Subtropikal muson havzasında günlük akım tahmini için makine öğrenmesi modellerinin karşılaştırmalı değerlendirmesi

Neden nehir tahminleri günlük yaşam için önemli

Muson bölgelerindeki nehirler birkaç saat içinde sakin halden felakete dönüşebilir; yaşamları, konutları ve su arzını tehdit ederler. Bir nehre her gün ne kadar su akacağını doğru biçimde tahmin etmek, sel uyarıları, baraj işletimi ve kentlere su sağlayan musluklar için temel oluşturur. Bu çalışma, Güney Çin’deki subtropikal bir nehir sistemini ele alıyor ve küresel ölçekte pratik bir soruyu gündeme getiriyor: günümüzde popüler olan makine öğrenmesi araçları arasında, özellikle tehlikeli sel olayları sırasında günlük nehir akışını en iyi kim tahmin ediyor?

Fırtına eğilimli bir nehir baskı altında

Araştırma, Guangdong–Hong Kong–Macao Büyük Körfez Bölgesi’ne su sağlayan Dongjiang Nehri’nin bir bölümü olan Boluo havzasına odaklanıyor. Bölge tipik bir muson iklimine sahip: yağışların çoğu birkaç yoğun ay içinde düşer ve sıklıkla cephe sistemleri ve tayfunlarla gelir. Bu doğal değişkenliğin üzerine büyük bir baraj ve diğer insan müdahaleleri akımların zamanlamasını ve büyüklüğünü yeniden şekillendiriyor. Yazarlar yağış ölçerler, meteoroloji istasyonları ve anahtar noktalardaki nehir akım ölçerlerinden onlarca yıllık günlük veriyi topladı ve kayıtları gerçek dünya tahmini simüle etmek için eğitim yılları ve test yılları olarak ayırdı. Bu sayede farklı algoritmaların hem yüksek mevsimselliğe sahip hem de yoğun biçimde yönetilen bir nehir sistemiyle nasıl başa çıktığı görüldü.

Yedi dijital tahminci karşı karşıya

Ekip yedi yaygın makine öğrenmesi modelini karşılaştırdı: basit bir Doğrusal Regresyon, üç tür ağaç tabanlı topluluk yöntemi (Random Forest, Extra Trees ve Gradient Boosting, XGBoost dahil), klasik bir Yapay Sinir Ağı ve zaman dizilerini ele almak üzere tasarlanmış daha gelişmiş bir Uzun Kısa Süreli Bellek (LSTM) sinir ağı. Her model aynı prosedürlerle dikkatle ayarlandı ve birkaç doğruluk ölçütüyle değerlendirildi. Tüm koşullar göz önüne alındığında, yedi model de makul derecede iyi tahminler üretip veri odaklı yaklaşımların nehir tahmini için güçlü araçlar olduğunu doğruladı. Ancak belirgin farklılıklar ortaya çıktı. LSTM modeli birinci sırada yer aldı, onu konvansiyonel sinir ağı yakın takip etti; oysa basit doğrusal model şaşırtıcı derecede iyi performans göstererek ağaç tabanlı yöntemlerin tümünü geride bıraktı.

Nehir gürlediğinde modeller nasıl davranıyor

Sel tahmininin gerçekten önemli olduğu yer aşırı akımlardır; bu nedenle yazarlar yüksek akım günlerine ve kayıttaki en büyük üç sel olayına odaklandı. Bu aşırı koşullar altında farklar belirginleşti. LSTM ayakta kalmayı sürdürdü ve akımlar 90., 95. ve hatta 99. yüzdelik dilimleri aştığında—nehrin en tehlikeli olduğu günlerde—en doğru tahminleri verdi. Bazı zirveleri hâlâ düşük tahmin etti, ancak genellikle yüzde 20’den az bir sapmayla. Standart sinir ağı makul performans gösterirken, ağaç tabanlı modeller sıklıkla zirve büyüklüklerini yüzde 30–50 aralığında kaçırdı ve en yüksek akımlı günlerde uzun dönem ortalamasını kullanmaktan daha kötü performans sergilediler. Yine de çoğu model zirvenin hangi günde olacağını yaklaşık bir gün içinde doğru zamanladı; bu, kesin yükseklik tam olarak tahmin edilemiyor olsa bile uyarı vermek için kritik öneme sahip.

Nehri gerçekten sürükleyen etkenler

“Kara kutu” tahminlerin ötesine geçmek için çalışma, modeller için hangi girdilerin en önemli olduğunu inceledi. SHAP adıyla bilinen oyun kuramından esinlenmiş bir yöntem de dahil olmak üzere birden fazla teknik aynı sonuca işaret etti: Lingxia adlı yukarı akımdaki bir ölçer tarafından ölçülen akım tahminleri domine ediyordu. Başka bir deyişle, genellikle yukarı akımdaki dünün su seviyesi, bugünkü yağış toplamlarından daha bilgilendiriciydi. Bu, nehrin yakın dönemdeki fırtınaların, toprak neminin ve yeraltı suyunun etkilerini mevcut akıma entegre ettiği türden bir hidrolojik hafızayı yansıtıyor. Araştırmacılar yukarı akım verisini çıkardıklarında LSTM’in yeteneği keskin biçimde düştü; yağış verisini çıkardıklarında performans neredeyse değişmedi. Bu, bu havza için günlük tahminlerde sistemde zaten ne kadar su olduğunun izlenmesinin daha fazla yağış ölçeri eklemekten daha önemli olabileceğini öne sürüyor.

Bulguların sel güvenliği için anlamı

Uzman olmayanlar için çıkarılacak ders net: LSTM gibi dünkü koşulları hatırlayan akıllı modeller, özellikle sel tehdidi yükseldiğinde, birçok popüler alternatife göre daha güvenilir nehir tahminleri sağlayabilir. Aynı zamanda iyi tasarlanmış basit bir model de özellikle iyi yukarı akım ölçümleri varsa şaşırtıcı derecede etkili olabilir. Çalışma, sel tahminini iyileştirmenin yalnızca daha karmaşık algoritmalar veya daha fazla yağış verisi kullanmakla ilgili olmadığını; nehrin yerleşik hafızasını yakalamak ve veri odaklı araçları fiziksel anlayışla birleştirmenin önemli olduğunu vurguluyor. Bu tür ilerlemeler, muson etkisindeki bölgelerde su yöneticilerinin bir sonraki büyük fırtına yaklaştığında daha erken ve daha emin kararlar almasına yardımcı olabilir.

Atıf: Zhang, Z., Xiao, Y., Chen, R. et al. Comparative assessment of machine learning models for daily streamflow prediction in a subtropical monsoon watershed. Sci Rep 16, 7341 (2026). https://doi.org/10.1038/s41598-026-38969-8

Anahtar kelimeler: akım tahmini, sel tahmini, makine öğrenmesi, LSTM sinir ağları, muson nehirleri