Sınırlı iklim verisi altında aylık pan buharlaşması tahmini için meta-sezgisel destekli derin öğrenme

Günlük yaşam için suyun buharlaşması neden önemli

Göletler, rezervuarlar ve tarla suyu gibi su kütleleri her gün buharlaşma yoluyla kaybolur; bu süreç, kullanım suyunun, gıda üretiminin ve ekosistemlerin korunmasının ne kadar suya bağlı olduğunu sessizce belirler. Bu kaybı ölçmek ve tahmin etmek basitmiş gibi görünse de—sadece bir kapta suyun yok oluşunu izlemek yeterliyormuş gibi—gerçekte özellikle az sayıda hava ölçüm cihazı olan yerlerde zordur. Bu çalışma, doğadan ilham alan arama stratejileriyle yönlendirilen modern derin öğrenmenin, yalnızca birkaç temel iklim ölçümü kullanarak aylık pan buharlaşmasını nasıl tahmin edebileceğini araştırıyor; böylece verinin kıt olduğu durumlarda bile toplulukların kuraklık, sel ve mevsim değişimlerine hazırlanmasına yardımcı oluyor.

Metalik bir kaptan suyun yok oluşunu izlemek

Mühendisler ve hidrologlar, açık su yüzeylerinden suyun ne kadar hızla kaybolduğunu tahmin etmek için pratik bir yöntem olarak sıklıkla “pan buharlaşması”nı kullanır. İçi su dolu sığ bir metal kap göllerin, kanalların ve rezervuarların yerine geçer. Ancak bu ölçümler cihaz arızalarına, bakım eksikliklerine ve kayıt boşluklarına açıktır. Buharlaşmayı sıcaklık ve güneş ışığı gibi iklim değişkenleriyle ilişkilendiren dolaylı formüller de ana veriler eksik olduğunda zorlanır. Buharlaşma hava ve arazi koşullarına karmaşık, doğrusal olmayan bir şekilde yanıt verdiğinden, geleneksel yaklaşımlar özellikle yalnızca birkaç temel iklim değişkeninin bulunduğu bölgelerde kaybı yanlış tahmin edebilir.

Hafıza temelli bir modeli havayı "oku"ması için eğitmek

Yazarlar, zamanla sıralanmış verilerdeki örüntüleri öğrenmek üzere tasarlanmış uzun kısa süreli bellek (LSTM) adı verilen bir derin öğrenme ağ türü üzerine inşa ediyor. LSTM’ler, neyin saklanacağına, neyin unutulacağına ve neyin iletileceğine karar veren birbirine bağlı “hafıza hücreleri” gibi davranır; bu da onları ay ay değişen iklim koşullarını izlemeye uygun kılar. Bu çalışmada modeller yalnızca küçük bir giriş seti kullanıyor: minimum ve maksimum hava sıcaklığı ile gelen güneş enerjisinin bir ölçüsü. Amaç, giriş bilgisi sınırlı veya eksik olsa bile yıllar boyunca her ay kaptan ne kadar suyun buharlaştığını güvenilir şekilde tahmin etmektir.

Protozoa ve böceklerin aramaya rehberlik etmesine izin vermek

Bir LSTM’yi eğitmek, öğrenme hızı, gizli birim sayısı ve dropout oranı gibi doğruluk üzerinde güçlü etkisi olan birçok iç ayarın seçilmesini gerektirir. Bunları deneme yanılma ile ayarlamak yerine araştırmacılar iki yeni biyolojik ilhamlı "meta-sezgisel" optimizatörü devreye alıyor: Yapay Protozoa Optimizörü (APO) ve Gübrelik Böceği Optimizörü (DBO). Bu algoritmalar mikroskobik protozoaların beslenme, dinlenme ve üreme davranışlarını ile gübrelik böceklerinin yuvarlama, yeniden yönelme, çalma ve yuva kurma davranışlarını taklit eder. Matematiksel biçimde bu davranışlar önce genişçe dolaşan sonra umut vaat eden parametre bölgelerine odaklanan esnek arama stratejilerine dönüşür. APO ve DBO’yu LSTM ile eşleştirerek çalışma, en güvenilir buharlaşma tahminlerini veren hiperparametre kombinasyonlarını otomatik olarak arayan iki hibrit model — LSTM‑APO ve LSTM‑DBO — oluşturuyor.

Modelleri muson etkili bir arazide test etmek

Ekip bu yöntemleri güneydoğu Çin’deki iki meteoroloji istasyonundan elde edilen 40 yıllık veriyi kullanarak değerlendiriyor; bu bölge göller, pirinç tarlaları ve sık sel ile kuraklık gösteren bir muson bölgesidir. Gerçek dünya kısıtlarını kasıtlı olarak taklit ederek, kaydın yüzde 70 ila 80’i arasında bir kısmını eğitim için, kalanını test için kullanan çeşitli veri bölme stratejilerini sınayarak çalışıyorlar. Ayrıca modellerin ne kadar az bilgiyle iyi performans gösterebileceğini görmek için farklı giriş kombinasyonlarını—sadece sıcaklık veya sıcaklık artı radyasyon—inceliyorlar. Performans yaygın hata ve uyum ölçüleriyle ve gözlemlerle tahmin edilen buharlaşma desenlerini karşılaştıran saçılma grafikleri, Taylor diyagramları ve violin grafikleri gibi görsel kontrollerle değerlendiriliyor.

Doğadan ilham alan ayarlama ile daha keskin tahminler

Her iki istasyon ve tüm veri bölme düzenlerinde, APO ve DBO ile güçlendirilmiş ağlar standart LSTM ve daha önce daha yerleşik optimizatörlerle oluşturulmuş hibritleri düzenli olarak geride bırakıyor. Birinci istasyon için en iyi durumda LSTM‑APO modeli temel hata ölçülerini neredeyse yarıya indiriyor ve gözlenen ile tahmin edilen buharlaşma arasındaki uyumu büyük ölçüde sıkılaştırıyor. İkinci istasyonda da hataları yaklaşık yüzde 40 oranında azaltıp öngörü becerisi ölçütlerini artırıyor. LSTM‑DBO da genellikle hataları yüzde 20–30 oranında azaltan ve farklı test yapılandırmaları arasında daha kararlı tahminler üreten kayda değer iyileşmeler sağlıyor. Pratik bir bulgu olarak daha fazla girdinin her zaman daha iyi olmadığı görülüyor: birçok durumda minimum ve maksimum sıcaklığın basit bileşimleri, idealize edilmiş radyasyon kullanan modelleri geride bıraktı; bu da iyi seçilmiş, geniş erişilebilir değişkenlerin iyi ayarlanmış bir derin ağ ile eşleştirildiğinde yeterli olabileceğini vurguluyor.

Değişen dünyada su yönetimi için bunun anlamı

Uzman olmayanlar için çıkarım net: zaman farkını gözeten bir sinir ağı ile zekice, biyolojik ilhamlı arama rutinlerini birleştirerek, yalnızca az miktarda iklim bilgisi kullanarak açık yüzeylerden suyun ne kadar hızlı buharlaşacağını tahmin etmek mümkün. LSTM‑APO ve LSTM‑DBO modelleri buharlaşmanın fiziksel yasalarını değiştirmiyor, ama belirli bir bölgede tipik davranışını önceki araçlardan daha doğru öğreniyor; bu, veri kısıtlı bölgelerde rezervuar işletimi, sulama planlaması ve kuraklığa hazırlık konusunda daha iyi kararlara destek olabilir. Yazarlar gelecek çalışmaların bu hibritleri gerçek zamanlı ortamlarda ve daha geniş iklim çeşitliliğinde test etmesi ve rüzgar ile nem gibi daha fazla hava detayını eklemesi gerektiğini öneriyor. Yine de mevcut sonuçlar kod içindeki “protozoa” ve “gübrelik böceklerinin” sahadaki gerçek su kaynaklarını korumaya yardımcı olabileceğini şimdiden gösteriyor.

Atıf: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

Anahtar kelimeler: pan buharlaşması, derin öğrenme, meta-sezgisel optimizasyon, su kaynakları, iklim verisi