Su, yaşamın temel kaynağıdır ve dünya nüfusunun artan ihtiyaçlarını karşılamak için yer altı su kaynaklarının doğru ve verimli bir şekilde tespit edilmesi kritik öneme sahiptir. Geleneksel yöntemlerin yerini alan modern bilimsel teknikler, veri analizi ve teknolojik araçlar sayesinde yer altı suyu aramak artık çok daha hassas ve güvenilir hale gelmiştir. Yer altı suyu, toprak ve kayalardaki boşlukları, çatlakları ve gözenekleri dolduran su olarak tanımlanır. Bu suyun depolandığı ve hareket ettiği yeraltı sistemleri iki temel bölgeye ayrılır:
- Doymuş Zon (Saturation Zone)
Doymuş zon, tüm gözeneklerin ve boşlukların tamamen su ile dolu olduğu bölgedir. Bu zon, kuyuların su aldığı asıl kaynaktır. Doymuş zonun üst sınırı "yer altı suyu seviyesi" veya "su tablosu" olarak adlandırılır. Bu seviye mevsimsel değişikliklere, yağış miktarına ve bölgesel tüketim oranlarına bağlı olarak değişkenlik gösterebilir. Doymuş zondaki su, yerçekimi etkisiyle hareket eder ve genellikle daha düşük seviyelere doğru akar. Kuyular, bu zondan su çekmek için doymuş zona kadar kazılmalıdır. Ancak sadece doymuş zona ulaşmak yeterli değildir; suyun yeterli miktarda ve sürekli olarak temin edilebilmesi için akifer özelliklerinin de uygun olması gerekir. - Doymamış Zon (Unsaturated Zone)
Doymamış zon, yer yüzeyi ile doymuş zon arasında kalan ve boşluklarının hem hava hem de su içerdiği bölgedir. Bu bölgedeki su, toprak partiküllerine tutunmuş veya kapiler kuvvetlerle yukarı doğru çekilmiş olabilir. Bitkiler, köklerini bu bölgeye uzatarak su alırlar. Doymamış zonda su hareketi genellikle yukarı doğrudur (buharlaşma ve bitki emilimi yoluyla) veya yağışlardan sonra aşağı doğru infiltrasyonla gerçekleşir. Bu zon, yer altı suyu beslenmesinde önemli bir geçiş bölgesidir.
Akifer: Yer Altı Su Deposu
Akifer, suyu depolama ve iletme kapasitesine sahip gözenekli kaya veya toprak tabakasıdır. Akiferlerin başlıca özellikleri şunlardır:
- Gözeneklilik: Kayacın veya toprağın toplam hacmine oranla boşluk hacmi
- Geçirgenlik: Suyun gözenekler arasında hareket edebilme kapasitesi
- Depolama kapasitesi: Ne kadar su tutabileceği
- Verim: Kuyu açıldığında ne kadar su vereceği
Akiferler, kum, çakıl, kireçtaşı veya kırıklı kayaçlardan oluşabilir. En verimli akiferler genellikle kum ve çakıl tabakalarıdır çünkü bu malzemelerin gözenekliliği ve geçirgenliği yüksektir.
Suyun yer altındaki hareketi üç ana faktöre bağlıdır: - Yerçekimi: Suyun aşağı doğru inmesini ve düşük basınç alanlarına doğru akmasını sağlar
- Topografya: Yüksek alanlardan alçak alanlara doğru doğal bir hidrolik gradyan oluşturur
- Gözenek bağlantısı: Gözeneklerin birbirine bağlı olması suyun hareket edebilmesini mümkün kılar
Su Ararken Kullanılan Bilimsel Göstergeler
Modern hidrojeoloji, yer altı suyu aramada yalnızca teknolojik araçlara değil, aynı zamanda doğal göstergelere de büyük önem verir. Bu göstergeler, daha detaylı araştırmalar için yön gösterici olur. - Topografya ve Yüzey Özellikleri
Topoğrafya, suyun doğal akış yönünü belirlemede birinci derecede önemlidir. Su her zaman yerçekimi etkisiyle yüksek alanlardan alçak alanlara doğru hareket eder. Bu nedenle:
- Vadi tabanları ve çukur alanlar: Su toplama potansiyeli yüksek olan bu alanlar, yer altı suyu için öncelikli araştırma bölgeleridir
- Dere yatakları: Mevsimlik veya kalıcı dere yatakları, altlarında genellikle alüvyal akiferler barındırır
- Eğim değişimleri: Eğimin azaldığı noktalar, suyun yavaşlayıp biriktiği alanlardır
- Yeşil bitki örtüsü: Kurak mevsimlerde bile yeşil kalan alanlar, yer altı suyuna yakın olduklarını gösterir
Topografik analiz için dijital yükseklik modelleri (DEM) kullanılarak arazi eğimi, akış yönü ve su toplama havzaları hesaplanabilir. - Bitki Örtüsü ve Bitki Türleri
Bitkiler, doğanın en güvenilir su göstergelerindendir. Farklı bitki türleri farklı su ihtiyaçlarına sahiptir ve bu da onların dağılımını belirler:
- Freatofit bitkiler: Kökleri doğrudan yer altı suyuna ulaşan bitkilerdir. Söğüt (Salix), kavak (Populus), dişbudak (Fraxinus) bu kategoriye girer
- Sazlıklar ve kamışlar: Yüksek nem ve sığ su tablolarının göstergesidir
- Tuzcu bitkiler: Tuzlu akiferlerin varlığını işaret edebilir
- Mevsimsel değişiklikler: Kurak dönemde yeşil kalan ağaç ve çalılıklar, kökleriyle yer altı suyuna erişiyor olabilir
Uzaktan algılama teknikleriyle (uydu görüntüleri, NDVI analizi) bitki örtüsü yoğunluğu ve sağlığı haritalanarak nemli alanlar tespit edilebilir. - Toprak Yapısı ve Özellikleri
Toprak yapısı, suyun infiltrasyonu ve depolanması üzerinde doğrudan etkilidir:
Kumlu ve gevşek topraklar:
- Yüksek geçirgenlik
- Suyu hızla geçirir ve derinlere taşır
- İyi drenaj özelliği
- Yüzeyde su tutmaz ama derin akiferler besleyebilir
Killi ve sıkışık topraklar:
- Düşük geçirgenlik
- Suyu tutar ve yavaş geçirir
- Yüzeyde su birikintisi oluşabilir
- Akifer üzerinde bir örtü görevi görebilir (aquitard)
Alüvyal topraklar:
- Dere ve nehir yataklarında bulunur
- Değişken tane boyutu
- Genellikle iyi akifer özellikleri
Toprak analizi için laboratuvar testleri (tane boyutu dağılımı, gözeneklilik, hidrolik iletkenlik) yapılarak kesin bilgiler elde edilir. - Yer Altı Jeolojik Yapısı
Jeolojik yapı, yer altı suyu sistemlerinin temel belirleyicisidir:
Kayaç türleri:
- Kumtaşı: İyi gözenekli, iyi akifer
- Kireçtaşı: Çözünme ve karst yapıları, iyi akifer
- Bazalt: Sütunsal kırıklar, iyi su verimi
- Granit: Kompakt, ancak kırıklarda su bulunabilir
- Şeyl: Zayıf geçirgenlik, fakir akifer
Yapısal özellikler:
- Faylar: Su hareket koridorları oluşturabilir
- - Kırıklar ve çatlaklar: Kompakt kayaçlarda su depolama alanları
- Katmanlanma: Farklı geçirgenliğe sahip tabakalar
- Diskordanslar: Farklı yaştaki kayaçların temas yüzeyleri
Jeolojik haritalama, sondaj verileri ve jeofizik araştırmalarla yer altı jeolojisi detaylı olarak ortaya çıkarılır.
Modern Bilimsel Yöntemler
Yer altı suyu bulmak için kullanılan modern teknikler, invazif olmayan (yer altına müdahale etmeyen) ve invazif (sondaj gibi) yöntemler olmak üzere iki ana kategoriye ayrılabilir. Bu yöntemler genellikle birlikte kullanılarak en doğru sonuçlar elde edilir.
A. Jeofizik Yöntemler
Jeofizik yöntemler, yer yüzeyinden yapılan ölçümlerle yer altı hakkında bilgi edinmeyi sağlar. Bu yöntemler, kazı yapmadan geniş alanları hızlı ve ekonomik bir şekilde taramaya olanak tanır. - Elektriksel Rezistivite Tomografisi (ERT)
ERT, yer altının elektriksel direnç özelliklerini ölçerek farklı malzemeleri ayırt etmeyi sağlar.
Çalışma prensibi:
- Toprağa elektrotlar yerleştirilir (genellikle 20-100 elektrot)
- Elektrot çiftleri arasından küçük elektrik akımı (mA seviyesinde) gönderilir
- Diğer elektrot çiftleriyle voltaj farkı ölçülür
- Ölçümler farklı elektrot kombinasyonları için tekrarlanır
- Elde edilen verilerle yer altının 2D veya 3D direnc haritası oluşturulur
Yorumlama:
- Düşük direnç (1-50 ohm-m): Su ile doymuş kil, sulu kum veya tuzlu su
- Orta direnç (50-500 ohm-m): Nemli toprak, kumlu kil karışımları
- Yüksek direnç (>500 ohm-m): Kuru kaya, granit, kuru kum
Avantajlar:
- Geniş alanları hızla tarama
- Derinlik profili oluşturma (10-500 metre arası)
- Nispeten ekonomik
- Tekrarlanabilir ölçümler
Dezavantajlar:
- Jeolojik yorumlama gerektirir
- Çok heterojen alanlarda karmaşık sonuçlar
- Toprak nem içeriği sonuçları etkileyebilir - Yer Penetrasyon Radarı (GPR - Ground Penetrating Radar)
GPR, yüksek frekanslı radyo dalgaları göndererek yer altı yapılarını görüntüler.
Çalışma prensibi:
- Anten, elektromanyetik dalgalar (10 MHz - 2.5 GHz) yayar
- Dalgalar, farklı elektriksel özelliklere sahip tabakaların sınırlarında yansır
- Yansıyan dalgalar anten tarafından algılanır
- Gidiş-dönüş süresi kullanılarak derinlik hesaplanır
- Sürekli ölçümlerle profil oluşturulur
Uygulamalar:
- Doymuş ve doymamış zon ayrımı
- Su tablası derinliği tespiti (sığ alanlarda)
- Kaya yapısı ve katmanlanma
- Boşluklar ve çatlaklar
Avantajlar:
- Yüksek çözünürlük
- Hızlı veri toplama
- Gerçek zamanlı görüntüleme
- Portabilite
Dezavantajlar:
- Sınırlı penetrasyon derinliği (killi topraklarda 1-5 m, kumlu topraklarda 10-30 m)
- Elektriksel iletken malzemelerde zayıf performans
- Pahalı ekipman - Manyetik ve Elektromanyetik Yöntemler
Bu yöntemler, yer altının manyetik ve elektromanyetik özelliklerini kullanır.
Elektromanyetik İletkenlik (EM):
- Verici bobin elektromanyetik alan oluşturur
- İletken malzemeler bu alanda ikincil akımlar üretir
- Alıcı bobin ikincil alanı ölçer
- İletkenlik haritası oluşturulur
Uygulamalar:
- Tuzlu su arayüzü tespiti
- Hızlı arazi taraması
- Kil tabakalarının belirlenmesi
Manyetik Yöntemler:
- Kayaçların doğal manyetik özelliklerini ölçer
- Genellikle dolaylı bilgi sağlar
- Jeolojik yapı ve fay hatlarının belirlenmesinde yardımcı - Sismik Yöntemler
Sismik yöntemler, yer altından yansıyan veya kırılan sismik dalgaları kullanır.
Sismik kırılma:
- Farklı tabakaların sismik hız farklılıklarından yararlanır
- Su tablası genellikle sismik hızda ani artışa neden olur
- Derinlik ve tabaka kalınlığı hesaplanır
Sismik yansıma:
- Daha derin yapılar için kullanılır
- Yüksek çözünürlüklü katman görüntüleme
- Akifer geometrisi belirleme
B. Hidrojeolojik Yöntemler
Hidrojeolojik yöntemler, mevcut verileri ve teorik bilgileri kullanarak yer altı suyu sistemlerini anlamaya çalışır. - Jeolojik Harita Analizi
Jeolojik haritalar, yer yüzeyindeki ve yer altındaki kayaç dağılımını gösterir:
- Akifer haritaları: Hangi formasyonların su taşıdığı
- Stratigrafik kesitler: Tabakaların düşey dağılımı
- Yapısal haritalar: Faylar, kıvrımlar, jeolojik yapılar
- Hidrojeolojik kesitler: Su akışı ve akifer bağlantıları
Modern CBS (Coğrafi Bilgi Sistemleri) yazılımları, bu haritaların dijital analizi ve çakıştırılmasına olanak tanır. - Kuyu Verileri Analizi
Mevcut kuyulardan elde edilen veriler, bölgesel yer altı suyu karakteristiğini anlamak için kritiktir:
Toplanması gereken veriler:
- Kuyu koordinatları ve yüksekliği
- Toplam derinlik
- Su seviyesi (statik ve dinamik)
- Verim (debi, m³/gün veya litre/saniye)
- Jeolojik log (hangi derinlikte hangi kayaç)
- Su kalitesi parametreleri
- İşletme süresi ve değişimler
Analiz yöntemleri:
- Su seviyesi kontur haritaları: Suyun akış yönünü gösterir
- Hidrolik gradyan hesaplaması: Akış hızı tahmini
- Verim korelasyonları: Jeoloji ile verim ilişkisi
- İstatistiksel analizler: Bölgesel ortalamalar ve varyasyon - Pompalama Testleri
Pompalama testleri, akifer özelliklerini doğrudan ölçmenin en güvenilir yoludur:
Test türleri:
- Step-drawdown test: Farklı pompalama oranlarında düşüm ölçümü
- Sabit debili pompalama testi: Uzun süreli pompalama ve gözlem
- Geri dönüş testi: Pompalama sonrası su seviyesinin toparlanması
- Hesaplanan parametreler:
- Transmisivite (T): Akiferin su iletme kapasitesi (m²/gün)
- Depolama katsayısı (S): Su depolama yeteneği (boyutsuz)
- Hidrolik iletkenlik (K): Akifer geçirgenliği (m/gün)
- Verim: Sürdürülebilir su çekimi miktarı - Toprak ve Kaya Testleri
Laboratuvar ve arazi testleriyle malzeme özellikleri doğrudan ölçülür:
Fiziksel testler:
- Gözeneklilik ölçümü: Toplam boşluk hacmi (%)
- Efektif gözeneklilik: Suya bağlı olmayan gözenek hacmi
- Tane boyutu analizi: Kum-kil-silt dağılımı
- Özgül ağırlık ve yoğunluk: Malzeme karakterizasyonu
Hidrolik testler:
- Permeabilite (geçirgenlik) testi: Darcy deneyiyle K değeri
- Infiltrasyon testi: Yüzey suyunun sızma hızı
- Su tutma eğrisi: Toprak nemi - emme basıncı ilişkisi
C. Jeomorfolojik ve Arazi Gözlemi Yöntemleri
Deneyimli hidrojeologlar, arazi gözlemleriyle önemli ipuçları elde edebilir:
Doğal işaretler:
- Mevcut kaynaklar ve pınarlar: Akiferin yüzeye çıktığı noktalar
- Bataklık ve sazlıklar: Sığ su tablası göstergeleri
- Toprak rengi: Koyu renkler yüksek nem, kırmızımsı renkler oksidasyonu gösterir
- Çatlak sistemleri: Yüzeydeki kırıklar derinlerde de devam edebilir
- Karstik yapılar: Mağaralar, dolinler, sinkhole'ler kireçtaşı akiferlerini işaret eder
Arazi haritalama:
- Detaylı jeolojik haritalama
- Topografik ölçümler
- Bitki örtüsü dağılımı
- Yüzey suyu akış yönleri
- İnsan yapısı su yapıları (eski kuyular, sarnıçlar)
Veri Analizi ve Tahmin Modelleme
Modern yer altı suyu araştırmaları, büyük veri setlerini bir araya getirerek istatistiksel ve hesaplamalı yöntemlerle en olası su alanlarını belirler. Bu yaklaşım, hem maliyeti düşürür hem de başarı oranını artırır.
Veri Türleri ve Özellikleri
Etkili bir yer altı suyu tahmin modeli oluşturmak için çeşitli veri katmanlarına ihtiyaç vardır: - Topografik Veriler
Parametreler:
- Yükseklik (elevasyon): DEM'den elde edilir (çözünürlük: 10-90 m)
- Eğim (slope): Derece veya yüzde olarak
- Bakı (aspect): Kuzeye, güneye vs. bakan yamaçlar
- Topoğrafik nem indeksi (TWI): Su biriktirme potansiyeli
- Drenaj yoğunluğu: Birim alandaki dere uzunluğu
- Pürüzlülük: Arazi engebeli mi düz mü
Kullanım:
- Su toplama havzalarının belirlenmesi
- Doğal drenaj ağının analizi
- Yüzey akış modelleme
Veri kaynakları:
- SRTM (Shuttle Radar Topography Mission)
- ASTER GDEM
- LiDAR verileri (yüksek hassasiyet)
- Topoğrafik haritalar - Jeolojik Veriler
Parametreler:
- Kayaç türü: Litolojik sınıflandırma
- Kayaç yaşı: Jeolojik dönem
- Yapısal özellikler: Faylar, kıvrımlar, diskordanslar
- Gözeneklilik: % olarak
- Geçirgenlik: Darcy değeri veya hidrolik iletkenlik
Kullanım:
- Akifer potansiyelinin belirlenmesi
- Su depolama kapasitesi tahmini
- Akifer tipi sınıflandırması
Veri kaynakları:
- Ulusal jeoloji haritaları
- Sondaj logları
- Jeofizik araştırma raporları
- Bilimsel yayınlar - Hidrolojik Veriler
Parametreler:
- Mevcut kuyu konumları: GPS koordinatları
- Kuyu derinliği: Metre cinsinden
- Su seviyesi: Yer yüzeyinden derinlik
- Verim: Debi (m³/gün, l/s)
- Su kalitesi: EC, pH, başlıca iyonlar
- Yıllık değişimler: Mevsimsel fluktuasyonlar
Kullanım:
- Model eğitimi ve validasyonu
- Bölgesel akifer davranışı anlama
- Hidrolik gradyan ve akış yönü belirleme
Veri kaynakları:
- Devlet Su İşleri (DSİ) kayıtları
- Belediye kuyu kayıtları
- Özel sondaj şirketleri
- Akademik araştırma projeleri - İklim ve Meteorolojik Veriler
Parametreler:
- Yıllık yağış: mm/yıl
- Mevsimsel dağılım: Aylık yağış
- Potansiyel evapotranspirasyon (PET): mm/yıl
- Sıcaklık: Yıllık ortalama ve değişim
- Nem: Relatif nem oranı
- Rüzgar: Buharlaşmayı etkiler
Kullanım:
- Su bütçesi hesaplama (Yağış - Evapotranspirasyon = Yeraltına sızma + Yüzey akış)
- Mevsimsel su tablası değişimleri tahmini
- Uzun dönemli sürdürülebilirlik analizi
Veri kaynakları:
- Meteoroloji İstasyonları
- Uydu verileri (TRMM, GPM)
- İklim modelleri
- Yeniden analiz veri setleri (ERA5) - Arazi Kullanımı ve Bitki Örtüsü
Parametreler:
- NDVI (Normalized Difference Vegetation Index): -1 ile +1 arası, yeşillik göstergesi
- Arazi kullanım sınıfları: Orman, tarım, yerleşim, çıplak alan
- Bitki türü: Freatofit bitkiler, tarım bitkileri
- LAI (Leaf Area Index): Yaprak alan indeksi
Kullanım:
- Bitki su tüketimi (evapotranspirasyon) tahmini
- Freatofit bitkilerin varlığına göre sığ su tablası tespiti
- - Arazi kullanımının infiltrasyona etkisi
Veri kaynakları:
- Landsat, Sentinel-2 uydu görüntüleri
- MODIS bitki örtüsü ürünleri
- Corine Arazi Örtüsü veri tabanı - Toprak Özellikleri
Parametreler:
- Toprak tipi: FAO veya USDA sınıflandırması
- Tekstür: Kum-kil-silt oranları
- Organik madde içeriği: %
- Derinlik: Etkili toprak derinliği
- Drenaj sınıfı: İyi drenajlı, zayıf drenajlı
Kullanım:
- Infiltrasyon kapasitesi tahmini
- Yüzey akış - yeraltı sızma ayrımı
- Tarımsal kullanım potansiyeli
Veri kaynakları:
- Toprak haritaları
- SoilGrids global veri tabanı
- Arazi etüt raporları
CBS (Coğrafi Bilgi Sistemleri) ile Entegrasyon
Tüm bu farklı veri türlerini bir araya getirmek ve analiz etmek için CBS yazılımları kullanılır (ArcGIS, QGIS, GRASS GIS).
Veri Katmanlarının Oluşturulması
Adım 1: Veri toplama ve standartizasyon
- Tüm veriler aynı koordinat sistemine dönüştürülür (örn. WGS84 UTM)
- Aynı piksel/grid boyutuna getirme (örn. 30m x 30m)
- Eksik veriler interpolasyon ile doldurulur (IDW, Kriging)
Adım 2: Katman oluşturma
Her veri türü için ayrı bir CBS katmanı oluşturulur:
- Elevation layer (yükseklik)
- Slope layer (eğim)
- Geology layer (jeoloji)
- Rainfall layer (yağış)
- NDVI layer (bitki örtüsü)
- vb.
Adım 3: Öznitelik tabloları
Her katmanın piksellerine ait sayısal değerler kaydedilir.
Çok Kriterli Değerlendirme (Multi-Criteria Evaluation)
Farklı katmanlar, ağırlıklı toplama ile birleştirilir:
Su Potansiyeli Skoru = (w1 × Eğim) + (w2 × Jeoloji) + (w3 × Yağış) + ... + (wn × Bitki Örtüsü)
Burada w1, w2, ... wn ağırlık katsayılarıdır ve toplamları 1'dir. Ağırlıklar, uzman görüşü veya Analitik Hiyerarşi Prosesi (AHP) ile belirlenir.
Örnek ağırlık dağılımı:
- Jeoloji: 0.30 (en önemli)
- Eğim: 0.20
- Yağış: 0.15
- Mevcut kuyu mesafesi: 0.15
- Bitki örtüsü: 0.10
- Toprak tipi: 0.10
Çalışma alanının her noktası için 0-100 arası bir "yer altı suyu potansiyel skoru" hesaplanır.
Görselleştirme ve Haritalama
Hesaplanan skorlar, renk skalasıyla görselleştirilir:
- Koyu mavi/yeşil (80-100): Çok yüksek potansiyel
- Açık yeşil (60-80): Yüksek potansiyel
- Sarı (40-60): Orta potansiyel
- Turuncu (20-40): Düşük potansiyel
- Kırmızı (0-20): Çok düşük potansiyel
Bu harita, arazi ekiplerinin hangi bölgelere odaklanması gerektiğini gösterir.
İstatistiksel ve Makine Öğrenmesi Yaklaşımları
CBS tabanlı çok kriterli değerlendirme yöntemi subjektif ağırlıklandırma içerir. Daha objektif ve veri odaklı sonuçlar için istatistiksel modelleme ve makine öğrenmesi teknikleri kullanılır.
Veri Hazırlama ve Ön İşleme
Örnek çalışma alanı: 500 km² büyüklüğünde bir bölge
Mevcut kuyu sayısı: 150 adet (100 verimli, 50 düşük verimli veya kuru)
Adım 1: Veri matrisinin oluşturulması
Her kuyu için özellik vektörü hazırlanır:
| Kuyu ID | Eğim (°) | Yükseklik (m) | Jeoloji | Yağış (mm/yıl) | NDVI | Toprak Tipi | Fay Mesafesi (km) | Dere Mesafesi (km) | Su Var? |
|---------|----------|---------------|---------|----------------|------|-------------|-------------------|-------------------|---------|
| K001 | 5.2 | 450 | Kumtaşı | 750 | 0.65 | Kum-kil | 2.1 | 0.3 | 1 (Evet) |
| K002 | 18.5 | 680 | Granit | 620 | 0.42 | Kil | 5.8 | 2.5 | 0 (Hayır) |
| K003 | 3.1 | 380 | Alüvyon | 780 | 0.71 | Kumlu | 0.8 | 0.1 | 1 (Evet) |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
Adım 2: Kategorik değişkenlerin kodlanması
Jeoloji ve toprak tipi gibi kategorik değişkenler sayısal değerlere dönüştürülür:
Jeoloji kodlaması (su potansiyeline göre):
- Alüvyon: 5 (en yüksek)
- Kumtaşı: 4
- Kireçtaşı: 4
- Bazalt: 3
- Şeyl: 2
- Granit: 1 (en düşük)
Toprak tipi kodlaması:
- Kumlu: 5
- Kum-kil: 4
- Tınlı: 3
- Kil-tın: 2
- Kil: 1
Adım 3: Normalizasyon
Farklı ölçeklerdeki değişkenler 0-1 arası normalize edilir:
Normalize_değer = (Değer - Min) / (Max - Min)
Örneğin eğim için:
- Minimum: 0°, Maksimum: 35°
- Eğim 5.2° → (5.2 - 0) / (35 - 0) = 0.149
Adım 4: Veri setinin bölünmesi
- Eğitim seti: 105 kuyu (%70)
- Validasyon seti: 45 kuyu (%30)
Model 1: Lojistik Regresyon
Lojistik regresyon, ikili sınıflandırma (su var/yok) için temel bir istatistiksel yöntemdir.
Model denklemi:
P(Su = 1) = 1 / (1 + e^(-z))
z = β0 + β1×Eğim + β2×Yükseklik + β3×Jeoloji + β4×Yağış + β5×NDVI + β6×Toprak + β7×Fay_Mesafe + β8×Dere_Mesafe
Eğitim sonrası elde edilen katsayılar (β değerleri):
| Değişken | Katsayı (β) | p-değeri | Yorum |
|----------|-------------|----------|-------|
| Sabit (β0) | -3.45 | 0.001 | İstatistiksel olarak anlamlı |
| Eğim | -0.082 | 0.003 | Negatif: Eğim arttıkça su olasılığı azalır |
| Yükseklik | -0.004 | 0.015 | Negatif: Yüksek kesimlerde daha az su |
| Jeoloji | 0.755 | 0.000 | Pozitif: İyi jeoloji su olasılığını artırır |
| Yağış | 0.006 | 0.001 | Pozitif: Yağış arttıkça su olasılığı artar |
| NDVI | 1.420 | 0.002 | Pozitif: Yeşil örtü su varlığını gösterir |
| Toprak | 0.385 | 0.008 | Pozitif: Geçirgen toprak olumlu |
| Fay Mesafesi | -0.125 | 0.045 | Negatif: Faya yakınlık olumlu (ters ilişki) |
| Dere Mesafesi | -0.680 | 0.000 | Negatif: Dereye yakınlık çok önemli |
Model performans metrikleri (validasyon setinde):
- Accuracy (Doğruluk): 82.2% (45 kuyunun 37'si doğru tahmin edildi)
- Precision (Kesinlik): 85.7% (Su var dediğimizin %85.7'sinde gerçekten su var)
- Recall (Duyarlılık): 80.0% (Su olan kuyuların %80'ini doğru tespit ettik)
- F1-Score: 82.8%
- AUC-ROC: 0.88 (Mükemmel ayrım gücü)
Confusion Matrix (Karmaşıklık Matrisi):
Gerçek Durum
Su Yok Su Var
Tahmin Su Yok 20 4
Su Var 4 17
Örnek tahmin:
Yeni bir lokasyon için değerler:
- Eğim: 4.5°
- Yükseklik: 420m
- Jeoloji: Kumtaşı (4)
- Yağış: 800 mm/yıl
- NDVI: 0.68
- Toprak: Kum-kil (4)
- Fay mesafesi: 1.2 km
- Dere mesafesi: 0.4 km
Hesaplama:
z = -3.45 + (-0.082×4.5) + (-0.004×420) + (0.755×4) + (0.006×800) + (1.420×0.68) + (0.385×4) + (-0.125×1.2) + (-0.680×0.4)
z = -3.45 - 0.369 - 1.68 + 3.02 + 4.8 + 0.9656 + 1.54 - 0.15 - 0.272
z = 4.41
P(Su = 1) = 1 / (1 + e^(-4.41)) = 1 / (1 + 0.0122) = 0.988 = %98.8
Sonuç: Bu lokasyonda su bulunma olasılığı %98.8 (çok yüksek güven)
Model 2: Random Forest (Rastgele Orman)
Random Forest, birden fazla karar ağacı kullanarak daha karmaşık ilişkileri yakalayabilen bir makine öğrenmesi algoritmasıdır.
Model parametreleri:
- Ağaç sayısı: 200
- Maksimum derinlik: 15
- Minimum yaprak düğüm boyutu: 5
- Özellik seçim stratejisi: sqrt(n_features)
Eğitim sonuçları:
Özellik önem sıralaması (Feature Importance):
| Değişken | Önem Skoru | Yüzde |
|----------|------------|-------|
| Dere Mesafesi | 0.245 | %24.5 |
| Jeoloji | 0.198 | %19.8 |
| NDVI | 0.156 | %15.6 |
| Yağış | 0.138 | %13.8 |
| Eğim | 0.102 | %10.2 |
| Toprak Tipi | 0.087 | %8.7 |
| Fay Mesafesi | 0.045 | %4.5 |
| Yükseklik | 0.029 | %2.9 |
Yorum:
- Dere mesafesi en önemli faktör (Lojistik regresyonda da böyleydi)
- Jeoloji ikinci sırada
- Yükseklik en az önemli faktör
- Bu model, değişkenler arası etkileşimleri de öğreniyor
Model performans metrikleri (validasyon setinde):
- Accuracy: 88.9% (45 kuyunun 40'ı doğru tahmin edildi)
- Precision: 90.5%
- Recall: 86.4%
- F1-Score: 88.4%
- AUC-ROC: 0.93 (Lojistik regresyondan daha iyi)
Confusion Matrix:
Gerçek Durum
Su Yok Su Var
Tahmin Su Yok 21 3
Su Var 2 19
Aynı lokasyon için tahmin:
python
Random Forest tahmini
probability = model.predict_proba(new_location)
P(Su = 1) = 0.945 = %94.5
Karşılaştırma:
- Lojistik Regresyon: %98.8
- Random Forest: %94.5
- İkisi de yüksek olasılık veriyor ancak Random Forest biraz daha muhafazakar
Model 3: Gradient Boosting (XGBoost)
XGBoost, sıralı olarak ağaçlar oluşturan ve her seferinde hataları düzeltmeye çalışan gelişmiş bir yöntemdir.
Model parametreleri:
- Learning rate: 0.1
- Ağaç sayısı: 150
- Maksimum derinlik: 6
- Subsample: 0.8
Eğitim ve validasyon eğrileri:
Epoch Train Loss Validation Loss
1 0.645 0.658
25 0.312 0.341
50 0.198 0.265
75 0.142 0.238
100 0.105 0.231
125 0.082 0.229 ← En iyi model
150 0.068 0.234 (Overfitting başlangıcı)
En iyi model performansı (125. epoch):
- Accuracy: 91.1%
- Precision: 92.9%
- Recall: 88.6%
- F1-Score: 90.7%
- AUC-ROC: 0.95 (En yüksek)
Confusion Matrix:
Gerçek Durum
Su Yok Su Var
Tahmin Su Yok 22 2
Su Var 2 19
SHAP (SHapley Additive exPlanations) Analizi:
XGBoost modelinde her değişkenin tahmine katkısını görebiliriz:
Örnek lokasyon için SHAP değerleri:
Base Probability: 0.667 (Bölgenin genel ortalaması)
+ Dere Mesafesi (0.4 km) → +0.185
+ NDVI (0.68) → +0.092
+ Jeoloji (Kumtaşı) → +0.078
+ Yağış (800 mm) → +0.051
+ Toprak (Kum-kil) → +0.032
+ Fay Mesafesi (1.2 km) → +0.015
- Eğim (4.5°) → -0.008
- Yükseklik (420m) → -0.012
Final Probability: 0.667 + 0.433 = 0.967 = %96.7
Görsel yorumlama:
Bu lokasyonda dereye olan yakınlık tek başına olasılığı %18.5 artırıyor. Tüm olumlu faktörler toplandığında %96.7 olasılık elde ediyoruz.
Model Karşılaştırması ve Ensemble (Topluluk) Yaklaşımı
Üç modelin karşılaştırması:
| Metrik | Lojistik Regresyon | Random Forest | XGBoost |
|--------|-------------------|---------------|---------|
| Accuracy | 82.2% | 88.9% | 91.1% |
| AUC-ROC | 0.88 | 0.93 | 0.95 |
| Eğitim Süresi | 0.5 sn | 2.3 sn | 3.8 sn |
| Yorumlanabilirlik | Yüksek | Orta | Düşük |
| Overfitting Riski | Düşük | Orta | Yüksek |
Ensemble (Ağırlıklı ortalama) yaklaşımı:
Final_Probability = (0.2 × P_LR) + (0.3 × P_RF) + (0.5 × P_XGB)
Final_Probability = (0.2 × 0.988) + (0.3 × 0.945) + (0.5 × 0.967)
Final_Probability = 0.1976 + 0.2835 + 0.4835 = 0.9646 = %96.5
Ağırlıklar, her modelin validasyon performansına göre belirlendi.
Tüm Çalışma Alanı için Tahmin Haritası Oluşturma
Adım 1: Grid oluşturma
Çalışma alanı 100m × 100m grid hücrelerine bölünür:
- Alan: 500 km² = 500,000,000 m²
- Grid boyutu: 100m × 100m = 10,000 m²
- Toplam grid sayısı: 50,000 hücre
Adım 2: Her grid için özellik çıkarma
Her grid hücresinin merkezi için:
- DEM'den eğim ve yükseklik
- Jeoloji haritasından litoloji
- İklim verilerinden yağış
- Uydu görüntüsünden NDVI
- Toprak haritasından toprak tipi
- Mesafe hesaplamaları (fay, dere)
Adım 3: Tahmin
50,000 grid hücresi için ensemble modelle tahmin yapılır.
İşlem süresi: ~2 dakika (modern bilgisayarda)
Sonuç haritası: Raster format, her piksel 0-100 arası su potansiyel skoru içerir
Örnek Çıktı Analizi
Potansiyel skorlarına göre alan dağılımı:
| Skor Aralığı | Alan (km²) | Yüzde | Kategori |
|--------------|-----------|-------|----------|
| 80-100 | 45 | %9 | Çok Yüksek |
| 60-80 | 95 | %19 | Yüksek |
| 40-60 | 185 | %37 | Orta |
| 20-40 | 125 | %25 | Düşük |
| 0-20 | 50 | %10 | Çok Düşük |
Stratejik öneriler:
- Öncelik 1 bölgeleri (Skor 80-100): 45 km² alan
- Bu alanlarda kuyu başarı oranı ~%90
- Toplam 25-30 kuyu açılabilir
- Tahmini toplam verim: 750-1000 m³/gün - Öncelik 2 bölgeleri (Skor 60-80): 95 km²
- Başarı oranı ~%75
- Rezerv alanlar olarak değerlendirilmeli - Kaçınılması gereken alanlar (Skor <40): 175 km²
- Bu alanlarda kuyu açılmaması önerilir
- Maliyet ve risk çok yüksek
Risk ve Belirsizlik Analizi
Monte Carlo Simulasyonu:
Her grid hücresi için 1000 simulasyon yapılır:
- Giriş değişkenlerinde rastgele %±10 değişim
- Her simulasyonda yeni tahmin
- Sonuç: Ortalama olasılık ve standart sapma
Örnek lokasyon için sonuçlar:
Ortalama Tahmin: %96.5
Standart Sapma: ±3.2%
%95 Güven Aralığı: %90.2 - %98.9
Risk Kategorisi: Düşük Risk
Risk kategorileri:
| Kategori | Ortalama Olasılık | Std. Sapma | Karar |
|----------|------------------|------------|-------|
| Çok Düşük Risk | >90% | <5% | Hemen kuyuya başla |
| Düşük Risk | 70-90% | 5-10% | Jeofizik doğrulama yap |
| Orta Risk | 50-70% | 10-15% | Detaylı araştırma gerekli |
| Yüksek Risk | <50% | >15% | Kuyu açma |
Maliyet-Fayda Analizi
Ekonomik değerlendirme:
Geleneksel yöntem (jeofizik + sondaj):
- Jeofizik araştırma: $3,000
- Kuyu maliyeti (ortalama 100m): $15,000
- Başarı oranı: %60
- Ortalama maliyet/başarılı kuyu: $30,000
Veri analizi destekli yöntem:
- Veri toplama ve modelleme: $5,000 (tek seferlik)
- Hedefleme maliyeti: $500/lokasyon
- Kuyu maliyeti: $15,000
- Başarı oranı: %90
- Ortalama maliyet/başarılı kuyu: $17,222
Kazanç: %43 maliyet azaltımı
10 kuyu projesi için:
- Geleneksel: $300,000
- Veri destekli: $172,220
- Toplam tasarruf: $127,780
Model Güncelleme ve Sürekli İyileştirme
Adaptif öğrenme döngüsü: - Başlangıç modeli: Mevcut 150 kuyu verisiyle
- Tahmin ve kuyu açma: Yüksek skorlu 10 lokasyon
- Yeni veri toplama: 10 yeni kuyunun sonuçları
- Model güncelleme: Toplam 160 kuyu verisiyle yeniden eğitim
- Performans iyileşmesi: Accuracy %91.1 → %93.5
- Tekrar et
İki yıl sonra:
- Toplam kuyu verisi: 250
- Model accuracy: %96.2
- Risk belirsizliği: ±2.1% (iyileşti)
- Maliyet/başarı: $16,100 (daha da düştü)
Gerçek Dünya Uygulaması: Detaylı Örnek
Senaryo: Tarımsal sulama için su kaynağı aranıyor
Lokasyon: Anadolu'da 500 km² tarım bölgesi
Hedef: 30 yeni kuyu açmak
Bütçe: $600,000
Çalışma akışı: - Hafta - Veri toplama:
- Mevcut 148 kuyu verisi toplandı
- Jeoloji haritaları dijitalleştirildi
- 30m çözünürlüklü DEM indirildi
- Sentinel-2 görüntülerinden NDVI hesaplandı
- Meteoroloji verileri alındı
2-3. Hafta - Model geliştirme:
- Veri temizleme ve hazırlama
- Üç model eğitildi (LR, RF, XGBoost)
- Ensemble model oluşturuldu
- Doğrulama: %91.3 accuracy - Hafta - Tahmin haritası:
- 50,000 grid hesaplandı
- Yüksek potansiyel alanlar belirlendi
- Risk analizi yapıldı - Hafta - Arazi doğrulama:
- En yüksek skorlu 50 lokasyon listelendi
- Arazi ziyaretleriyle 40'ı doğrulandı
- Arazi kullanımı uygun
- Erişim mümkün
- Mülkiyet problemsiz
6-7. Hafta - Jeofizik doğrulama:
- 40 lokasyondan 35'inde ERT uygulandı
- 30'unda model tahminleri doğrulandı
- 5'inde düşük direnç tespit edilemedi (model %86 başarılı)
8-20. Hafta - Kuyu açma:
- 30 lokasyonda kuyu açıldı
Sonuçlar:
| Başarı Durumu | Kuyu Sayısı | Yüzde |
|---------------|-------------|-------|
| Yüksek Verimli (>50 m³/gün) | 22 | %73.3 |
| Orta Verimli (20-50 m³/gün) | 6 | %20.0 |
| Düşük Verimli (<20 m³/gün) | 2 | %6.7 |
| Toplam Başarılı | 28 | %93.3 |
Ekonomik sonuç:
- Planlanan: 30 kuyu / %60 başarı = 18 başarılı kuyu
- Gerçekleşen: 30 kuyu / %93.3 başarı = 28 başarılı kuyu
- %55 daha fazla su kaynağı
Toplam verim:
- 22 yüksek verimli × 60 m³/gün = 1,320 m³/gün
- 6 orta verimli × 35 m³/gün = 210 m³/gün
- Toplam: 1,530 m³/gün
- Yıllık: 558,450 m³
Sulama kapasitesi:
- 1 hektar/yıl su ihtiyacı: ~5,000 m³
- Desteklenebilecek alan: ~112 hektar
Gelecekteki Gelişmeler - Derin öğrenme (Deep Learning) modelleri:
- Convolutional Neural Networks (CNN) ile uydu görüntülerinden otomatik özellik çıkarma
- Recurrent Neural Networks (RNN) ile mevsimsel değişimleri modelleme
- Transfer learning ile az verili bölgelere uygulama - Gerçek zamanlı izleme:
- IoT sensörler ile kuyu verilerinin sürekli toplanması
- Bulut tabanlı model güncelleme
- Mobil uygulama ile anında tahmin - İklim değişikliği entegrasyonu:
- Gelecek iklim senaryoları (RCP 4.5, RCP 8.5)
- Uzun dönem sürdürülebilirlik analizi
- Kuraklık risk haritaları - Çok bölgeli modeller:
- Bölgeler arası model transferi
- Global akifer veri tabanı
- Evrensel tahmin modelleri
Ana Bulgular - Veri analizi etkindir: Modern istatistiksel yöntemler yer altı suyu bulma başarı oranını %60'tan %90'ın üzerine çıkarabilir.
- Çoklu veri entegrasyonu kritiktir: Topografya, jeoloji, hidroloji, iklim ve bitki örtüsü verilerinin birlikte kullanılması en iyi sonuçları verir.
- Makine öğrenmesi avantajlıdır: Özellikle Random Forest ve XGBoost gibi algoritmalar, karmaşık değişken etkileşimlerini yakalayarak yüksek doğruluk sağlar.
- Ekonomik kazanç önemlidir: Veri destekli yaklaşım, başarısız sondaj sayısını azaltarak %40-50 maliyet tasarrufu sağlar.
- Risk yönetimi mümkündür: Belirsizlik analizi ile yatırım riskleri önceden değerlendirilip minimize edilebilir.
Uygulama Önerileri
Küçük ölçekli projeler için (<10 kuyu):
- Basit lojistik regresyon yeterli
- Mevcut kuyu verilerini kullan
- CBS ile hızlı analiz
- Maliyet: $2,000-5,000
Orta ölçekli projeler için (10-50 kuyu):
- Random Forest veya XGBoost
- Detaylı veri toplama
- Jeofizik doğrulama
- Maliyet: $10,000-25,000
Büyük ölçekli projeler için (>50 kuyu):
- Ensemble modelleme
- Sürekli güncelleme sistemi
- Adaptif öğrenme
- Maliyet: $50,000+ (uzun dönem yatırım)
Dikkat Edilmesi Gerekenler - Veri kalitesi: Kötü kalite veri, modeli yanıltır. Veri doğrulama şarttır.
- Model overfitting: Aşırı karmaşık modeller validasyon setinde kötü performans gösterebilir. Basit model tercih edilebilir.
- Bölgesel farklılıklar: Her bölge için model yeniden kalibre edilmelidir. Başka bölgenin modeli doğrudan kullanılamaz.
- İnsan uzmanlığı: Model önerileri, deneyimli hidrojeolog tarafından değerlendirilmelidir. Model karar vermez, yalnızca destekler.
- Sürekli güncelleme: Her yeni kuyu, modeli iyileştirme fırsatıdır. Veri toplanmaya devam edilmelidir.
Yer altı suyu arama, artık tamamen şansa veya geleneksel deneyime dayalı bir iş değildir. Bilimsel yöntemler, teknoloji ve veri analiziyle birleştiğinde, su kaynaklarının tespit edilmesi çok daha güvenilir, ekonomik ve sürdürülebilir hale gelir. Gelecekte, yapay zeka destekli sistemler, iklim değişikliği senaryoları ve gerçek zamanlı izleme teknolojileriyle bu alan daha da gelişecektir. Ancak temel prensip değişmeyecektir: Doğru veri + Doğru analiz + Uzman yorum = Başarılı su kaynağı keşfi. Su, yaşamın temelidir ve onu doğru yerlerde, doğru şekilde bulmak, gelecek nesillerin refahı için kritik öneme sahiptir. Bu makalede sunulan yöntemler, bu hedefe ulaşmak için güçlü araçlar sunmaktadır.
