksek çözünürlüklü yeraltı suyu haritasını yeniden üretebiliyor. Üç alternatif düzenleme ve ayrıntılı fizik modelle karşılaştırıldığında, SRR-LSTM ızgaraların %96’sı için Nash–Sutcliffe Verimlilik skorlarını 0,9’un üzerinde gerçekleştiriyor—basit şemaların sağladığı %11–49 aralığından çok daha yüksek—ve hesaplama süresini yaklaşık %80 oranında azaltıyor.

Hangi kuvvetlerin en çok etkisi olduğunu görmek

Derin öğrenme kara kutusunu açmak için ekip, her girdinin—yağış, pompalama, nehir akışı vb.—farklı yerlerdeki tahminlere ne kadar katkıda bulunduğunu ortaya koyan SHAP adlı bir açıklama aracı kullanıyor. Sulama alanının kalbinde, yoğun pompalamanın yeraltı suyu eğilimlerini şekillendirmede yağıştan daha baskın olduğu görülüyor; bu da pirinç tarlalarının altındaki alçalma konisinin devamını ve genişlemesini açıklıyor. Buna karşın, koninin uzağındaki yukarı bölgelerde yağış daha büyük rol oynuyor. Nehir akışı, özellikle akarsu üst kesimlerinde kanal yakınında güçlü pozitif etki gösteriyor: akışlar belirli eşiklerin üzerine çıktığında nehirden sızıntı yoluyla akifere kayda değer bir beslenme sağlanıyor. Ancak bu fayda yüksek akımlarda doygunlaşıyor ve aşağı kesimlerde zayıflayan nehir akışları beslenme potansiyelini sınırlandırıyor. Analiz ayrıca, pompalama yoğun olduğunda aynı nehir akışının daha fazla beslenme ürettiğini; bunun nedeni su tablasının daha düşük olması ve nehirden akifere doğru eğimin dikleşmesi olduğunu gösteriyor.

Gizli suyu yönetmek için bunun anlamı

Uzman olmayanlar için ana mesaj şudur: Artık çok sayıda olası gelecek iklim ve pompalama politikası altında bile geniş tarım bölgelerinde yeraltı suyu değişikliklerini hem ayrıntılı mekânsal çözünürlükte hem de pratik hızda tahmin edebiliyoruz. Benzer davranan alanları gruplayıp her gruba kendi uyarlanmış derin öğrenme modelini vererek, SRR-LSTM çerçevesi yönetim için önemli yerel farklılıkları koruyor—örneğin pompalamayı azaltmanın en büyük etkiyi nerede yapacağı veya beslenmenin gerçekten başlaması için ne kadar ek nehir akışına ihtiyaç duyulduğu gibi. Aynı zamanda SHAP gibi araçlar karmaşık sinir ağlarını karar destek araçlarına dönüştürerek hangi kontrol kollarının—yağış, nehir işletimi veya yeraltı suyu çekimi—her parçadaki su seviyelerini en çok etkilediğini netleştiriyor. Bu ilerlemeler birlikte, görünmez suyu korumak ve gıda üretimini ile kırsal geçim kaynaklarını sürdürülebilir kılmak için sulama bölgelerinin daha hedefli, sürdürülebilir stratejiler tasarlamasına yardımcı olabilir.

Atıf: Wei, H., Wei, G., Yu, B. et al. A coupled spatial reduction-reconstruction and LSTM framework (SRR-LSTM) for groundwater level prediction in large irrigation districts. Sci Rep 16, 7450 (2026). https://doi.org/10.1038/s41598-026-37618-4

Anahtar kelimeler: yeraltı suyu, sulama, makine öğrenimi, LSTM, su yönetimi