Nezai değişken dönüştürücü ve sinyal ayrıştırmanın gerçek zamanlı nehir su seviyesi tahmini için yeni bir entegrasyonu: sürdürülebilir su kaynakları yönetimi için bir çıkarım

Kıyı Şehirlerini Koruyan Nehirleri İzlemek

Nehir deltaları boyunca yaşayan milyonlarca insan için suyun ani yükselmesi evlerin su altında kalması, ürünlerin zarar görmesi ve şehir yaşamının aksaması anlamına gelebilir. Ancak risk altındaki birçok nehir, özellikle daha yoksul veya uzak bölgelerde, günümüzün tahmin araçlarının genellikle gerektirdiği ayrıntılı hava ve akım ölçümlerinden yoksundur. Bu çalışma, yalnızca geçmiş su seviyesi okumalarını kullanarak günlük nehir su seviyesini tahmin etmenin yeni bir yolunu sunar; veri kıtlığı olan bölgelerde daha iyi taşkın hazırlığına yönelik umut verici bir yol açar.

Basit Nehir Kayıtları Neden O Kadar Basit Değil?

Nehir su seviyeleri gelgitler, yağış, yukarı havzadaki barajlar ve hatta uzak iklim desenlerinin itilip çekmesiyle yükselip alçalır. Bu iniş çıkışlar, fırtınalar veya yüksek gelgitler sırasında ani zirvelerle birlikte gürültülü ve düzensiz görünen zaman serileri oluşturur. Geleneksel bilgisayar modelleri genellikle yağış, sıcaklık, buharlaşma gibi birçok farklı girdiyi bekler ve yalnızca su seviyesi kayıtları mevcut olduğunda güçlük çeker. Khulna ve Mongla gibi kıyı şehirlerinden geçen Bangladeş’in Rupsa‑Pasur Nehri’nde durum tam da budur: yüksek taşkın riski ama sınırlı destekleyici veri. Yazarlar pratik bir soruyu yanıtlamaya çalıştı: elimizde yalnızca geçmişteki tek, engebeli bir ölçüm dizisi varken yine de günlük su seviyesini gerçek zamanlı ve yüksek doğrulukla tahmin edebilir miyiz?

Karmaşık Bir Sinyali Yönetilebilir Parçalara Ayırmak

Araştırmacılar bu zorluğa önce nehrin geçmişini daha dikkatli "dinleyerek" yaklaşıyor. Ham su seviyesi çizgisini doğrudan bir tahmin modeline vermek yerine, ileri düzey sinyal ayrıştırma yöntemleri uyguluyorlar. Bu yöntemler, orijinal kaydı birkaç daha düzgün alt sinyale ayırır; her biri farklı zaman ölçeklerinde desenleri yakalar—hızlı günlük dalgalanmalardan daha yavaş mevsimsel değişimlere kadar—artı bir kalan (rezidü). Beş farklı teknik test ediliyor; bunlar arasında, veriler gürültülü olsa bile net bileşenler çıkarmak üzere tasarlanmış ardışık varyasyonel mod ayrıştırması (successive variational mode decomposition) adlı yeni bir yöntem de var. Bu ayrıştırılmış parçalar, eldeki tek değişkenden türetilmiş daha zengin bir ipucu seti gibi davranır.

Nehir Davranışını Öğrenmek İçin Yeni Bir Öğrenme Motoru

Bu ipuçlarından öğrenmek için ekip, CLIENT olarak bilinen modern bir tahmin modeli kullanıyor; bu model iki fikri birleştiriyor. Bir kısmı su seviyesindeki geniş eğilimleri izleyen basit, hızlı bir lineer model. Diğer kısmı ise giriş özellikleri arasındaki ince ilişkileri yakalamada iyi olan bir tür derin öğrenme mimarisi olan transformer modülü. Öğrenme başlamadan önce, zaman serisinin genel seviyesindeki kaymaları düzleyen ve sonunda bunları geri yükleyen tersine çevrilebilir bir normalizasyon adımı uygulanıyor; bu, modelin zaman içinde kararlı kalmasına yardımcı oluyor. CLIENT’e hem son döneme ait günlük seviyeler hem de ayrıştırılmış alt sinyaller vererek yazarlar modelin altı farklı versiyonunu oluşturuyor ve bunları sinir ağları, uzun-kısa süreli bellek ağları (LSTM) ve karar ağaçları gibi daha tanıdık araçlarla karşılaştırıyorlar.

Bir Sonraki Günün Nehir Seviyesini Ne Kadar İyi Tahmin Edebiliriz?

Khulna ve Mongla istasyonlarında test edildiğinde, hibrit yaklaşım çarpıcı biçimde iyi performans gösteriyor. CLIENT’in ayrıştırma destekli tüm versiyonları, yalnızca son günlük seviyeleri kullanan modellere kıyasla tahmin hatalarını azaltıyor. Çalışmanın yıldızı, C6 olarak etiketlenen ardışık varyasyonel mod ayrıştırmasını kullanan kombinasyon. Her iki istasyonda da bu model gözlemlenen günlük dalgalanmaların neredeyse tamamını yeniden üretir ve olağanüstü yüksek su olaylarını dikkat çekici bir doğrulukla yakalar; hesaplama süresini makul tutarken neredeyse mükemmele yakın beceri skorları elde eder. Yazarlar daha sonra aynı modeli Bangladeş ve Amerika Birleşik Devletleri’ndeki üç çok farklı nehirde, birden çok eğitim‑test bölüşümünde stres testi yaparak sınar ve veri kayıtları nispeten kısa veya son derece değişken olsa bile modelin hâlâ güvenilir tahminler verdiğini bulurlar.

Araştırma Kodundan Pratik Taşkın Uyarılarına

Teorinin ötesine geçmek için ekip en iyi modellerini etkileşimli bir bilgisayar arayüzü haline getirir. Kullanıcılar basit bir geçmiş günlük su seviyeleri tablosu yükleyebilir ve ağır matematiksel hesaplamalar arka planda gizlenmişken bir sonraki günün tahminlerini alabilir. Yöntem yalnızca su seviyesi kayıtlarına dayandığı için—çoğu zaman en yaygın bulunan hidrolik veri—özellikle gelişmekte olan kıyı bölgelerindeki daha fazla topluluğun zamanında nehir tahminlerine erişmesinin önünü açar. Basitçe söylemek gerekirse, çalışma gösteriyor ki tek bir ölçüm akışını akıllıca şekillendirip ondan öğrenerek planlamacıların, mühendislerin ve sakinlerin tehlikeli su seviyelerini biraz daha erken görmelerine ve taşkınlar gelmeden önce harekete geçmelerine yardımcı olacak hızlı ve doğru araçlar inşa edebiliriz.

Atıf: Ratul, M., Akter, U., Mollick, T. et al. A novel integration of cross variable transformer and signal decomposition for real-time prediction of river water level: an implication for sustainable water resources management. Sci Rep 16, 9366 (2026). https://doi.org/10.1038/s41598-026-39591-4

Anahtar kelimeler: nehir su seviyesi tahmini, taşkın riski, makine öğrenimi, zaman serisi ayrıştırması, Bangladeş kıyıları