Küresel tarımda su kullanımı ve toplam küresel tüketimin Bi-GRU modeli ile tahmini

Gelecekteki su kullanımı neden herkes için önemli

Temiz su, gıdamızın, şehirlerimizin ve sanayimizin temelini oluşturur, ancak birçok bölge zaten kıtlıkla karşı karşıyadır. Bu çalışma basit ama acil bir soruyu ele alır: özellikle tatlı suyumuzun çoğunu kullanan tarım için, önümüzdeki on yıllarda dünya ne kadar suya ihtiyaç duyacak? Küresel su kullanımı kayıtlarını modern bir yapay zekâ aracıyla birleştirerek yazarlar 2040’a kadar gelecekteki talebi tahmin ediyor ve farklı tahmin yöntemlerinin ne kadar iyi çalıştığını test ediyor. Sonuçları, hükümetlerin ve planlamacıların daha kurak ve daha kalabalık bir dünyaya hazırlanmasına yardımcı olabilir.

Nehirler ve yeraltı suyu rezervleri üzerinde artan baskı

Makaleye giriş, sahneyi kurmakla başlıyor: su Dünya yüzeyinin çoğunu kaplasa da, tatlı ve kolay erişilebilir olan kısmı sınırlıdır. Küresel talep son yüzyılda yaklaşık altı kat arttı; çekilen suyun yaklaşık yüzde 70’i tarıma, yüzde 20’si sanayiye ve geri kalanı evlere gidiyor. Beklenen nüfus artışının büyük bölümü su stresi ve iklim değişikliğine zaten duyarlı olan Afrika ve Asya’da gerçekleşecek. Hindistan, Çin, Endonezya, Suudi Arabistan ve Türkiye gibi ülkelerde şehirlerin genişlemesi, ekonomilerin büyümesi ve daha fazla arazinin sulanmasıyla su kullanımı hızla artıyor. Buna karşılık, Almanya, Japonya ve Birleşik Krallık gibi yerlerde koruma ve verimlilik önlemleri sayesinde kullanım sabit kalıyor veya biraz düşüyor.

Küresel su kayıtlarını kullanılabilir bir veri setine dönüştürmek

Endişeden tahmine geçmek için yazarlar, farklı iklim ve gelir düzeylerinden yirmi büyük ekonomiyi kapsayan 2000–2024 yıllarını içeren Küresel Su Tüketimi Veri Seti’ni derliyor. Her ülke ve yıl için veri seti, toplam su kullanımı, tarıma ayrılan su, kişi başına düşen hanehalkı ve sanayi kullanımı, yağış etkileri ve yeraltı suyu tükenme oranını içeriyor. Ekip verileri dikkatle temizliyor, eksik veya anormal değerleri kontrol ediyor ve hiçbir ülkenin veya değişkenin öğrenme sürecinde baskın olmaması için tüm sayıları ortak bir aralığa yeniden ölçeklendiriyor. Ardından her ülkenin zaman serisini eğitim, doğrulama ve test bölümlerine ayırıyorlar ve böylece sonraki yıllar eğitim sırasında görülmeyerek tahminlerin adil biçimde değerlendirilebilmesini sağlıyorlar.

Akıllı bir dizi modeli geçmişi nasıl okuyor

Çalışmanın çekirdeğini çift yönlü kapılı yineleyici birim (bidirectional gated recurrent unit) yani Bi-GRU adlı bir derin öğrenme modeli oluşturuyor. Basit eğri uydurmaların aksine, bu model dizileri okumaya yönelik tasarlanmıştır. Su kullanımı ve ilgili faktörlerin geçmişini ileri ve geri yönlerde işleyerek uzun süreli iyi veya kötü yağış dönemlerine, kademeli politika değişikliklerine veya nüfus ve sanayideki yavaş kaymalara bağlı desenleri yakalamayı sağlar. Ağ katmanları bu desenleri içsel bir temsil halinde sıkıştırır ve ardından her ülke için iki ana nicelik çıktısı verir: toplam su kullanımı ve tarımsal su kullanımı. Yazarlar Bi-GRU’yu uzun kısa süreli bellek ağları (LSTM), zamansal dönüştürücü (temporal transformer) modeli, ülkeleri birbirine bağlayan grafik tabanlı bir model ve olasılıksal tahmin yöntemi gibi çeşitli gelişmiş alternatiflerle karşılaştırıyorlar.

Tahminler ne kadar dayanıyor

2021–2024 arasındaki görülmemiş veriler üzerinde test edildiğinde, Bi-GRU genel olarak en isabetli tahminleri tutarlı biçimde veriyor. Yaygın hata puanlarıyla ölçüldüğünde, çoğu ülke için rakip modellerin hepsinden daha iyi performans gösteriyor; özellikle Hindistan, Almanya ve Birleşik Krallık gibi nispeten istikrarlı uzun vadeli desenlere sahip ülkelerde üstünlük belirgin. Yazarlar ayrıca iyileşmenin tesadüf sonucu olmadığını göstermek için istatistiksel testler uyguluyorlar. En iyi performans gösteren modeli kullanarak 2025–2040 arasındaki toplam ve tarımsal su kullanımını projekte ediyorlar. Hindistan, Türkiye ve birkaç hızlı büyüyen ekonomi dahil bazı ülkelerde özellikle sulama için talebin artmaya devam etmesi bekleniyor. Diğerleri ise mevcut verimlilik eğilimleri sürerse tüketimlerini sabitleyebilir veya azaltabilir.

Bulguların gıda ve su güvenliği için anlamı

Uzman olmayan bir okuyucu için ana mesaj şu: Daha iyi uzun vadeli tahminler, “gelecekte su kıtlığı” konusundaki belirsiz kaygıları planlayıcıların harekete geçebileceği somut sayılara dönüştürebilir. Çalışma, modern dizi tabanlı yapay zekânın iklim, nüfus ve kalkınmanın ulusal su kullanımını nasıl şekillendirdiğini izleyebileceğini ve önceki yöntemlerden daha doğru yapabileceğini gösteriyor. Bu tahminler ne olacağını garanti etmez, ancak tarımsal ve toplam talebin arzı en çok zorlaması muhtemel yerleri vurgulayarak sulama teknolojisine, depolamaya, geri dönüşüme ve politika reformlarına yapılacak yatırımları yönlendirebilir. Kısacası, daha akıllı tahmincilik, ısınan ve daha kalabalık bir dünyada muslukların akmasını ve tarlaların verimli kalmasını sağlamaya yönelik pratik bir araçtır.

Atıf: Irfan, M., Rashid, J., Bibi, J. et al. Forecasting of global water usage in agriculture and total global consumption by using the Bi-GRU model. Sci Rep 16, 15071 (2026). https://doi.org/10.1038/s41598-026-44885-8

Anahtar kelimeler: küresel su kullanımı, tarımsal su, derin öğrenme tahmini, Bi-GRU modeli, su talebi tahmini