Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler

Gültekin Erten; Aytekin Erten

Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler

Öz

Askıda sediman konsantrasyonu; akarsu, delta ve kıyı ortamlarında su kalitesi, taşınım süreçleri ve morfodinamik değişimlerin anlaşılması açısından kritik bir göstergedir. Son 40 yılda uzaktan algılama teknikleri, saha gözlemleri ve makine öğrenmesi yöntemlerinin gelişmesiyle birlikte askıda sediman konsantrasyonu tahmini ve izlenmesine yönelik çok sayıda yöntem önerilmiştir. Bu makale, dünya üzerinde farklı bölgelerde gerçekleştirilen çalışmaları inceleyerek askıda sediman konsantrasyonu araştırmalarındaki gelişmeleri özetlemektedir. Ele alınan literatür, üç ana eksende gruplandırılmıştır: (i) optik uydu verilerinden türetilen bant oranları ve indekslere dayalı geleneksel yaklaşımlar, (ii) yapay zekâ ve hibrit modeller gibi veri odaklı yöntemler ve (iii) bölgesel uygulamalar üzerinden sediman taşınımının iklim ve insan etkileriyle ilişkileri. Karşılaştırmalar, geleneksel bant oranı modellerinin özellikle küçük ve kapalı havzalarda halen etkin olduğunu, ancak geniş ölçekli izlemelerde makine öğrenmesi ve uydu tabanlı entegrasyonların doğruluğu belirgin şekilde artırdığını göstermektedir. Mevcut literatürdeki boşluklar arasında uzun dönemli analizlerin sınırlı olması, topoğrafik ve iklimsel değişkenlerin çoğu modelde yetersiz temsil edilmesi ve kıyı-delta sistemlerinde Askıda sediman konsantrasyonunun doğrudan etkilerinin az incelenmiş olması öne çıkmaktadır. Bu çalışma, gelecekte askıda sediman konsantrasyonu araştırmalarında uydu zaman serilerinin, ileri makine öğrenmesi algoritmalarının ve çok ölçekli çevresel değişkenlerin birlikte kullanılmasının yeni fırsatlar sunduğunu vurgulamaktadır.

Anahtar Kelimeler

Etik Beyan

Yazarlar, yapıcı eleştirileri ve değerli katkılarıyla makalenin niteliğini artıran hakemlere, yönlendirici geri bildirimleri ve yapıcı önerileriyle makalenin yeni bir boyut kazanmasına katkı sağlayan dergi editörlüğüne, çalışmanın yürütülmesi sürecinde desteklerinden ötürü Maden Tetkik ve Arama Genel Müdürlüğü’ne ve ihtiyaç duyulan veri tabanına erişim olanağı sunan Milli Kütüphane’ye katkılarından ötürü teşekkür ederler.

Teşekkür

Yazarlar, yapıcı eleştirileri ve değerli katkılarıyla makalenin niteliğini artıran hakemlere, yönlendirici geri bildirimleri ve yapıcı önerileriyle makalenin yeni bir boyut kazanmasına katkı sağlayan dergi editörlüğüne, çalışmanın yürütülmesi sürecinde desteklerinden ötürü Maden Tetkik ve Arama Genel Müdürlüğü’ne ve ihtiyaç duyulan veri tabanına erişim olanağı sunan Milli Kütüphane’ye katkılarından ötürü teşekkür ederler.

Kaynakça

Aziz, K. M. A. 2024. Quantitative Monitoring of Coastal Erosion and Changes Using Remote Sensing in a Mediterranean Delta. Civil Engineering Journal (Iran) 10(6), 1842–1862. https://doi. org/10.28991/CEJ-2024-010-06-08
Beven, K. J., Kirkby, M. J. 1979. Aphysically based, variable contributing area model of basin hydrology. Hydrological Sciences Bulletin 24(1), 43–69. https://doi.org/10.1080/02626667909491834
Cai, L., Tang, D., Li, C. 2015. An investigation of spatial variation of suspended sediment concentration induced by a bay bridge based on Landsat TM and OLI data. Advances in Space Research 56(2), 293– 303. https://doi.org/10.1016/j.asr.2015.04.015
Cai, L., Chen, S., Yan, X., Bai, Y., Bu, J. 2022. Study on High-Resolution Suspended Sediment Distribution under the Influence of Coastal Zone Engineering in the Yangtze River Mouth, China. Remote Sensing 14(3), 486. https://doi. org/10.3390/rs14030486
Cao, B., Qiu, J., Zhang, W., Xie, X., Lu, X., Yang, X., Li, H. 2022. Retrieval of Suspended Sediment Concentrations in the Pearl River Estuary Using Multi-Source Satellite Imagery. Remote Sensing 14(16). https://doi.org/10.3390/rs14163896
Chen, W., Wang, D., Liu, X., Cheng, J., Zhang, J. 2023. Improve the Accuracy in Numerical Modeling of Suspended Sediment Concentrations in the Hangzhou Bay by Assimilating Remote Sensing Data Utilizing Combined Techniques of Adjoint Data Assimilation and the Penalty Function Method. Remote Sensing 15(1). https://doi. org/10.3390/rs15010148
Dalavi, P., Bhakar, S. R., Rajput, J., Gaddikeri, V., Tiwari, R. K., Shukla, A., Vishwakarma, D. K. 2024. Modeling runoff in Bhima River catchment, India: A comparison of artificial neural networks and empirical models. Water Practice and Technology 19(7), 2595–2612. https://doi.org/10.2166/ wpt.2024.157
Dethier, E. N., Renshaw, C. E., Magilligan, F. J. 2020. Toward Improved Accuracy of Remote Sensing Approaches for Quantifying Suspended Sediment: Implications for Suspended-Sediment Monitoring. Journal of Geophysical Research: Earth Surface 125(7). https://doi.org/10.1029/2019JF005033

Doxaran, D., Froidefond, J. M., Castaing, P. 2002. A reflectance band ratio used to estimate suspended matter concentrations in sediment-dominated coastal waters. International Journal of Remote Sensing 23(23), 5079–5085. https://doi. org/10.1080/0143116021000009912
Engel, M., Coviello, V., Savi, S., Buter, A., Andreoli, A., Miyata, S., Marchetti, G., Scorpio, V., Rathburn, S., Nicholson, L., Comiti, F. 2024. Meltwater- driven sediment transport dynamics in two contrasting alpine proglacial streams. Journal of Hydrology 635. https://doi.org/10.1016/j. jhydrol.2024.131171
Flores, J. A., Wu, J. Q., Stöckle, C. O., Ewing, R. P., Yang, X. 2020. Estimating river sediment discharge in the upper Mississippi River using landsat imagery. Remote Sensing 12(15). https://doi.org/10.3390/ RS12152370
Gao, P., Nearing, M. A., Commons, M. 2013. Suspended sediment transport at the instantaneous and event time scales in semiarid watersheds of southeastern Arizona, USA. Water Resources Research 49(10), 6857–6870. https://doi.org/10.1002/wrcr.20549
Garcia, M. 2008. Sedimentation engineering: Processes, measurements, modeling, and practice. American Society of Civil Engineers. 1132. https://doi. org/10.1061/9780784408148
Gomaa, E., Zerouali, B., Difi, S., El-Nagdy, K. A., Santos, C. A. G., Abda, Z., Ghoneim, S. S. M., Bailek, N., Silva, R. M. da, Rajput, J., Ali, E. 2023. Assessment of hybrid machine learning algorithms using TRMM rainfall data for daily inflow forecasting in Três Marias Reservoir eastern Brazil. Heliyon, 9(8). https://doi. org/10.1016/j.heliyon.2023.e18819
Hirschberg, D. J., Chin, P., Feng, H., Cochran, J. K. 1996. Dynamics of Sediment and Contaminant Transport in the Hudson River Estuary: Evidence From Sediment Distributions of Naturally Occurring Radionuclides (Vol. 19, Issue 4).
Holtschlag, D. J. 2001. Optimal estimation of suspended- sediment concentrations in streams. Hydrological Processes 15(7), 1133–1155. https://doi. org/10.1002/hyp.207
Hu, J., Miao, C., Zhang, X., Kong, D. 2023. Retrieval of suspended sediment concentrations using remote sensing and machine learning methods: A case study of the lower Yellow River. Journal of Hydrology 627. https://doi.org/10.1016/j. jhydrol.2023.130369
Hu, Y., Yu, Z., Zhou, B., Li, Y., Yin, S., He, X., Peng, X., Shum, C. K. 2019. Tidal-driven variation of suspended sediment in Hangzhou Bay based on GOCI data. International Journal of Applied Earth Observation and Geoinformation 82. https://doi. org/10.1016/j.jag.2019.101920
Joshi, B., Singh, V. K., Vishwakarma, D. K., Ghorbani, M. A., Kim, S., Gupta, S., Chandola, V. K., Rajput, J., Chung, I. M., Yadav, K. K., Mirzania, E., Al- Ansari, N., Mattar, M. A. 2024. A comparative survey between cascade correlation neural network (CCNN) and feedforward neural network (FFNN) machine learning models for forecasting suspended sediment concentration. Scientific Reports 14(1). https://doi.org/10.1038/s41598- 024-61339-1
Kong, J., Shan, Z., Chen, Y., Yang, J., Hu, Y., Wang, L. 2019. Assessment of remote-sensing retrieval models for suspended sediment concentration in the Gulf of Bohai. International Journal of Remote Sensing 40(5–6), 2324–2342. https://doi.org/10.1080/014 31161.2018.1482023
Lacaux, J. P., Tourre, Y. M., Vignolles, C., Ndione, J. A., Lafaye, M. 2007. Classification of ponds from high-spatial resolution remote sensing: Application to Rift Valley Fever epidemics in Senegal. Remote Sensing of Environment 106(1), 66–74. https://doi.org/10.1016/j.rse.2006.07.012
Li, H. Y., Tan, Z., Ma, H., Zhu, Z., Abeshu, G. W., Zhu, S., Cohen, S., Zhou, T., Xu, D., Leung, L. R. 2022. A new large-scale suspended sediment model and its application over the United States. Hydrology and Earth System Sciences 26(3), 665–688. https://doi.org/10.5194/hess-26-665-2022
Li, M., Sun, H., Huang, Y., Chen, H. 2024. Shapley value: From cooperative game to explainable artificial intelligence. In Autonomous Intelligent Systems (Vol. 4, Issue 1). Springer. https://doi.org/10.1007/ s43684-023-00060-8
Lindsay, J. B. 2016. Whitebox GAT: A case study in geomorphometric analysis. Computers and Geosciences 95, 75–84. https://doi.org/10.1016/j. cageo.2016.07.003
Liu, X., Qiao, L., Zhong, Y., Xue, W., Liu, P. 2020. Multi- year winter variations in suspended sediment flux through the bohai strait. Remote Sensing 12(24), 1–14. https://doi.org/10.3390/rs12244066
Liu, Z., Chen, J., Cui, T., Tang, J., Wang, L. 2021. A combined semi-analytical algorithm for retrieving total suspended sediment concentration from multiple missions: a case study of the China Eastern Coastal Zone. International Journal of Remote Sensing 42(20), 8004–8033. https://doi. org/10.1080/01431161.2021.1963498
Loisel, H., Mangin, A., Vantrepotte, V., Dessailly, D., Dinh, D.N., Garnesson, P., Ouillon, S., Lefebvre, J. P., Mériaux, X., Phan, T.M. 2014. Variability of suspended particulate matter concentration in coastal waters under the Mekong’s influence from ocean color (MERIS) remote sensing over the last decade. Remote Sensing of Environment 150, 218–230. https://doi.org/10.1016/j. rse.2014.05.006
Long, C. M., Pavelsky, T. M. 2013. Remote sensing of suspended sediment concentration and hydrologic connectivity in a complex wetland environment. Remote Sensing of Environment 129, 197–209. https://doi.org/10.1016/j.rse.2012.10.019
Lundberg, S., Lundberg, S. M., Allen, P. G., Lee, S.- I. 2017. A Unified Approach to Interpreting Model Predictions. https://doi.org/10.48550/ arXiv.1705.07874
Mohsen, A., Kovács, F., Kiss, T. 2023. Riverine Microplastic Quantification: A Novel Approach Integrating Satellite Images, Neural Network, and Suspended Sediment Data as a Proxy. Sensors 23(23). https:// doi.org/10.3390/s23239505
Montanher, O. C., Novo, E. M. L. M., Barbosa, C. C. F., Rennó, C. D., Silva, T. S. F. 2014. Empirical models for estimating the suspended sediment concentration in Amazonian white water rivers using Landsat 5/TM. International Journal of Applied Earth Observation and Geoinformation 29(1), 67–77. https://doi.org/10.1016/j. jag.2014.01.001
Moore, I. D., Grayson, R. B., Ladson, A. R. 1991. Digital terrain modelling: A review of hydrological, geomorphological, and biological applications. Hydrological Processes 5(1), 3–30. https://doi. org/10.1002/hyp.3360050103
Nze, C. O., Agunwamba, J. C. 2024. Estimation of Soil Loss using Remote Sensing Data in a Regional Tropical Humid Catchment Area. Civil Engineering Journal (Iran) 10(7), 2293–2312. https://doi. org/10.28991/CEJ-2024-010-07-014
Peterson, K. T., Sagan, V., Sidike, P., Cox, A. L., Martinez, M. 2018. Suspended sediment concentration estimation from landsat imagery along the lower missouri and middle Mississippi Rivers using an extreme learning machine. Remote Sensing 10(10). https://doi.org/10.3390/rs10101503
Qiu, Z., Liu, D., Duan, M., Chen, P., Yang, C., Li, K., Duan, H. 2024. Four-decades of sediment transport variations in the Yellow River on the Loess Plateau using Landsat imagery. Remote Sensing of Environment 306. https://doi.org/10.1016/j. rse.2024.114147
Rattanarat, J., Jaroensutasinee, K., Jaroensutasinee, M., Sparrow, E. B. 2024. Government Policy Influence on Land Use and Land Cover Changes: A 30-Year Analysis. Emerging Science Journal 8(5), 1783–1797. https://doi.org/10.28991/ESJ- 2024-08-05-06
Ren, J., Cui, J., Dong, W., Xiao, Y., Xu, M., Liu, S., Wan, J., Li, Z., Zhang, J. 2023. Remote Sensing Inversion of Typical Offshore Water Quality Parameter Concentration Based on Improved SVR Algorithm. Remote Sensing 15(8). https:// doi.org/10.3390/rs15082104
Sandilya, S., Singh, S., Kumar, S., Rajput, J. 2025. Understanding the performance of global precipitation products for hydrological modeling in the data-scarce morphologically complex central Himalayan region. Journal of Atmospheric and Solar-Terrestrial Physics 271. https://doi. org/10.1016/j.jastp.2025.106513
Shaloo, Kumar, B., Bisht, H., Rajput, J., Mishra, A. K., TM, K. K., Brahmanand, P. S. 2024. Reference evapotranspiration prediction using machine learning models: An empirical study from minimal climate data. Agronomy Journal 116(3), 956–972. https://doi.org/10.1002/agj2.21504
Shojaeezadeh, S.A., Al-Wardy, M., Nikoo, M. R. 2024. Suspended sediment load modeling using Hydro- Climate variables and Machine learning. Journal of Hydrology 633. https://doi.org/10.1016/j. jhydrol.2024.130948
Stull, T., Ahmari, H. 2024. Estimation of Suspended Sediment Concentration along the Lower Brazos River Using Satellite Imagery and Machine Learning. Remote Sensing 16(10). https://doi. org/10.3390/rs16101727
Topping, D. J., Rubin, D. M., Vierra, L. E. 2000. Colorado River sediment transport 1. Natural sediment supply limitation and the influence of Glen Canyon Dam. Water Resources Research 36(2), 515–542. https://doi.org/10.1029/1999WR900285
Trinh,L.H., Zablotskii, V. R., Nguyen, T. T. N. 2020. Determining the Concentration of Suspended Sediment in the Lower Đáy River (Northern Vietnam) Using MSI Sentinel 2 High Spatial Resolution Data. Izvestiya - Atmospheric and Ocean Physics 56(12), 1645–1651. https://doi. org/10.1134/S0001433820120397
Wackerman, C., Hayden, A., Jonik, J. 2017. Deriving spatial and temporal context for point measurements of suspended-sediment concentration using remote-sensing imagery in the Mekong Delta. Continental Shelf Research 147, 231–245. https:// doi.org/10.1016/j.csr.2017.08.007
Wang, J. J., Lu, X. X. 2010. Estimation of suspended sediment concentrations using Terra MODIS: An example from the Lower Yangtze River, China. Science of the Total Environment 408(5), 1131–1138. https:// doi.org/10.1016/j.scitotenv.2009.11.057
Xiao,Y., Chen, J., Xu,Y., Guo, S., Nie, X., Guo,Y., Li, X., Hao, F., Fu, Y. H. 2023. Monitoring of chlorophyll-a and suspended sediment concentrations in optically complex inland rivers using multisource remote sensing measurements. Ecological Indicators 155. https://doi.org/10.1016/j.ecolind.2023.111041
Xu, H. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing 27(14), 3025–3033. https://doi. org/10.1080/01431160600589179
Yao, R., Cai, L., Liu, J., Zhou, M. 2020. Gf-1 satellite observations of suspended sediment injection of yellow river estuary, China. Remote Sensing 12(19), 1–19. https://doi.org/10.3390/rs12193126
Zaghian, S., Mohammadzadeh, A., Ghorbanian, A., Bovolo, F., Niroumand-Jadidi, M. 2023. Enhancing suspended sediment concentration retrieval by integrating thermal infrared and optical bands of Landsat-8 and machine learning algorithms. International Journal of Remote Sensing 44(18), 5814–5844. https://doi.org/10.1080/01431161.20 23.2255350
Zhan, C., Yu, J., Wang, Q., Li, Y., Zhou, D., Xing, Q., Chu, X. 2017. Remote sensing retrieval of surface suspended sediment concentration in the Yellow River Estuary. Chinese Geographical Science 27(6), 934–947. https://doi.org/10.1007/s11769- 017-0921-7
Zhang, C., Liu, Y., Chen, X., Gao, Y. 2022. Estimation of Suspended Sediment Concentration in the Yangtze Main Stream Based on Sentinel-2 MSI Data. Remote Sensing 14(18). https://doi.org/10.3390/ rs14184446
Zhang, M., Dong, Q., Cui, T., Xue, C., Zhang, S. 2014. Suspended sediment monitoring and assessment for Yellow River estuary from Landsat TM and ETM+ imagery. Remote Sensing of Environment 146, 136–147. https://doi.org/10.1016/j. rse.2013.09.033
Zhang, X., Fichot, C. G., Baracco, C., Guo, R., Neugebauer, S., Bengtsson, Z., Ganju, N., Fagherazzi, S. 2020. Determining the drivers of suspended sediment dynamics in tidal marsh-influenced estuaries using high-resolution ocean color remote sensing. Remote Sensing of Environment 240. https://doi. org/10.1016/j.rse.2020.111682
Zhou, X., Marani, M., Albertson, J. D., Silvestri, S. 2017. Hyperspectral and multispectral retrieval of suspended sediment in shallow coastal waters using semi-analytical and empirical methods. Remote Sensing 9(4). https://doi.org/10.3390/ rs9040393

Ayrıntılar

Birincil Dil

Türkçe

Konular

Yer Bilimleri ve Jeoloji Mühendisliği (Diğer)

Bölüm

Derleme

Yazarlar

Gültekin Erten ^*
0000-0002-3844-8666
Türkiye

Aytekin Erten
0000-0002-4435-8165
Türkiye

Yayımlanma Tarihi

15 Aralık 2025

Gönderilme Tarihi

2 Eylül 2025

Kabul Tarihi

11 Ekim 2025

Yayımlandığı Sayı

Yıl 2025 Cilt: 8 Sayı: 8

IZ

https://izlik.org/JA74MM89NL

Kaynak Göster

RIS / Bibtex

APA

Erten, G., & Erten, A. (2025). Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler. MTA Yerbilimleri ve Madencilik Dergisi, 8(8), 41-61. https://izlik.org/JA74MM89NL

AMA

1.Erten G, Erten A. Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler. MTA Yer. Mad. 2025;8(8):41-61. https://izlik.org/JA74MM89NL

Chicago

Erten, Gültekin, ve Aytekin Erten. 2025. “Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler”. MTA Yerbilimleri ve Madencilik Dergisi 8 (8): 41-61. https://izlik.org/JA74MM89NL.

EndNote

Erten G, Erten A (01 Aralık 2025) Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler. MTA Yerbilimleri ve Madencilik Dergisi 8 8 41–61.

IEEE

[1]G. Erten ve A. Erten, “Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler”, MTA Yer. Mad., c. 8, sy 8, ss. 41–61, Ara. 2025, [çevrimiçi]. Erişim adresi: https://izlik.org/JA74MM89NL

ISNAD

Erten, Gültekin - Erten, Aytekin. “Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler”. MTA Yerbilimleri ve Madencilik Dergisi 8/8 (01 Aralık 2025): 41-61. https://izlik.org/JA74MM89NL.

JAMA

1.Erten G, Erten A. Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler. MTA Yer. Mad. 2025;8:41–61.

MLA

Erten, Gültekin, ve Aytekin Erten. “Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler”. MTA Yerbilimleri ve Madencilik Dergisi, c. 8, sy 8, Aralık 2025, ss. 41-61, https://izlik.org/JA74MM89NL.

Vancouver

1.Gültekin Erten, Aytekin Erten. Askıda sediman konsantrasyonunun belirlenmesinde geleneksel yaklaşımlar, makine öğrenmesi ve yeni eğilimler. MTA Yer. Mad. [Internet]. 01 Aralık 2025;8(8):41-6. Erişim adresi: https://izlik.org/JA74MM89NL