Dongliao Nehri’nde ani su kirliliği olaylarının kaynak saptaması için hibrit makine öğrenimi çerçevesi

Neden ani nehir kirliliği herkes için önemlidir

Bir fabrika sızıntısı veya boru kırılması nehre bir kirletici dalgası gönderdiğinde, aşağıdaki toplulukların içme suyu alımları ve ekosistemleri korumak için yalnızca saatleri olabilir. Kirliliğin tam olarak nereden geldiğini, ne kadar yoğun olduğunu ve ne kadar sürdüğünü bilmek, sorumluları doğru şekilde hesap verebilir kılmak ve etkili müdahale yapmak için esastır. Bu çalışma Çin’in Dongliao Nehri’ne odaklanır ve fizik tabanlı simülasyonları modern makine öğrenimi ile birleştirmenin, saha verileri gürültülü veya kıt olsa bile gizli kirlilik kaynaklarını hızlı ve gerçekçi belirsizliklerle birlikte belirleyebileceğini gösterir.

Gerçek bir nehirde bir sızıntıyı izlemek

Araştırmacılar, ani kirlilik olaylarına yol açabilecek sanayi parklarıyla çevrili yaklaşık 30 kilometrelik bir Dongliao Nehri kesitini incelediler. Bir bankadan nehre tek, kısa süreli bir kirletici boşalması — kimyasal oksijen ihtiyacı, amonyak ve fosfor gibi yaygın su kalite göstergeleri olarak ölçülen — senaryolarını hayal ettiler. Kirlilik dalgasının nasıl yayıldığını ve pik yoğunluğunun yol boyunca nasıl değiştiğini kaydetmek için aşağı akışa beş sanal izleme noktası yerleştirildi. Gerçek kazalar nadir ve genellikle yetersiz izlenmiş olduğundan, ekip çok sayıda gerçekçi “ya olursa” olayı oluşturmak için nehir akışı ve kirletici taşınımının ayrıntılı bir bilgisayar modeline güvendi.

Ağır simülasyonları hızlı bir vekile dönüştürmek

Geleneksel nehir modelleri suyun nasıl hareket ettiğini ve kirleticilerin nasıl yayıldığını ve seyreldiğini tanımlayan karmaşık denklemleri çözer. Bu araçlar güçlü fakat yavaştır: Dongliao kesiti için tek bir yüksek doğruluklu simülasyon yaklaşık bir saat sürebilir; bu, acil durum kararları veya binlerce olası sızıntı senaryosunu araştırmak için çok uzun bir süredir. Bunu aşmak için yazarlar, makine öğrenimi kullanarak vekil olarak adlandırılan hafif bir ikame model geliştirdiler. Fizik tabanlı modelle 180 sentetik sızıntı olayı ürettiler ve bunları üç algoritma için eğitim verisi olarak kullandılar. Uzun kısa süreli bellek (LSTM) olarak bilinen bir sinir ağı yaklaşımı diğer adayları açıkça geride bıraktı; tüm izleme noktalarındaki pik kirlilik düzeylerinin orijinal model tahminlerini yakından yeniden üretiyor ve neredeyse anında çalışabiliyordu.

Gizli kaynağı aramak

Hızlı vekil model hazır olduğunda, ekip ters problemi ele aldı: Aşağı akışta ölçülen kirliliğe dayanarak, sızıntının nerede gerçekleştiğini ve ne kadar güçlü olduğunu çıkarabilir miyiz? Önce tek bir en iyi uyumlu yanıt arayan deterministik bir strateji kullandılar. Burada, kambur sırtlı balinaların işbirlikçi avlanma desenlerine dayanan doğadan ilham alan bir arama yöntemi — balina optimizasyon algoritması — kaynak konumu, yoğunluğu ve süresinin birçok olası kombinasyonunu test etti. Her deneme için LSTM vekili aşağı akış konsantrasyonlarını tahmin etti ve bunlar sentetik “gözlemlerle” karşılaştırıldı. Bu balina‑LSTM eşlemesi genellikle doğruluk ve hız açısından iki diğer popüler arama yöntemini geride bıraktı ve ideal, gürültüsüz veriler altında temel kaynak parametrelerindeki tipik hataları yalnızca birkaç yüzdeye düşürdü.

Gerçek dünya gürültüsü için belirsizlik eklemek

Gerçek ölçümler asla kusursuz değildir: cihazlar hata yapar, koşullar değişir ve modeller yaklaşık olabilir. Bu nedenle araştırmacılar tek bir cevap aramak yerine her birinin olasılığını da veren geniş bir olası sızıntı senaryoları aralığını ele alan ikinci, olasılıksal bir sistem kurdular. Balina‑LSTM motorunu, bilinmeyen kaynak özelliklerini olasılık dağılımlarına sahip değişkenler olarak ele alan bir Bayesyen çerçeve içine sardılar. Değiştirilmiş algoritma, aramanın daha geniş keşif yapabilmesi için ara sıra biraz daha kötü çözümleri kabul etmesine izin veriyor ve ardından aramanın en çok zaman geçirdiği yerleri özetlemek için istatistiksel araçlar kullanıyor. Sonuç, yukarı akış sınırından uzaklık veya kirletici şiddeti gibi her bir kaynak parametresi için olasılık eğrileri ve en inandırıcı değerleri yakalayan aralıktır.

Nehirleri korumak için bunun anlamı

Araştırmacılar saha sensörlerinin karşılaşabileceği benzer ölçüm gürültüsünü sisteme eklediklerinde, deterministik yaklaşımın sınırları belirginleşti: bazı parametreler gerçek değerlerinden ciddi şekilde sapıyordu. Buna karşılık olasılıksal yöntem kararlı kaldı; çoğu salım özelliği için hataları genellikle %7’nin altında tuttu ve her tahmin etrafında net belirsizlik aralıkları sağladı. Kritik olarak, bir sızıntı için tüm olasılıksal analiz sıradan donanımda birkaç dakika içinde tamamlanabiliyor. Acil durum yöneticileri için bu, ani bir kirletici darbesinin muhtemelen nereden geldiğini ve ne kadar ciddi olduğunu hızla çıkarabilecekleri ve bu çıkarımların ne kadar güvenli olduğunu görebilecekleri anlamına geliyor. Çerçeve, yüzey sularını korumak için fiziği, veriyi ve olasılığı harmanlayan akıllı erken uyarı sistemlerine pratik bir yol sunuyor.

Atıf: Wang, Y., Wang, Y., Shi, P. et al. Source identification of sudden water pollution events in the Dongliao River using a hybrid machine learning framework. Sci Rep 16, 11976 (2026). https://doi.org/10.1038/s41598-026-41724-8

Anahtar kelimeler: nehir kirliliği, kaynak saptama, makine öğrenimi, Bayesyen ters çözümleme, su kalitesi izleme