Sundarbans kıyı erozyonunu çözmek: makine öğrenimi iklim değişikliği etkilerini nasıl haritalıyor

Bu delta neden hepimizi ilgilendiriyor

Ganj Nehri ağzındaki dünyanın en büyük mangrov ormanı olan Sundarbans, milyonlarca insanı fırtınalara ve yükselen denizlere karşı koruyan doğal bir kalkan görevi görüyor. Yine de adacıkların labirenti, bazı yerlerde kıyılar erirken diğer yerlerde büyüyerek sürekli yeniden şekilleniyor. Bu çalışma, onlarca yıllık uydu görüntüleri ve modern bilgisayar araçlarını kullanarak Sundarbans’ın nasıl ve nerede değiştiğini, basit yöntemlerin ne zaman yeterli olduğunu ve ne zaman daha gelişmiş makine öğrenimi gerektiğini çözümlemeye çalışıyor. Yanıtlar, hem kıyı topluluklarını hem de bu küresel öneme sahip ekosistemi korumak açısından önemli.

Değişen bir ada labirenti

Hindistan’daki Sundarbans Biyosfer Rezervi, gelgit kanallarıyla örülü ve mangrovlarla çevrili neredeyse yüz ormandan oluşan adacıklara ev sahipliği yapıyor. Rezerv içindeki insan baskısı nispeten düşük olsa da bölge, son otuz yılda özellikle açık güney kıyılarında yaklaşık 100 kilometrekare kadar arazi kaybetti. Yazarlar, 1988’den 2023’e kadar binlerce eşit aralıklı noktada kıyı çizgisini izleyerek hangi kıyıların gerilediği ve hangi kıyıların büyüdüğüne dair ayrıntılı bir tablo oluşturdu. Açığa bakan güney adacıklarının bazı yerlerde yılda 30–50 metreden fazla erozyona uğrayarak hızla aşındığını, batı ve uzak kuzey adacıklarının bazı bölümlerinin ise yeni sediment birikimiyle kara kazandığını buldular.

Hareketli bir kıyıda düz çizgiler okumak

Zaman içindeki değişimi tanımlamak için kıyı bilimciler sıklıkla kıyı çizgisi konumlarına bir doğru uydurur ve eğimini uzun dönem ileriye veya gerileme oranı olarak kullanır. Ancak kıyı şeritleri fırtınalar, gelgitler ve sedimente pulslarla yanıt verir; her zaman düzgün olmaz. Çalışma, 21.000’den fazla kıyı noktası için bir doğruyun o yerin geçmişine ne kadar iyi uyarlandığını inceledi. Açık deniz ve büyük kanallar boyunca eriyen kıyılar genellikle neredeyse düz eğilimler izledi; bu da değişimlerinin yeterince düzenli olduğunu ve basit bir doğrunun iyi çalıştığını gösterdi. Buna karşılık, kara oluşumunun olduğu birçok yerde doğruların kıvrımlar, duraklamalar ve ani sıçramalar içermesi nedeniyle düz çizginin yakalayamadığı güçlü bir doğrusal olmayan davranış ortaya çıktı.

Makineler ne keşfetti

Araştırmacılar daha sonra rastgele ormanlar ve gradyan artırma olmak üzere iki makine öğrenimi yöntemine yönelerek hangi doğal faktörlerin gözlemlenen erozyon ya da birikim hızlarını en iyi açıkladığını incelediler. Modelleri, her noktanın açığa olan uzaklığı, nehir kaynaklı sedimentlere olan mesafesi, yakınlardaki gelgit kanalının genişliği, plaj eğimi ve alttaki sediment türü gibi bilgilerle beslediler. Modeller, geniş bölgesel faktörlerin baskın olduğunu; erozyon için denize uzaklığın ana sürükleyici olduğunu, yeni kara oluşumu için ise sediment açısından zengin nehre yakınlığın en önemli etken olduğunu hemfikir şekilde ortaya koydu. Yerel ayrıntılar—hafif plaj eğimleri ve geniş kanallar gibi—sedimentin çökmesine ve tutunmasına yardımcı oluyor, ancak genel etki daha küçük kaldı. Tekrarlı testlerle ekip ayrıca düz doğru uyumunda bir eşik noktası belirledi: uyum kalitesi belirli bir değerin üzerine çıktığında erozyon için lineer modeller güvenilir kaldı; altında ise makine öğrenimi daha iyi sonuç verdi.

Doğru aracı seçmenin daha akıllı yolu

Düz çizgi yaklaşımını makine öğrenimi ile birleştirerek çalışma, kıyı planlayıcıları için pratik bir çerçeve öneriyor. Erozyon güçlü ve eğilim neredeyse düz olduğunda basit lineer yöntemler doğru, şeffaf ve düşük maliyetlidir. Kıyı geçmişinin daha düzensiz olduğu—özellikle kara oluşumunun gözlendiği—alanlarda aynı testler, kısa dönemli değişim patlamalarını ve dalga, gelgit ve sediment arzının etkileşimini yakalamak için daha esnek makine öğrenimi modellerinin gerektiğini işaretliyor. Bu “iki aşamalı” strateji, gelişmiş modelleme ve veri toplama çabalarını en çok önemli olan yerlere odaklamaya yardımcı olarak maliyetleri düşürür ve hataları azaltır.

İnsanları ve mangrovları korumaya rehberlik etmek

Uzman olmayanlar için temel mesaj, tüm kıyı değişimlerinin eşit derecede öngörülemez olmadığıdır. Sundarbans’ta açığa bakan kıyıların erozyonu nispeten basit, düzenli bir davranış sergiliyor ve doğrudan araçlarla izlenebiliyor; oysa yeni kara oluşumu çok daha karmaşık ve sofistike analizler gerektiriyor. Bu farkı kabul etmek, yöneticilerin daha iyi erken uyarı sistemleri tasarlamasına, yeni inşaatları en hassas kenarlardan uzak tutmasına ve mangrovlar ile geniş gelgit kanalları gibi doğa temelli savunmaları en etkili oldukları yerlerde desteklemesine olanak tanır. Isınan bir dünyada birçok kıyı benzer baskılarla karşı karşıya iken bu yöntem, eksik verileri daha net, konuma özgü rehberliğe dönüştürmek için bir şablon sunuyor: nerelerde kıyıların kalacağı, nerelerde çökeceği ve nasıl yanıt verebileceğimiz konusunda.

Atıf: Biswas, J., Maiti, S. Unraveling Sundarbans’ erosion: how machine learning maps climate change impacts. npj Clim. Action 5, 33 (2026). https://doi.org/10.1038/s44168-026-00336-8

Anahtar kelimeler: Sundarbans kıyı hattı değişimi, kıyı erozyonu ve birikim, mangrov deltası dayanıklılığı, uydu uzaktan algılama, iklime uyumda makine öğrenimi