Weather + Hidroloji Birleşince Ne Olur?

Yağış / Kar / Sıcaklık → Havza → Debi Zincirini Bilimsel, Operasyonel ve Modelleme Perspektifinden Anlamak

“Gökyüzünden düşen su” ne zaman megavata dönüşür?

Bir HES için kritik soru şudur: “Gökyüzünden düşen su ne zaman ve ne kadar megavata dönüşecek?”

Bu sorunun cevabı yalnızca “kaç mm yağış oldu?” değildir.

Atmosferden gelen forcing (yağış, sıcaklık, radyasyon, rüzgâr, nem) ile nehirde ölçtüğümüz response (debi) arasındaki ilişki doğrusal değildir [1]. Arada; topografya, toprak yapısı, kar örtüsü ve kanal hidrolikleri tarafından şekillenen karmaşık bir havza filtresi vardır.

İklim değişikliğiyle birlikte hidrolojik durağanlık varsayımının zayıflaması, geçmiş istatistiklere aşırı yaslanan yöntemleri daha kırılgan hale getirmiştir [2][8]. Bu nedenle modern hidrolojik tahmin sistemleri forcing–state–response zincirini birlikte ele almak zorundadır.

Bu yazıda bu zinciri üç seviyede inceleyeceğiz:

1. Fiziksel süreçler
2. Operasyonel etkiler
3. HES ve Hydrowise perspektifi

TL; DR

• Doğrusal Olmayan Dönüşüm: Yağışın debiye dönüşümü birebir orantılı değildir; infiltrasyon kapasitesi ve öncül nem koşulu (AMC) dönüşümü kökten değiştirir [4][5].
• Kriyosferik Tampon: Kar, suyu SWE olarak depolar. SWE ve erime hızı baz akımı ve bahar üretim planlamasını belirler [3][9].
• Lag Time: Yağış piki ile debi piki arasındaki zaman farkı saatlerden günlere uzanabilir; morfoloji + routing belirler [10][7].
• Rain-on-Snow: Kar örtüsü üzerine yağan sıcak yağmur, en zor tahmin edilen hidrolojik şoklardan biridir; pik büyür, lag kısalabilir [6][4][5].
• Hibrit Modeller: Fiziksel sistemler ile derin öğrenmeyi birleştiren yaklaşımlar, özellikle rejim değişimlerinde daha stabil tahmin performansı sağlar. [8] [2]

Forcing–State–Response

İleri seviye hidrolojik tahminin omurgası, sistemi iki temel denge üzerinden okumaktır:

1. Kütle dengesi (mass balance): Su nereye gidiyor?

• infiltrasyon (toprak/yeraltı)
• yüzey akışı (runoff)
• depolama (kar, toprak, rezervuar)
• buharlaşma/terleme

1. Enerji dengesi (energy balance): Su hangi fazda ve hangi hızla hareket ediyor?

• kar erimesi
• buharlaşma/yoğuşma
• radyasyon etkisi

Bu ikisi birlikte “forcing → state → response” zincirini belirler [1][2]. Buradaki ana fikir şudur: debi, sadece meteorolojik girdinin (forcing) sonucu değil, aynı zamanda havzanın “hafızasının” (state) sonucudur.

Sızma (Infiltration) ve Toprak Nemi (AMC): “Havzanın Hafızası”

Atmosferden inen suyun nehir kanalına yüzeysel akış (runoff) olarak mı, yoksa toprağa/yeraltına sızma olarak mı geçeceği; toprağın hidrolik özellikleri kadar öncül nem koşuluna (Antecedent Moisture Condition, AMC) bağlıdır. Bu, “aynı yağışın farklı günlerde farklı debi üretmesi”nin en temel fiziksel nedenidir.

Sahada pratik olarak kritik eşik şudur:

Yağış şiddeti, toprağın anlık sızma kapasitesini aştığında Horton tipi yüzey akışı tetiklenir; toprak zaten doygunsa (yüksek AMC), sızma daha da azalır ve yağışın büyük kısmı hızlı akış bileşenine geçer [4][5].

Operasyonel karşılığı: AMC düşükken “yağış gördük” diye üretim beklentisini agresif büyütmek, pik debiyi sistematik şekilde abartma riski taşır.

Kar Dinamikleri ve SWE: Doğal depo, doğal gecikme

Yüksek rakımlı havzalarda kar örtüsü hidrolojik döngünün en büyük “geciktirici ve depolayıcı” bileşenidir. Karın varlığı forcing–response zincirini iki kritik şekilde değiştirir:

• Depolama etkisi: Kar yağışı anında debi üretmeyebilir; su SWE olarak birikir [9].
• Enerji etkisi: Debi üretimi, sıcaklığa ek olarak radyasyon, rüzgâr ve nemle ilişkili enerji akılarına hassas hale gelir [1].

Snowmelt literatürü, erime hızının akım rejimini “dikte eden” bir parametre olabileceğini gösterir: erime hızı arttıkça akımın zamanlaması ve piki belirgin biçimde değişir [3]. SWE’nin mevsimsel su arzı değişkenliğinde önemli rolü olduğu da vurgulanır [9].

Kanal Pürüzlülüğü (Manning’s n) ve Routing: “Sadece havza değil, kanal da değişir”

Su kanala ulaştığında artık yalnızca “ne kadar su var” sorusu değil, “bu su ne kadar sürede tesise ulaşır” sorusu önem kazanır. Burada en kritik parametrelerden biri Manning pürüzlülük katsayısıdır (n).

Geleneksel yaklaşımda n çoğunlukla statik bir tablo değeri gibi kullanılır. Ancak güncel çalışmalar, pürüzlülüğün uzamsal-zamansal değişkenliğinin taşkın modelleme hataları üzerinde belirgin etkisi olabileceğini ortaya koyar [7]. Bu, özellikle yüksek akım şiddeti dönemlerinde (taşkın dalgası) pik zamanlaması ve pik genliği hatalarını büyütebilir.

Nasıl Çalışır? Yağış → Havza → Debi dönüşüm zinciri

Bu bölümde “meteorolojik girdi ile hidrolojik çıktı” arasındaki dönüşümü operasyonel olarak anlamlı bir zincir halinde kuralım:

1. Forcing (atmosfer): yağış miktarı + şiddeti + fazı, sıcaklık, radyasyon, rüzgâr, nem [1]
2. State (havza): AMC/toprak nemi, SWE/kar deposu, önceki debi (baseflow) [2][9]
3. Dönüşüm süreçleri: infiltrasyon, depolama, yüzey/alt yüzey akışı [4][5]
4. Routing (kanal): dalga iletimi; pürüzlülük, kesit, taşkın yatağı etkileşimi [7]
5. Response: debi hidrografı (Q(t))

1. Forcing: Hangi meteorolojik değişkenler debiyi “gerçekten” etkiler?

Kurumsal tahmin sistemlerinde forcing’i yalnızca “yağış mm” ile sınırlamak yaygın bir hatadır. İleri seviye perspektifte forcing seti en az şu bileşenleri içerir:

• Yağış miktarı + yağış şiddeti + yağış fazı (yağmur/kar)
• Sıcaklık (0°C eşiği özellikle kritik)
• Radyasyon (kar erimesinde kritik enerji girdisi)
• Rüzgâr ve bağıl nem (enerji dengesi bileşenleri) [1]

2. State: Havzanın “hafızası” neden şart?

Aynı yağışın farklı günlerde farklı debi üretmesi, state değişkenleriyle yakalanır:

• AMC/toprak nemi
• SWE/kar deposu
• Önceki debi (baseflow)

Fizik tabanlı entegre sistemler (örn. WRF-Hydro sınıfı), forcing–state–response ayrımını doğrudan model yapısına gömer [2].

Gecikme Etkisi (Lag Time): Zamanlama hatası neden büyük maliyet yaratır?

Lag time, şiddetli yağışın mekânsal ağırlık merkezi ile nehirdeki pik debi arasındaki zaman farkıdır [10]. Lag’in oluşmasında üç ana mekanizma vardır:

1. Depolama ve kayıp süreçleri: interception, depression storage, infiltrasyon [4][5]
2. Akış yolları: yüzey akışı daha hızlı, alt akış daha yavaştır
3. Kanal yönlendirme (routing): kanal pürüzlülüğü ve kesit yapısı dalganın hızını belirler [7]

Lag’i belirleyen havza morfolojisi faktörleri

• Havza şekli ve drenaj yoğunluğu: Dairesel/yoğun drenaj → daha eşzamanlı toplanma → pik artar, lag kısalır.
• Rölyef/eğim: Eğim arttıkça yüzey akışı hızlanır → lag azalır.
• Arazi kullanımı: Orman hidrografı yayar, geçirimsiz yüzey hidrografı sivriltir.
• Kanal pürüzlülüğü (Manning): Dinamik değişkenlik taşkın koşullarında zamanlama hatasını büyütebilir [7].

Kar Rejimi: SWE deposu, erime hızı ve üretim planlaması

Karlı havzalarda “yağış oldu mu debi artar” cümlesi çoğu zaman yanlış anlaşılır. Çünkü kar, suyu anlık akışa değil depoya çevirir. Bu depoyu ölçmeye en yakın değişken SWE’dir [9].

Snowmelt hızı neyi değiştirir?

Snowmelt hızı iki şeyi aynı anda belirler:

• Toplam akım katkısının zamanlaması
• Pik debi büyüklüğü

Snowmelt hızının streamflow’u “dikte edebildiği” vurgusu, kar erimesini sadece “sıcaklığa bağlı basit bir fonksiyon” gibi görmenin riskini gösterir [3].

Kar rejiminde belirsizliğin kaynağı

Kar erimesi yalnızca sıcaklıkla değil; enerji dengesinin diğer bileşenleriyle de ilişkilidir (radyasyon, rüzgâr, nem) [1]. Kurumsal tahmin için pratik sonuç nettir: SWE yoksa ya da kar fazı doğru ayrıştırılmıyorsa, bahar döneminde sistematik bias oluşur [3][9].

Rain-on-Snow (ROS): Tahmin edilmesi en zor hidrolojik şok

ROS (karda yağmur) olayları; kar deposu + sıcak yağmur forcing’i + enerji akıları nedeniyle “normal” kar erimesinden çok daha agresif bir debi tepkisi üretebilir [6]. Yellowstone 2022 olayı, atmosferik nehirle gelen sıcak ve nemli hava kütlesinin kar erimesini hızlandırarak pik debi ve erozyon davranışını dramatik biçimde değiştirdiğini göstermiştir [6].

ROS’ta neden lineerlik kırılır?

ROS senaryosunda üç etki üst üste biner:

1. Yağmurun doğrudan su yükü
2. Karın enerji alımının artması ve erimenin hızlanması
3. Doygun/donmuş zemin koşullarında infiltrasyonun düşmesi [4][5]

Sonuç: Debi piki büyür, lag kısalabilir ve hidrograf sivrilebilir.

Kanal pürüzlülüğü ve modelleme hataları: Routing’i “sonradan eklenen detay” sanmayın

Birçok kurum yağış–akış modelini kurarken “havza üretimi”ne odaklanır; routing kısmını ise standart parametrelerle geçer. Ancak çalışmalar, kanal pürüzlülüğündeki uzamsal-zamansal değişkenliğin taşkın modelleme hatalarını anlamlı ölçüde artırabildiğini vurgular [7].

Kurumsal Çıkarım:

• Pik debiyi doğru tahmin etmek yetmez; pik zamanlamasını doğru yakalamak gerekir.
• Dinamik pürüzlülük/kanal koşullarını yok saymak, varış zamanı (lag) hatasını büyütebilir [7].

Ölçümsüz havzalar: Pik debi tahmini neden daha zordur?

Ölçümsüz havzalarda (ungauged basins) iki temel problem birlikte yaşanır:

• Parametrelerin doğrudan kalibre edilememesi
• Rejim değişimlerinin erken yakalanamaması

Pik debi tahmini üzerine yapılan derlemeler, ölçümsüz havzalarda belirsizliğin yüksek olduğunu ve yöntem seçiminin kritik hale geldiğini ortaya koyar [10]. Bu nedenle kurumsal uygulamalarda fiziksel model bileşenleri + uzaktan algılama proxy’leri + veri güdümlü düzeltme katmanları daha yaygındır.

Hibrit modelleme: Fiziksel sistem + Weather-informed Transformer

İklim rejimlerinin değiştiği, ekstrem olayların sıklaştığı ve verinin heterojen olduğu ortamlarda tek bir yaklaşımın “her koşulda” iyi çalışması zordur. Bu yüzden hibrit mimariler öne çıkar:

• Fiziksel Model: süreç bilgisini taşır (kütle/enerji dengesi)
• Derin Öğrenme: non-lineer örüntüleri ve sistematik bias’ları yakalar

Weather-informed Transformer + fiziksel model birleşimini kullanan örnek çalışmalar hibrit yaklaşımın pratikte güçlü bir performans sunduğunu gösterir [8]. WRF-Hydro gibi sistemler ise forcing–state–response zincirini operasyonel tahmin altyapısına dönüştürür [2].

HES ve enerji tesisi tarafında etkisi: Tahmin hatası neden pahalıdır?

HES işletmecileri için debi tahmini sadece bir mühendislik problemi değil; aynı zamanda ticari risk problemidir. Debi hatası şu kanallardan maliyete döner:

Dengesizlik ve Zamanlama Sapması

Lag’in yanlış hesaplanması suyun türbinlere beklenenden erken/geç ulaşmasına yol açar. Bu, saatlik üretim planında sapmayı büyütür.

Fırsat Maliyeti ve Spill

ROS gibi beklenmeyen yüksek inflow koşullarında rezervuar yönetimi önceden optimize edilmemişse spill artabilir; bu, doğrudan üretilemeyen enerji demektir [6].

Türbin ve Ekipman Riskleri

Yüksek akım şiddeti sediment taşınımını artırabilir; ekipman aşınması, plansız duruş ve bakım maliyetleri artabilir.

Örnek senaryo: Yellowstone ROS olayı neyi öğretti?

Yellowstone 2022 olayı, hidro-meteorolojik zincirin bir “sistem” olarak ele alınması gerektiğini net biçimde gösterdi: Atmosferik nehirle gelen sıcak ve nemli hava, kar deposu üzerinde yağmur forcing’i oluşturdu; erime hızlandı, infiltrasyon koşulları değişti, kanal koşulları taşkın rejimine geçti. Sonuç: pik debi ve erozyon davranışında büyük değişim [6].

Kurumsal ders:

• Sadece yağış tahmin doğruluğu yetmez.
• “Kar var mı (SWE)?” ve “enerji koşulları ne?” sorularını anlık izlemek gerekir [3][9].
• Kanal/routing belirsizliğini izlemek gerekir [7].

Hydrowise / Renewasoft yaklaşımı: Fiziksel dinamikleri yapay zekâ ile yönetmek

Geleneksel, yalnızca geçmiş ortalamalara veya tek bir istatistiksel ilişkiye dayanan modeller, ROS gibi non-lineer ekstrem olaylarda kırılgan kalabilir. Bu nedenle Hydrowise yaklaşımı “weather → havza → debi” zincirini katmanlı ele alır:

Weather Ingest ve Faz Ayrımı

Yağışın türü (kar/yağmur) ve sıcaklık eşiği kritik olduğundan, forcing girdi katmanında bu ayrım net yapılır [1].

State Tahmini: SWE / AMC Proxy’leri

SWE’nin su arzını belirlediği, erime hızının akımı şekillendirdiği bilindiği için, kar dinamikleri state katmanında görünür kılınır [3][9]. AMC/toprak nemi tarafında da havzanın “hazır olma” durumu izlenir [4][5].

Hibrit Tahmin: Fiziksel Model + Transformer Düzeltmesi

Fiziksel model çıktıları, weather-informed transformer gibi yaklaşımlarla bias düzeltmesine tabi tutularak rejim değişimlerinde stabilite artırılabilir [8][2].

Routing ve Zamanlama: Kanal Dinamiklerinin İzlenmesi

Kanal pürüzlülüğünün taşkın modelleme hatasına etkisi göz önüne alınarak, zamanlama doğruluğu ve routing parametreleri izlenebilir [7].

Sık Sorulan Sorular

1. Yağış miktarı ile HES’e gelecek debi neden doğrudan orantılı değildir?
   Çünkü yağışın önemli bir kısmı sızma ve depolama süreçlerine gider; AMC/toprak nemi, yağışın ne kadarının akışa dönüşeceğini belirler [4][5].
2. Havza gecikme süresi (Lag Time) nedir?
   Yağışın merkez üssü ile nehirde oluşan pik debi arasındaki zaman farkıdır. Havza morfolojisi ve kanal dinamiklerine bağlıdır [10][7].
3. Rain-on-Snow (ROS) olayları neden bu kadar tehlikelidir?
   Çünkü yağmur forcing’i kar deposu ve enerji koşullarıyla birleşerek lineer olmayan şekilde pik büyütür; Yellowstone 2022 bunun çarpıcı bir örneğidir [6].
4. Manning pürüzlülük katsayısı neden sabit alınmamalıdır?
   Çünkü pürüzlülük koşulları akım şiddeti ve taşkın yatağı etkileşimiyle değişebilir; bu değişkenlik modelleme hatasını artırabilir [7].
5. Hibrit model ne kazandırır?
   Fiziksel süreç bilgisini korurken veri güdümlü düzeltmeyle bias’ı azaltır ve rejim değişimlerinde stabilite sağlar [8][2].
6. SWE ölçmeden kar rejiminde tahmin yapılabilir mi?
   Yapılabilir; ancak belirsizlik artar ve bahar döneminde sistematik bias riski yükselir [3][9].
7. Operasyonel olarak hangi KPI’lar izlenmeli?
   Sadece genlik değil, “peak timing” (pik zamanlama) doğruluğu da izlenmelidir; çünkü ticari maliyet çoğu zaman zamanlamadan gelir [10][7].

 Sonuç ve Sonraki Adımlar

Meteoroloji ve hidrolojinin birleşimi, yüzlerce değişkenin, havza özelliklerinin ve kanal koşullarının birlikte çalıştığı dinamik bir sistemdir. Yağışın türü (kar/yağmur), zemin doygunluğu (AMC) ve kar deposu (SWE) birleştiğinde, Yellowstone örneğinde olduğu gibi yıkıcı taşkınlara veya enerji piyasasında ağır maliyetlere neden olabilecek hidrolojik şoklar oluşabilir [6][9][3].

Kurumsal tarafta mesaj nettir: statik, geçmişe aşırı yaslanan yaklaşımlar daha sık yetersiz kalır. Süreç bilgisini taşıyan fizik tabanlı sistemler ile rejim değişimlerine adaptif veri güdümlü yaklaşımları birleştiren hibrit mimariler, HES üretim tahmini ve sapma yönetimi için yeni standart haline gelmektedir [2][8].

Sonraki adımlar (kurumsal kontrol listesi):

1. Havzanız için minimum state setini çıkarın: AMC/toprak nemi proxy + SWE proxy + lag profili
2. ROS gibi birleşik olay sınıfları için erken uyarı sinyalleri tanımlayın
3. Zamanlama doğruluğunu (peak timing) ayrı bir KPI olarak izleyin
4. Hydrowise Üretim Tahmin Modülü ile katmanlı ve hibrit yaklaşımı demo ortamında test edin

Üretim planlamasındaki belirsizlikleri azaltmak, dengesizlik riskini yönetmek ve ekstrem hava olaylarına karşı erken uyarı mekanizmaları kurmak için Hydrowise ekibiyle iletişime geçin ve demo talep edin.

KAYNAKÇA

• [1] NOAA / American Meteorological Society. Hydrometeorology (Scientific Review). 1978. Erişim: 2024-05-24.
• [2] NCAR Research Applications Laboratory. WRF-Hydro® Modeling System. 2026. Erişim: 2024-05-24.
• [3] Geophysical Research Letters. Snowmelt rate dictates streamflow. 2016. Erişim: 2024-05-24.
• [4] University of Minnesota Water Resources Research Center. Modeling the Infiltration Component of the Rainfall-Runoff Process. 1971. Erişim: 2024-05-24.
• [5] Water (MDPI). Rainfall Infiltration Modeling: A Review. 2018. Erişim: 2024-05-24.
• [6] NSF Public Access Repository / Geological Society of America. Exploring variability in peak discharge and erosion caused by the June 2022 atmospheric river flood in northern Yellowstone National Park. 2024. Erişim: 2024-05-24.
• [7] Earth’s Future. Spatiotemporal Variability of Channel Roughness and its Substantial Impacts on Flood Modeling Errors. 2024. Erişim: 2024-05-24.
• [8] Applied Sciences (MDPI). Hybrid Hydrological Forecasting Through a Physical Model and a Weather-Informed Transformer Model: A Case Study in Greek Watershed. 2025. Erişim: 2024-05-24.
• [9] Hydrology: Current Research (Hilaris). The Role of Snowpack Dynamics in Seasonal Water Supply Variability. 2024. Erişim: 2024-05-24.
• [10] Journal of Water and Climate Change. Peak discharge estimation for ungauged basins: a review. 2025. Erişim: 2024-05-24.