Hidrolojik tahmin için diferansiyellenebilir fizik kısıtlı çerçeve ile çok görevli öğrenmenin entegrasyonu

Neden daha akıllı su tahminleri önemli

Çiftçiler, şehir plancıları ve afet yöneticileri toprağın içinden ve havaya doğru suyun nasıl hareket ettiğini bilmeye güvenir. Yine de bu bilmeceyi oluşturan kilit parçaları —örneğin farklı derinliklerde toprağın ne kadar nemli olduğu ve suyun atmosfere ne kadar hızla buharlaştığı— tahmin etmek hâlâ şaşırtıcı derecede zor. Geleneksel fizik tabanlı modeller gerçek peyzajların karmaşık, düzensiz doğasıyla zorlanırken, modern yapay zeka doğru olabilse de çoğunlukla doğanın temel yasalarını göz ardı edebiliyor. Bu çalışma her iki dünyayı harmanlamanın yeni bir yolunu sunuyor; amaç hem hassas hem de fiziksel olarak güvenilir hidrolojik tahminler yapmaktır.

Birden çok su sinyalini aynı anda ilişkilendirmek

Hidrolojideki çoğu derin öğrenme sistemi genellikle tek bir şeyi tahmin edecek şekilde eğitilir—örneğin sadece toprak nemi veya sadece karadan havaya olan buharlaşma (evapotranspirasyon). Oysa gerçek dünyada bu değişkenler sıkı sıkıya bağlıdır: topraktaki su miktarı ne kadarının buharlaşabileceğini etkiler ve buharlaşma da karşılıklı olarak toprak nemini değiştirir. Yazarlar üç derinlik katmanındaki toprak nemi ve evapotranspirasyon gibi ilişkili birkaç değişkeni birlikte tahmin eden çok görevli bir öğrenme modeli kuruyor. Model, yıllık günlük hava girdilerini (yağış, sıcaklık, güneş radyasyonu, rüzgâr gibi) ve yerel toprak ile bitki örtüsü bilgilerini işleyen bir tekrarlayan sinir ağı (LSTM) kullanıyor. Paylaşılan çekirdek ağ genel desenleri öğrenirken, birkaç daha küçük çıkış dalı her bir değişkende uzmanlaşıyor.

Modele su dengesi ilkesini öğretmek

Yalnızca veri odaklı yaklaşımların ötesine geçmek için araştırmacılar basit ama güçlü bir fiziksel kuralı yerleştiriyor: su dengesi. Belirli bir süre boyunca gelen su (yağış) akışa ve evapotranspirasyona, ayrıca topraktaki su gibi depolanan sudaki değişikliklere ve diğer daha küçük süreçlere göre hesaplanmalıdır. Bu denklemi harici bir kontrol olarak ele almak yerine, eğitim sürecinin içine doğrudan inşa ediyorlar. Sinir ağının toprak nemi ve evapotranspirasyon için yaptığı tahminler su dengesini ihlal ettiğinde cezalandırılıyor; bu da sistemi genel olarak suyu koruyan çözümlere doğru itiyor.

Ağın eksik parçaları öğrenmesine izin vermek

Gerçek peyzajlarda kar erimesi, yeraltı su değişimleri ve bitkiler ile yapıların suyu yakalaması gibi tam olarak tanımlanması zor birçok su yolu bulunur. Bu süreçler yerden yere değişir ve sabit formüllerle kodlamak zordur. Yazarlar bunu su dengesi denklemine doğrudan ikinci bir sinir ağı yerleştirerek çözüyor; bu ağ “residüel” terimi—yani yakalanması zor kalan artık süreçleri—temsil ediyor. Bu gömülü ağ aynı meteorolojik ve yüzey bilgilerini alıyor ve doğrudan denetim olmadan, toplam su bütçesi kapanacak şekilde eksik süreçleri tahmin etmeyi öğreniyor. Sistemdeki tüm parçalar diferansiyellenebilir olduğundan ana tahminci ile bu residüel ağ uçtan uca tek bir çerçevede birlikte eğitiliyor.

Dünya çapında performans testi

Ekip yöntemi LandBench 1.0 veri setini kullanarak değerlendiriyor; bu veri seti günlük çözünürlükteki onlarca yıllık küresel hava ve yüzey bilgilerini birleştiriyor. Önce çok görevli modeli dört ayrı tek görevli ağ ile karşılaştırıyorlar. Birden fazla değişkeni aynı anda tahmin etmek faydalı çıkıyor: toprak nemi tahminleri hem sığ hem de derin katmanlarda iyileşiyor ve evapotranspirasyon modelin değişkenliği ve önyargıyı yakalama konusundaki tutarlılığı belirgin biçimde artıyor. Ardından çok görevli kurulumun üç versiyonunu test ediyorlar: fiziksel kısıt yok, sabit bir su dengesi formülüne dayalı basit bir ceza ve onların yeni diferansiyellenebilir fizik-kısıtlı çerçevesi. Basit ceza sıklıkla performansa zarar veriyor; bu, katı ama kusurlu fiziğin öğrenmeyi yanıltabileceğini gösteriyor. Buna karşın diferansiyellenebilir çerçeve genellikle özellikle daha derin katmanlarda toprak nemi için en iyi puanları veriyor ve evapotranspirasyon için mütevazı kazançlar sağlıyor.

Kurak bölgeler ve nadir olaylar için yararlar

Yeni çerçevenin temel gücü, verinin sınırlı olduğu veya koşulların uç olduğu durumlarda ortaya çıkıyor. Yazarlar eğitim verisini keskin şekilde azalttıklarında, kısıtlanmamış modelin tahminleri dağınık ve yanlı hale gelirken fizik-kısıtlı versiyon özellikle tüm derinliklerde toprak nemi için gerçeğe daha yakın kalıyor. Yaklaşım ayrıca çok düşük toprak nemi ve evapotranspirasyon değerleri için—kuraklıkla ilişkili koşullar—performansı iyileştiriyor. Kuzey Afrika ve Orta Doğu gibi kurak bölgelerde model, buharlaşmanın kıt toprak suyu tarafından nasıl sınırlanacağını daha iyi yakalıyor; saf istatistiksel modellerin sıklıkla kaçırdığı bir davranış. Enerji kaynaklı yüksek evapotranspirasyon uçları hâlâ zorlayıcı kalıyor; bu da gelecekte enerji dengesi denklemlerinin eklenmesinin gerekliliğini vurguluyor.

Geleceğin su tahmini için anlamı

Uzman olmayanlar için temel mesaj şudur: Yazarlar büyük veri setlerinden öğrenen ancak suyun sebepsiz yere ortaya çıkamayacağı veya yok olamayacağı bilgisini hâlâ “hatırlayan” bir tahmin sistemi geliştirdi. Çok çıktılı bir sinir ağını su dengesiyle doğrudan bağlayarak ve hidrolojik döngünün belirsiz, modellenmesi zor parçalarını öğrenmesine izin vererek, özellikle gözlemler seyrek olduğunda veya koşullar olağandışı olduğunda daha doğru ve daha sağlam tahminler elde ediyorlar. Bu tür diferansiyellenebilir, fiziki farkındalıklı öğrenme; bilim insanlarının, karar vericilerin ve halkın geleceğin geçmişe benzemediği durumlarda bile makul davranacağına güvenebileceği hidrolojik araçlara doğru umut verici bir yol sunuyor.

Atıf: Yan, Y., Yu, Z., Zhu, J. et al. Integrating multi-task learning with a differentiable physics constrained framework for hydrological forecasting. Sci Rep 16, 13824 (2026). https://doi.org/10.1038/s41598-026-41277-w

Anahtar kelimeler: hidrolojik tahmin, toprak nemi, evapotranspirasyon, fizik-bilgili YZ, çok görevli öğrenme