Gelişmiş haritalama teknikleri ve makine öğrenimi yaklaşımları kullanılarak sulak alan ekosistemlerinde besin döngüsünün hibrit uzamsal-zamansal modellenmesi

Neden bu gizli su filtreleri önemli

Sulak alanlar, tarlardan ve şehirlerden gelen fazla gübreler ile diğer kirleticileri emerek nehirlerimizi ve içme suyumuzu sessizce korur. Ancak geniş, bataklık ve ulaşılması güç oldukları için bilim insanları bu doğal filtrelerin zaman içinde ne kadar iyi çalıştığını görmekte zorlandılar. Bu çalışma, saha su örneklemesi, uydu görüntüleri ve makine öğreniminin bir karışımını kullanarak Ohio’daki küçük bir sulak alan sistemini mevsimden mevsiime, yıldan yıla sağlığının ayrıntılı, hareketli bir resmine nasıl dönüştürebileceğini gösteriyor.

Besinleri uzaydan ve yerinde izlemek

Araştırmacılar Ohio’daki Beavercreek Wetlands Greenway’e odaklandı; burada şehir mahalleleri, tarla arazileri, ormanlar ve bataklıklar iç içe geçiyor. Bir akarsu boyunca üç sulak alandan dört yıl boyunca aylık su örnekleri topladılar ve iki ana besini ölçtüler: azot ve fosfor. Orta düzeyde bu besinler bitki yaşamını destekler, ancak fazlası alg patlamalarına yol açabilir ve sudan oksijeni tüketebilir. Noktasal örneklemeyi aşmak için ekip, bu ölçümleri Avrupa Sentinel-1 ve Sentinel-2 görevlerinden elde edilen yüksek çözünürlüklü uydu verileriyle eşleştirdi; tüm veriler Google Earth Engine’de işlendi.

Manzarayı okumak için iki aşamalı bir yöntem

Tüm veri türlerini tek bir büyük modele beslemek yerine yazarlar, popüler bir algoritma olan Random Forest’a dayalı iki aşamalı bir makine öğrenimi çerçevesi kurdular. Birinci aşamada model, şekil, alan, çevresindeki arazi kullanımları (orman, tarla ya da yerleşim gibi) ve son yağış ve sıcaklık gibi geniş sulak alan özelliklerini kullanarak besin düzeylerini tahmin etti. Bu, genel manzaranın besinleri nasıl yüklediğini veya emdiğini yakalayan bir “temel” haritası yarattı. İkinci aşamada ise ayrı bir model, birincisinin kaçırdığı kalan mekânsal hatalara odaklandı; bu daha ince desenleri açıklamak için bitki indeksleri ve su ile bitki yapısını gösteren radar tabanlı ölçümler gibi sürekli uydu türevi değişkenleri kullandı.

Mevsimsel baskı ve toparlanma işaretleri

İki aşamayı birleştirerek ekip, 2021–2024 döneminde sulak alanların uzunluğu boyunca değişimleri görebilecek kadar yüksek çözünürlükte üç aylık azot ve fosfor haritaları üretti. Azot güçlü ve tekrar eden mevsimsel dalgalanmalar gösterdi; konsantrasyonlar ilkbahar ve yazda (ikinci ve üçüncü çeyrekler) daha yüksek, soğuk aylarda ise daha düşüktü. Dört yıl boyunca yılın başlarındaki azot düzeyleri yavaşça artış gösterdi ve 2022 ile 2023 ortası zirveleri özellikle yüksekti; bu da çevre havzadaki daha yağışlı aylara ve tarımsal faaliyete bağlı tekrarlayan mevsimsel baskılara işaret ediyor.

Farklı besin, farklı öykü

Fosfor ise zıt bir öykü anlattı. 2021’de fosfor konsantrasyonları sulak alan sisteminin büyük bölümünde yükselmişti, fakat haritalar 2022, 2023 ve 2024 boyunca çoğu alanda özellikle kış çeyreklerinde istikrarlı bir düşüş gösterdi. Kalıcı bir sıcak nokta, özellikle yaz sonu düşük akış dönemlerinde sulak alanın orta geniş kesiminde kaldı; bu da sedimanlardan depolanmış fosforun içsel serbestleşmesine işaret ediyor olabilir. Modellerin en çok hangi değişkenlere dayandığını analiz ederek araştırmacılar, azotun hem peyzaj bağlamına hem de uydularla yakalanan yerel akarsu koşullarına bağlı olduğunu, fosforun ise ağırlıklı olarak sulak alanların çevresindeki yerleşik ve tarımsal arazilerin konumundan etkilendiğini buldular.

Sulak alanları korumak için bunun anlamı

Uzman olmayan birine göre temel mesaj, tüm besin sorunlarının aynı olmadığı ve uyduların bunları ayırt etmeye yardımcı olabileceğidir. Yeni çerçeve azot ve fosforu uzamsal ve zamansal olarak doğru bir şekilde izleyerek azotun tarım uygulamalarına ve sulak alan bitkiliğine bağlı, yaygın ve mevsimsel olarak tekrar eden bir sorun olmaya devam ettiğini; fosforun ise çevredeki yerleşik alanlardan gelen yüklerin azalmasıyla belirgin şekilde iyileştiğini, zorlayıcı bir sıcak nokta dışında iyileşmenin gözlendiğini gösterdi. Bu iki aşamalı, harita temelli yaklaşım yöneticilere pratik bir teşhis aracı sunuyor: sorunlu noktaları hızla vurgulayabilir, çözümlerin arazi kullanımı değişikliğine, kentsel akış kontrolüne veya sulak alan içi süreçlere odaklanıp odaklanmaması gerektiğini gösterebilir ve iklim, arazi kullanımı ve koruma çabaları sulak alanlarımızı yeniden şekillendirmeye devam ettikçe diğer su kalitesi konularına uyarlanabilir.

Atıf: Salas, E.A.L., Schrack, K., Kumaran, S.S. et al. Hybrid spatiotemporal modeling of nutrient cycling in wetland ecosystems using advanced mapping techniques and machine learning approaches. Sci Rep 16, 9954 (2026). https://doi.org/10.1038/s41598-026-40585-5

Anahtar kelimeler: sulak alanlar, besin kirliliği, uzaktan algılama, makine öğrenimi, su kalitesi