Küçük akarsularda su seviyesi, dar havza alanı ve kısa tepki süresi nedeniyle yoğun yağıştan sonra çok hızlı yükselebilir. Geleneksel erken uyarı sistemleri çoğunlukla gözlenen su seviyesinin önceden belirlenmiş bir eşiği aşmasını beklediğinden, uyarı tehlikeli yükseliş başladıktan sonra gelebilir. Bu çalışma, su seviyesini üç saat önceden tahmin eden DualTNet adlı çift kollu bir zaman serisi modeliyle tahminlerden türetilen yükselme hızını izleyen FLOWT² istatistiksel kontrol yöntemini birleştirmektedir.

DualTNet, geçmiş 24 saate ait 10 dakikalık su seviyesi, yağış, birikimli yağış, havza ortalamalı yağış, yukarı ve aşağı akım seviyeleri ile gelgit verilerinden yararlanmıştır. Model; periyodik örüntüleri güçlendiren bir kol, tahminde kalan periyodik hataları düzelten ikinci bir kol ve farklı zaman ölçeklerini birleştiren uyarlanabilir bir füzyon katmanı içermektedir.

Yöntem Güney Kore’deki Joman, Haman, Namdae ve Suyeong akarsularında sınanmıştır. Test verileri, eğitim ve doğrulama dönemlerinden sonraki 2024 yılına ayrılarak zamansal bir dış değerlendirme yapılmıştır. DualTNet dört saha ortalamasında 0,0184 metre RMSE, 0,0118 metre MAE ve 0,9925 R² elde etmiş; karşılaştırılan LSTM, GRU, Transformer, FEDformer, NSTransformer, TimesNet ve TimeMixer modellerinin önünde yer almıştır.

FLOWT² aşaması, yalnızca tahmin edilen su seviyesinin sabit bir eşiği aşmasına bakmak yerine, önümüzdeki üç saatte beklenen ortalama yükselme hızının tarihsel normal davranıştan sapıp sapmadığını ölçmüştür. Çalışmada belirlenen toplam sekiz önemli yükseliş olayının tamamı DualTNet tabanlı FLOWT² tarafından tespit edilmiş; Joman Nehri’ndeki örnek olayda ciddi taşkın seviyesinin aşılmasından yaklaşık 3–8 saat önce uyarı noktaları üretilmiştir.

Bununla birlikte çalışma hakem değerlendirmesinden geçmemiştir. Uyarı değerlendirmesi az sayıda olaya dayanmakta, “önemli olay” tanımının nasıl standartlaştırıldığı yeterince açıklanmamakta ve olay tespit oranı yanlış alarmları doğrudan ölçmemektedir. Gerçek zamanlı operasyon, iletişim gecikmesi, sensör arızası, veri kesintisi ve farklı ülke veya havzalara aktarılabilirlik de sınanmamıştır.

Küçük akarsularda erken uyarı neden daha zordur?

Büyük nehirlerde yağışın akarsu seviyesine dönüşmesi ve taşkın dalgasının ilerlemesi görece uzun sürebilir. Küçük havzalarda ise yağışın yüzey akışına dönüşme süresi kısadır. Yerel ve yoğun bir yağış, su seviyesinde birkaç saat içinde keskin bir yükseliş oluşturabilir.

Bu davranış erken uyarı sistemi açısından iki ayrı sorun yaratmaktadır:

• Su seviyesinin hızlı yükseldiği bölümü ve tepe değerini üç saat önceden doğru tahmin etmek gerekir.
• Tahmin edilen seri, yöneticilerin kullanabileceği açık ve zamanında bir uyarı kararına dönüştürülmelidir.

Çalışmanın ilk şekli bu ayrımı görselleştirmektedir. Sabit eşikli geleneksel sistem, su seviyesi kritik sınıra ulaştıktan sonra uyarı üretmektedir. Tahmini yeterince doğru olmayan bir yapay zekâ modeli ise yanlış veya gecikmiş uyarıya yol açabilir. Önerilen sistemde DualTNet su seviyesi eğrisini tahmin etmekte, FLOWT² ise tahmin edilen yükselme davranışını istatistiksel olarak izleyerek eşik aşılmadan önce uyarı üretmeye çalışmaktadır.

Çalışma hangi akarsularda yürütülmüştür?

Araştırma Güney Kore’de hidrolojik davranışları birbirinden farklı dört küçük akarsuyu kapsamaktadır.

Joman, Haman ve Suyeong sahalarında 2020–2022 verileri eğitim, 2023 verileri doğrulama ve 2024 verileri test için kullanılmıştır. Daha kısa kayda sahip Namdae sahasında bu dönemler sırasıyla 2022, 2023 ve 2024 olarak belirlenmiştir. Bu zaman sıralı bölümleme, gelecekteki gözlemlerin geçmiş verilerle eğitilen modellere karşı sınanmasını sağlamaktadır.

Hangi veriler kullanılmıştır?

Bütün değişkenler 10 dakikalık aralıklarla kaydedilmiştir. Her tahmin için geçmiş 24 saat, başka bir ifadeyle 144 zaman adımı girdi olarak kullanılmış ve üç saat sonraki su seviyesi tahmin edilmiştir.

Temel girdiler şunlardır:

• Hedef istasyondaki geçmiş su seviyesi
• Noktasal yağış
• Üç saatlik birikimli yağış
• Radar veya gözleme dayalı havza ortalamalı yağış
• Yukarı akım su seviyeleri
• Aşağı akım su seviyesi
• Gelgit seviyesi

Girdi kümesi her saha için aynı tutulmamıştır. Örneğin Haman Nehri’nde geri su etkisini temsil etmek amacıyla iki yukarı akım ve bir aşağı akım istasyonunun su seviyeleri eklenmiştir. Suyeong Nehri’nde ise nehir ağzına yakın konum nedeniyle gelgit seviyesi ve iki ayrı bölgenin havza ortalamalı yağışı kullanılmıştır.

Bu saha uyarlaması yöntemin güçlü yönlerinden biridir; ancak aynı zamanda her sahada farklı sayıda ve türde değişken kullanıldığı için performans farklarının yalnızca model mimarisinden kaynaklandığını söylemeyi zorlaştırmaktadır.

Geleneksel taşkın eşikleri

Çalışmada dikkat, tedbir, alarm ve ciddi taşkın düzeyleri için yerel sabit su seviyesi eşikleri kullanılmıştır.

Bu eşikler tahmin modellerinin precision ve recall değerlerini hesaplamak ve geleneksel uyarı sistemiyle karşılaştırma yapmak için kullanılmıştır. FLOWT² ise uyarı kararını doğrudan bu seviyelerin aşılmasına bağlamamaktadır.

DualTNet mimarisi nasıl çalışmaktadır?

DualTNet, küçük akarsulardaki iki farklı zaman davranışını ayrı kollarda öğrenmek üzere tasarlanmıştır:

• Tekrarlanan mevsimsel, günlük veya gelgit kaynaklı periyodik davranışlar
• Yağış sonrasında ortaya çıkan ani ve farklı ölçeklerdeki yükselişler

Çok ölçekli giriş işleme

Girdi serileri önce farklı zaman ölçeklerine indirgenmektedir. Böylece model aynı olayın kısa aralıklı hızlı değişimlerini ve daha uzun dönemli eğilimini ayrı çözünürlüklerde inceleyebilmektedir. Her ölçek normalleştirilmekte ve öğrenilebilir bir temsil uzayına aktarılmaktadır.

EPDM kolu

Enhanced Past Decomposable Mixing olarak adlandırılan ilk kol, geçmiş serilerdeki periyodik bilgiyi tahmin omurgasına eklemektedir.

Bu kolda şu işlemler uygulanmaktadır:

1. Hızlı Fourier dönüşümüyle baskın periyotların çıkarılması
2. Bir boyutlu zaman serisinin iki boyutlu periyodik yapılara dönüştürülmesi
3. Farklı boyuttaki evrişim çekirdekleriyle dönem içi ve dönemler arası değişimlerin öğrenilmesi
4. Periyodik bilginin ne kadar kullanılacağını belirleyen uyarlanabilir kapı
5. Mevsimsel ve eğilim bileşenlerinin ayrı işlenmesi
6. Farklı zaman ölçeklerindeki tahminlerin Future Multi-Predictor Mixing modülüyle birleştirilmesi

Periyodik artık kolu

İkinci kol, ana tahmin yolunun tam olarak yakalayamadığı periyodik bileşenleri düzeltmektedir. Bu kol da hızlı Fourier dönüşümü, iki boyutlu evrişim ve uyarlanabilir kapı kullanmakta; ancak sonunda doğrusal bir tahmin başlığı üzerinden doğrudan bir artık düzeltmesi üretmektedir.

Uyarlanabilir füzyon

EPDM ve periyodik artık kollarından gelen sonuçlar ölçek bazında birleştirilmektedir. Füzyon modülü, her zaman ölçeğinin mevcut hidrolojik durum için ne kadar önemli olduğunu öğrenmektedir. Böylece model yağış kaynaklı ani yükselişlerde kısa ölçeklere, daha düzenli salınımlarda ise uzun ölçekli veya periyodik bilgilere daha fazla ağırlık verebilmektedir.

Hangi modellerle karşılaştırma yapılmıştır?

DualTNet yedi farklı zaman serisi modeliyle aynı giriş uzunluğu ve üç saatlik tahmin ufku altında karşılaştırılmıştır:

• LSTM
• GRU
• Standart Transformer
• FEDformer
• Non-stationary Transformer
• TimesNet
• TimeMixer

LSTM, Güney Kore’deki taşkın kontrol birimlerinde kullanılan operasyonel modele karşılık geldiği için pratik referans olarak seçilmiştir. TimesNet periyodik örüntüleri, TimeMixer ise çok ölçekli zaman bileşenlerini öğrenen daha güncel karşılaştırma modelleridir.

Hiperparametreler nasıl belirlenmiştir?

Model ayarlarının seçimi için Optuna kullanılmıştır. Aranan temel hiperparametreler şunlardır:

Dikkat başlığı sayısı gömme boyutuna göre otomatik eşleştirilmiştir. Bununla birlikte her model ve saha için seçilen nihai değerler, deneme sayısı, optimizasyon amacı, erken durdurma ayarları ve rastgelelik tohumları ana metinde verilmemiş; Ek Materyal D’ye yönlendirilmiştir. İlgili ek materyal yüklenen sürümde bulunmamaktadır.

Tahmin başarısı nasıl ölçülmüştür?

Kök ortalama kare hata:

\[ RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(\hat{y}_i-y_i)^2} \]

RMSE büyük hataları daha güçlü biçimde cezalandırmaktadır. \(y_i\) gözlenen, \(\hat{y}_i\) tahmin edilen su seviyesidir.

Ortalama mutlak hata:

\[ MAE=\frac{1}{n}\sum_{i=1}^{n}|\hat{y}_i-y_i| \]

MAE, tahminlerin gözlemlerden ortalama mutlak sapmasını metre cinsinden göstermektedir.

Belirleme katsayısı:

\[ R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

\(R^2\) değerinin 1’e yaklaşması, tahmin edilen su seviyesi değişiminin gözlenen değişimle güçlü biçimde uyuştuğunu göstermektedir.

Taşkın eşiğine dayalı precision:

\[ Precision=\frac{TP}{TP+FP} \]

Taşkın olarak tahmin edilen zamanların ne kadarının gerçekten eşik üzerinde olduğunu gösterir.

Recall:

\[ Recall=\frac{TP}{TP+FN} \]

Gerçek eşik aşımı zamanlarının ne kadarının model tarafından yakalandığını ölçer.

Tahmin sonuçları

DualTNet dört saha ortalamasında en düşük RMSE ve MAE ile en yüksek R², precision ve recall değerlerini üretmiştir.

DualTNet’in TimeMixer’a göre ortalama RMSE farkı 0,0031 metre, MAE farkı 0,0014 metredir. Başka bir ifadeyle modelin en güçlü güncel karşılaştırma yöntemine göre kazancı santimetrenin altında veya birkaç milimetre düzeyinde görünse de hızlı yükseliş ve tepe değerlerinin zamanlamasında olay bazlı farkların daha büyük olduğu ileri sürülmektedir.

Joman Nehri

DualTNet 0,0144 metre RMSE, 0,0069 metre MAE ve 0,9948 R² elde etmiştir. Precision 0,9076, recall 0,9150’dir. Şekil 5’te LSTM, GRU, Transformer ve FEDformer’ın bazı hızlı yükselişleri yumuşattığı veya tepe seviyesini düşük tahmin ettiği; DualTNet’in gözlenen eğriyi daha yakın izlediği gösterilmektedir.

Haman Nehri

Geri su etkisinin bulunduğu sahada DualTNet’in RMSE değeri 0,0075 metre, MAE değeri 0,0040 metre ve R² değeri 0,9998’dir. Precision ve recall değerleri 0,9979 olarak verilmiştir. Bu saha çalışmadaki en yüksek sayısal uyumu üretmiştir.

Namdae Nehri

DualTNet 0,0058 metre RMSE, 0,0028 metre MAE ve 0,9969 R² elde etmiştir. Ancak test döneminde geleneksel taşkın eşiklerinden hiçbiri aşılmamıştır. Buna rağmen bütün modeller için precision ve recall 1,0000 olarak raporlanmıştır.

Gerçek pozitif ve tahmin edilen pozitif örnek bulunmadığında:

\[ Precision=\frac{0}{0} \]

\[ Recall=\frac{0}{0} \]

olacağından bu metrikler matematiksel olarak tanımsızdır. Değerlerin 1 olarak atanması, dört saha ortalamasındaki sınıflandırma sonuçlarını yapay biçimde yükseltmektedir. Bu nedenle Namdae sonuçları yalnızca RMSE, MAE ve R² üzerinden yorumlanmalıdır.

Suyeong Nehri

Gelgit etkisinin güçlü olduğu sahada DualTNet 0,0458 metre RMSE, 0,0334 metre MAE ve 0,9783 R² elde etmiştir. TimeMixer’ın RMSE değeri 0,0459 metredir; dolayısıyla iki model arasındaki fark yalnızca 0,0001 metredir. Bu saha DualTNet’in avantajının bütün koşullarda büyük olmadığını göstermektedir.

Tahmin belirsizliği

Şekil 5’te DualTNet tahminlerinin çevresinde %95 tahmin aralıkları gösterilmiştir. Aralıkların yüksek su seviyelerinde genişlediği, özellikle Haman ve Suyeong sahalarında uç değerler çevresindeki belirsizliğin arttığı görülmektedir.

Ancak ana yöntem bölümünde bu aralıkların Monte Carlo dropout, model ensemble’ı, artık dağılımı, konformal tahmin veya başka bir yöntemle nasıl üretildiği açıklanmamıştır. Bu nedenle %95 ifadesinin gerçek kapsama oranı bağımsız olarak değerlendirilememektedir.

Modelin açıklanabilirliği nasıl incelenmiştir?

t-SNE analizi

LSTM, TimeMixer ve DualTNet’in son gizli katmanlarından çıkarılan temsiller t-SNE yöntemiyle düşük boyutlu uzaya aktarılmıştır. Noktaların rengi zamanı, büyüklüğü ise tahmin edilen su seviyesini temsil etmektedir.

Joman Nehri için hazırlanan şekillerde LSTM temsillerinin sıkışık bir yapı oluşturduğu, TimeMixer’ın daha geniş dağıldığı ve DualTNet’in yüksek su seviyesi tahminlerini belirli bir bölgede daha belirgin biçimde topladığı ileri sürülmektedir.

Bu görsel, yüksek su durumlarının model içinde farklı temsil edildiğini düşündürmektedir; ancak t-SNE denetimsiz bir görselleştirme yöntemidir. Sonuçlar kullanılan perplexity, başlangıç tohumu ve uzaklık ölçüsüne duyarlı olabilir. Bu parametreler bildirilmemiştir. Ayrıca yöntem metni üç boyutlu izdüşümden söz ederken şekil iki eksenli, iki boyutlu bir gösterim sunmaktadır.

Integrated Gradients analizi

Integrated Gradients, tahmin çıktısının her girdiye duyarlılığını bir referans girdiden gerçek girdiye uzanan yol boyunca biriktirmektedir:

\[ IG_i(x)=(x_i-x'_i)\int_0^1 \frac{\partial F(x'+\alpha(x-x'))}{\partial x_i}\,d\alpha \]

• \(x_i\): Gerçek girdi özelliği
• \(x'_i\): Referans veya başlangıç girdisi
• \(F\): Tahmin modeli
• \(\alpha\): Referanstan gerçek girdiye geçiş katsayısı
• \(IG_i\): Özelliğin tahmine atfedilen katkısı

Joman Nehri’ndeki seçilmiş yüksek su olayında LSTM’nin büyük ölçüde son su seviyesi gözlemlerine dayandığı görülmüştür. TimeMixer birikimli yağışa daha fazla ağırlık vermiş, ancak katkıları daha geniş bir zaman aralığına dağıtmıştır.

DualTNet’te birikimli yağış, mevcut su seviyesi, yağış ve havza ortalamalı yağış birlikte etkili olmuştur. Katkıların özellikle tahmin anına yakın saatlerde yoğunlaşması, küçük akarsulardaki kısa süreli yağış–seviye tepkisiyle uyumlu olarak yorumlanmıştır.

Bu analiz modelin hangi girdilere duyarlı olduğunu göstermektedir; ancak nedensellik kanıtlamamaktadır. Yüksek atıf değeri, ilgili değişkenin taşkının fiziksel nedeni olduğunu veya modelin bütün olaylarda aynı karar yolunu kullandığını göstermez.

FLOWT² erken uyarı yöntemi

Tahminden yükselme hızına geçiş

DualTNet’in üç saat sonraki su seviyesi tahmini, mevcut gözlemle karşılaştırılarak ortalama yükselme hızı hesaplanmıştır:

\[ r_t=\frac{\hat{h}_{t+T|t}-h_t}{T} \]

• \(r_t\): Tahmin edilen ortalama su seviyesi yükselme hızı
• \(\hat{h}_{t+T|t}\): \(t\) anında üretilen \(t+T\) su seviyesi tahmini
• \(h_t\): Mevcut gözlenen su seviyesi
• \(T\): Tahmin ufku; bu çalışmada 3 saat

Büyük ve pozitif bir \(r_t\) değeri, su seviyesinin önümüzdeki üç saat içinde hızla yükselmesinin beklendiğini göstermektedir.

Tarihsel normal davranış

Yükselme hızının tarihsel ortalaması:

\[ \mu_r=\frac{1}{N}\sum_{i=1}^{N}r_i \]

Dağılım ölçüsü metinde şu biçimde verilmiştir:

\[ s_r=\frac{1}{N-1}\sum_{i=1}^{N}(r_i-\mu_r)^2 \]

Bu ifade standart sapmadan ziyade örnek varyansını hesaplamaktadır. Metin bir yerde \(s_r^2\) ifadesini kullanırken denklemde \(s_r\) yazmaktadır. Bu nedenle notasyon açık ve tutarlı değildir.

FLOWT² istatistiği

Tahmin edilen yükselme hızının normal davranıştan uzaklığı:

\[ T_t^2=\frac{(r_t-\mu_r)^2}{s_r} \]

şeklinde hesaplanmıştır. İzlenen değer tek boyutlu olduğundan bu ifade pratikte standartlaştırılmış sapmanın karesine karşılık gelmektedir. Geleneksel Hotelling T² yöntemi çok değişkenli vektörler için geliştirilmiş olsa da burada yalnızca tek bir yükselme hızı serisine uygulanmıştır.

Kontrol üst sınırı:

\[ UCL=\frac{m+1}{m}F_{1-\alpha;1,m-1} \]

olarak verilmiş ve \(\alpha=0{,}005\) kullanılmıştır. \(T_t^2>UCL\) koşulu oluştuğunda anormal bir yükselme uyarısı üretilmiştir.

Formüllerde tarihsel örnek sayısı önce \(N\), kontrol sınırında ise \(m\) ile gösterilmiştir. Metin bunların aynı örnek kümesini temsil edip etmediğini açıkça belirtmemektedir.

Kontrol sınırının belirlenmesindeki belirsizlik

Çalışma ortalama ve varyansın “tarihsel veri kümesinden” hesaplandığını belirtmektedir; ancak bu kümenin yalnızca eğitim verilerini mi, eğitim ve doğrulamayı mı, yoksa bütün gözlem dönemini mi kapsadığı açıklanmamıştır.

Kontrol sınırına test dönemindeki veriler dâhil edildiyse gelecekteki davranış model geliştirme aşamasına sızmış olur. Yalnızca eğitim döneminin kullanıldığı açıkça gösterilmediğinden uyarı performansının tamamen veri sızıntısından bağımsız olduğu doğrulanamamaktadır.

FLOWT² hangi olayları tespit etmiştir?

Uyarı yönteminin başarısı dört sahadaki toplam sekiz “önemli su seviyesi yükselişi” üzerinden değerlendirilmiştir.

DualTNet tabanlı yöntem sekiz önemli olay için sekiz uyarı üretmiş ve bunların tamamı doğru olaylarla eşleştirilmiştir. LSTM tabanlı yöntem toplam 18 olay uyarısı üretmiş, yalnızca dördü önemli yükselişlerle eşleşmiştir. TimeMixer tabanlı sistem sekiz uyarı üretmiş ve altı önemli olayı yakalamıştır.

“%100 tespit oranı” nasıl yorumlanmalıdır?

Çalışmada kullanılan oran şöyledir:

\[ \text{Önemli olay tespit oranı}=\frac{\text{Doğru tespit edilen önemli olay}}{\text{Gerçek önemli olay sayısı}} \]

Bu ölçü olay bazlı recall değeridir. Yanlış uyarılar paydaya dâhil edilmemektedir. Örneğin Suyeong sahasında LSTM üç uyarı üretmiş ve yalnızca biri gerçek önemli olayla eşleşmiştir; buna rağmen gerçek tek olayı yakaladığı için oran %100 olarak verilmiştir.

Bu nedenle tek başına “%100 tespit” ifadesi yanlış alarm bulunmadığını göstermez. DualTNet tablosunda üretilen olay sayısıyla doğru olay sayısı aynı olduğundan, raporlanan küçük örneklemde ek yanlış olay görünmemektedir. Yine de yöntemin güvenilirliğini değerlendirmek için olay precision’ı, yanlış alarm oranı, ortalama uyarı süresi, uyarı başına tekrar sayısı ve zamanlama hatası da raporlanmalıdır.

Joman Nehri’ndeki erken uyarı karşılaştırması

Çalışmanın ayrıntılı örneğinde üç sistem karşılaştırılmıştır:

FLOWT², yalnızca ciddi su seviyesi eşiğinin üç saat sonraki tahminde aşılmasını beklememiş; yükselmenin olağan davranıştan sapmaya başladığı daha erken dönemde uyarı üretmiştir. Bu nedenle üç saatlik bir tahmin modelinden bazı olaylarda üç saatten daha uzun bir “eşik aşımına kalan süre” elde edilebilmiştir.

Çalışmanın genel tablosunda saha ve olaya göre yaklaşık 3 saat ile 1 gün arasında ön süre bildirilmektedir. Ancak bir güne ulaşan örnekler Ek Materyal G’de gösterildiği belirtilen şekillere dayanmaktadır. Bu ek materyaller yüklenen sürümde bulunmadığından bir günlük üst sınır ana metinden bağımsız olarak doğrulanamamaktadır.

Çalışmanın güçlü yönleri

• Dört farklı hidrolojik koşula sahip gerçek küçük akarsu kullanılmıştır.
• Eğitim, doğrulama ve test dönemleri rastgele karıştırılmak yerine yıllara göre ayrılmıştır.
• Önerilen model yedi güçlü zaman serisi yöntemiyle karşılaştırılmıştır.
• Tahmin hatalarının yanı sıra eşik tabanlı precision ve recall değerleri sunulmuştur.
• Hızlı yükseliş, geri su ve gelgit etkileri ayrı sahalarda incelenmiştir.
• Model davranışı t-SNE ve Integrated Gradients ile görselleştirilmiştir.
• Tahmin modeli doğrudan operasyonel bir uyarı mantığına bağlanmıştır.
• Uyarılar yalnızca zaman adımı düzeyinde değil, olay ölçeğinde de incelenmiştir.
• Model seçiminde gelecekteki bir yılın test dönemi olarak ayrılması, rastgele bölümlemeye göre daha gerçekçi bir değerlendirme sağlamıştır.

Başlıca sınırlılıklar

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Yalnızca dört Güney Kore akarsuyunda sınanmıştır; bağımsız bir ülke veya havzada dış doğrulama yoktur.
• Uyarı değerlendirmesinde toplam yalnızca sekiz önemli yükseliş olayı bulunmaktadır.
• Önemli yükseliş olaylarının nesnel başlangıç, bitiş ve şiddet tanımları açıklanmamıştır.
• Olay tespit oranı yanlış alarm sayısını cezalandırmamaktadır.
• Namdae sahasında pozitif eşik aşımı bulunmadığı hâlde tanımsız precision ve recall değerleri 1 olarak verilmiştir.
• Tekrarlı eğitimler, rastgelelik tohumları, standart sapmalar ve güven aralıkları raporlanmamıştır.
• DualTNet’in EPDM, periyodik artık ve uyarlanabilir füzyon bileşenleri için ayrı modül çıkarım deneyi yapılmamıştır.
• Modelin kazancının hangi mimari bileşenden kaynaklandığı doğrudan gösterilmemiştir.
• Optuna’nın deneme sayısı ve seçilen nihai hiperparametreler ana metinde yoktur.
• Kod, eğitilmiş model ağırlıkları ve veri hazırlama betikleri için açık depo bağlantısı verilmemiştir.
• FLOWT² kontrol sınırının eğitim, doğrulama veya bütün dönemlerden hangisiyle hesaplandığı belirtilmemiştir.
• FLOWT² tek değişkenli bir yükselme hızına uygulanmasına rağmen Hotelling T² olarak adlandırılmıştır.
• Varyans ve standart sapma notasyonu ile \(N\) ve \(m\) örnek sayısı sembolleri tutarlı değildir.
• %95 tahmin aralıklarının nasıl oluşturulduğu açıklanmamıştır.
• t-SNE metni üç boyutlu izdüşümden söz ederken şekil iki boyutludur.
• Bir güne kadar uyarı süresini destekleyen ek şekiller yüklenen sürümde bulunmamaktadır.
• Gerçek zamanlı işlem süresi, donanım, veri akışı gecikmesi ve sistem kullanılabilirliği ölçülmemiştir.
• Sensör arızası, eksik veri, haberleşme kesintisi ve hatalı yağış ölçümü senaryoları sınanmamıştır.
• Uyarıların gerçek yöneticiler tarafından kullanıldığı operasyonel pilot uygulama sunulmamıştır.

Çalışma neyi desteklemektedir?

Sonuçlar, DualTNet’in seçilen dört akarsuyun 2024 test verilerinde karşılaştırılan yedi modele göre daha düşük ortalama su seviyesi tahmin hatası üretebildiğini desteklemektedir. Model özellikle Joman ve Haman sahalarındaki hızlı veya geri su etkili yükselişlerde güçlü sonuç vermiştir.

Çalışma ayrıca sabit taşkın eşiklerinin, iyi bir üç saatlik tahmin modeliyle kullanıldığında gözlenen eşik aşımından önce uyarı sağlayabileceğini; tahmin edilen yükselme hızının istatistiksel sapmasını izleyen FLOWT² yaklaşımının bazı olaylarda bu süreyi daha da uzatabileceğini göstermektedir.

Integrated Gradients sonuçları DualTNet’in yalnızca geçmiş su seviyesine değil, yağış ve birikimli yağış gibi dış girdilere de duyarlı olduğunu göstermektedir. Bu bulgu modelin tahmin davranışının küçük akarsuların kısa süreli yağış tepkisiyle uyumlu olabileceğini desteklemektedir.

Çalışma neyi kanıtlamamaktadır?

Araştırma, DualTNet-FLOWT² sisteminin bütün küçük akarsularda %100 taşkın tespiti sağlayacağını kanıtlamamaktadır. %100 değeri yalnızca dört sahada tanımlanan sekiz önemli yükseliş olayına aittir.

Çalışma yöntemin Türkiye’de, farklı iklimlerde, ölçüm istasyonlarının seyrek olduğu havzalarda veya tahmin edilenden daha şiddetli olaylarda aynı doğruluğu koruyacağını göstermez. Model geçmiş gözlemlerde bulunmayan hidrolojik koşullarda ek doğrulama gerektirir.

Bir günlük uyarı süresi evrensel bir tahmin ufku değildir. Model yalnızca üç saat ilerideki su seviyesini tahmin etmektedir. Daha uzun ön süre, başlangıç niteliğindeki anormal yükselmenin nihai taşkın eşiğinden çok önce tespit edilmesine dayanmaktadır ve her olayda oluşmayabilir.

Ayrıca modelin sahada gerçek zamanlı çalışan, kesintisiz, güvenilir ve kurumsal karar süreçlerine entegre edilmiş bir erken uyarı sistemi olduğu gösterilmemiştir.

Türkiye açısından olası önemi

Yöntem, Türkiye’de kısa tepki süreli küçük akarsuların ve şehir içi derelerin izlenmesi açısından anlamlı bir araştırma çerçevesi sunmaktadır. Özellikle yalnızca sabit su seviyesi eşiklerine dayanan sistemlerde, tahmin edilen yükselme hızının ayrıca izlenmesi daha erken karar üretme potansiyeli taşımaktadır.

Türkiye’de uygulanacak bir sistem için yerel akarsuların ölçüm sıklığı, yağış radarları, yukarı ve aşağı akım istasyonları, gelgit veya geri su etkileri ve yerel taşkın eşikleri ayrı ayrı modellenmelidir. Güney Kore’de eğitilen ağırlıkların Türkiye’ye doğrudan aktarılması uygun değildir.

Operasyonel kullanımdan önce aşağıdaki doğrulamalar gereklidir:

1. Birden fazla Türkiye havzasında geçmiş olaylarla geriye dönük test
2. Taşkın olaylarının bağımsız uzmanlarca ve önceden tanımlanan ölçütlerle etiketlenmesi
3. Yanlış alarm oranı, kaçırılan olay oranı ve uyarı zamanlama hatasının birlikte raporlanması
4. Canlı sensör ve yağış verileriyle gerçek zamanlı pilot çalışma
5. Eksik veri ve iletişim kesintisi senaryoları
6. Kontrol sınırlarının yalnızca geçmiş eğitim döneminden hesaplanması
7. Olasılıksal tahmin ve kalibre edilmiş belirsizlik aralıkları
8. Yerel afet yönetimi birimleriyle insan–sistem karar akışının sınanması

Çalışmanın Yöntemi ve Bulguları

En önemli sayısal sonuçlar

• DualTNet’in dört saha ortalama RMSE değeri 0,0184 metredir.
• Ortalama MAE 0,0118 metre, R² 0,9925’tir.
• Ortalama precision 0,9706, recall 0,9658 olarak bildirilmiştir.
• Joman Nehri’nde RMSE 0,0144 metre ve R² 0,9948’dir.
• Haman Nehri’nde RMSE 0,0075 metre ve R² 0,9998’dir.
• Namdae Nehri’nde RMSE 0,0058 metre ve R² 0,9969’dur.
• Suyeong Nehri’nde RMSE 0,0458 metre ve R² 0,9783’tür.
• DualTNet-FLOWT² toplam sekiz önemli yükselişin sekizini tespit etmiştir.
• Joman örneğinde sabit eşikli DualTNet yaklaşık 3 saat ön süre sağlamıştır.
• Aynı olayda DualTNet-FLOWT² yaklaşık 3–8 saat ön süre üretmiştir.

Sonuçların güvenilirliğini artıracak ek deneyler

1. DualTNet bileşenlerinin ayrı ayrı çıkarıldığı ablasyon testleri
2. En az beş farklı rastgelelik tohumu ile ortalama ve standart sapma raporlanması
3. Rolling-origin veya ardışık yıllara dayalı çoklu zaman serisi doğrulaması
4. Bağımsız ülke ve havzalarda dış test
5. Olay precision’ı, recall, F1, yanlış alarm oranı ve uyarı zamanlama hatası
6. FLOWT² için farklı alfa değerlerinin duyarlılık analizi
7. Kontrol sınırının yalnızca eğitim verisiyle hesaplandığının gösterilmesi
8. Yüksek su olayı tanımının nesnel ve önceden belirlenmiş ölçütlere bağlanması
9. Tahmin aralıkları için kapsama olasılığı ve ortalama aralık genişliği
10. Sensör arızası, eksik veri ve gecikmeli veri testleri
11. Gerçek zamanlı işlem süresi ve donanım kaynak tüketimi ölçümü
12. Yerel afet yönetimi birimleriyle operasyonel pilot uygulama

Kaynak ve Yöntem Notu

Çalışmanın özgün adı: Interpretable flood early warning via dual-branch temporal network: Application to small rivers with rapid water-level changes

Kısa başlık: DualTNet-based flood prediction

Yazarlar ve doğru sıralama: HaEun Jung, YoungHo Song, Sangdan Kim, KiJeon Nam.

Eş birinci yazar veya eş katkı: Çalışmada eş birinci yazarlık ya da eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: KiJeon Nam.

Kurumsal bağlantı: Department of Environmental Engineering, Pukyong National University, Busan 48513, Republic of Korea.

DOI:10.2139/ssrn.7025913

Resmî çalışma sayfası:SSRN resmî kaydı

Yayın platformu: SSRN.

Platform işletmecisi: Elsevier bünyesindeki SSRN platformu.

Yüklenme tarihi: 30 Haziran 2026.

Yayın yılı: 2026.

Dergi: Hakemli bir dergi yayını doğrulanmamıştır. Çalışmanın başında yer alan “VSI: AI–Hydrology Digital Twins” ifadesi olası bir özel sayı hedefini göstermekte, yayımlanmış dergi kimliği oluşturmamaktadır.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.

Kaynak türü: Yeni bir derin öğrenme mimarisi, açıklanabilir yapay zekâ analizi ve tahmine dayalı istatistiksel erken uyarı yöntemi içeren hesaplamalı hidroloji araştırması.

Finansman: Çalışma, Korea Environment Industry & Technology Institute tarafından yürütülen ve Korea Ministry of Environment tarafından desteklenen RS-2024-00332300 numaralı proje ile National Research Foundation of Korea’nın RS-2025-16067766 numaralı desteği kapsamında finanse edilmiştir.

Üretken yapay zekâ kullanımı: Yazarlar ChatGPT’yi dil bilgisi düzeltmesi için kullandıklarını, içeriği daha sonra gözden geçirerek bütün sorumluluğu üstlendiklerini belirtmiştir.

Çıkar çatışması: Yüklenen sürümde açık bir çıkar çatışması beyanı yer almamaktadır.

Yazar katkıları: Ayrıntılı yazar katkı tablosu veya CRediT beyanı bulunmamaktadır.

Veri kaynakları: Su seviyesi, noktasal yağış ve bazı havza ortalamalı yağış verileri Nakdong River Flood Control Office; radar tabanlı havza yağış verileri Han River Flood Control Office; gelgit verileri Korea Hydrographic and Oceanographic Agency kaynaklıdır.

Veri ve kod erişimi: Model kodu, eğitim betikleri, eğitilmiş ağırlıklar, tam veri kümeleri ve yeniden üretilebilir deney yapılandırması için açık bir depo bağlantısı verilmemiştir.

Ek materyal durumu: Çalışmada matematiksel mimari ayrıntıları, model açıklamaları, Optuna sonuçları, diğer sahalardaki XAI analizleri ve erken uyarı karşılaştırmaları için Ek Materyal A–G’ye atıf yapılmaktadır. Bu ek materyaller yüklenen 49 sayfalık sürümde bulunmamaktadır.

Bu Türkçe açıklama, çalışmanın ana metni, formülleri, tabloları, zaman serileri, mimari şemaları, tahmin grafikleri, t-SNE gösterimleri, Integrated Gradients analizleri ve olay bazlı uyarı tabloları temel alınarak hazırlanmıştır. Bilimsel sonuçlara dış kaynaklardan yeni bulgu eklenmemiştir. Dış kontrol yalnızca başlık, yazarlar, DOI, yüklenme tarihi, platform ve resmî çalışma bağlantısının doğrulanması amacıyla kullanılmıştır.

Sonuçlar yalnızca incelenen dört Güney Kore akarsuyunun belirtilen test dönemleri için geçerlidir. DualTNet-FLOWT² sistemi, farklı havzalara veya operasyonel afet yönetimi süreçlerine yerel kalibrasyon, dış doğrulama ve canlı saha deneyi olmadan doğrudan aktarılmamalıdır.