Akarsu Ortalama Akımlarının Çeşitli Makine Öğrenme Algoritmaları Kullanılarak Tahmini: Köprüçay Örneği

Yıl 2025, Erken Görünüm, 1 - 1

Yunus Ziya Kaya

https://doi.org/10.29109/gujsc.1555448

Öz

Akarsu ortalama akımları havzanın su kaynaklarının yeterliliği hakkında önemli ipuçları barındırmaktadır. İklim değişikliği ile birlikte yağış ve sıcaklık gibi akarsu akımlarını doğrudan ilgilendiren parametrelerde bölgesel değişimler yaşanmaktadır. Yaşanan bu değişimler ortalama akımlarda da bölgesel farklılıklar görülmesine neden olmaktadır. Bu çalışmada Elektrik İdaresinin kayıtlarını paylaştığı Antalya ili Serik İlçesi Beşkonak Bucağında yer alan Köprüçay istasyonuna ait ortalama akımlar incelenmiştir. İstasyona ait 1957-2011 yılları arasındaki ortalama akımlar Multi-Layer Perceptron (MLP), Destek Vektör Makinaları (DVM) ve Random Forest (RF) makine öğrenme algoritmaları ile modellenmiştir. Çalışma iki kısımdan oluşmaktadır. İlk kısımda 1957-2011 yılları arasındaki veriler hem eğitim hem test kümesi olarak kullanılmış en uygun algoritmaya bu şekilde karar verilmiştir. İkinci kısımda algoritma seçiminden sonra kayıtları mevcut olmayan 2012-2022 yılları arasındaki ortalama akımlar tahmin edilmiştir. Modellemelerde ülkemize ait yıllık ortalama maksimum, minimum, ortalama sıcaklık ve ortalama yağış verileri girdi olarak kullanılmıştır. Sonuç olarak Köprüçay özelinde ortalama akım tahmininde en uygun algoritmanın RF olacağı görülmüştür.

Anahtar Kelimeler

Ortalama Akımlar, MLP, DVM, Random Forest, Tahmin

Estimation of Average Stream Flows Using Various Machine Learning Algorithms: A Case Study of Köprüçay

Öz

The average stream flows contain important clues about the adequacy of the basin's water resources. Along with climate change, there are regional changes in parameters that directly concern stream flows, such as precipitation and temperature. These changes also cause regional differences in average flows. In this study, the average flows of the Köprüçay station located in the Beşkonak district of the Serik district of Antalya province, whose records are shared by the Electricity Administration, were examined. The average flow of the station between the years 1957 and 2011 was modeled using Multi-Layer Perceptron (MLP), Support Vector Machines (SVM), and Random Forest (RF) machine learning algorithms. The study consists of two parts. In the first part, the data between the years 1957-2011 were used as both training and test sets, and the most appropriate algorithm was decided in this way. In the second part, after the algorithm selection, the average flows between the years 2012-2022, for which records were not available, were estimated. In the models, the annual average maximum, minimum, average temperature and average precipitation data of Türkiye were used as input. As a result, it was seen that the most suitable algorithm for estimating the average current in Köprüçay would be RF.

Anahtar Kelimeler

Average Flows, MLP, SVM, RF, Prediction

Kaynakça

• [1] Çubukçu, E. A., Demir, V., & Sevimli, M. F. (2022). Estimating streamflow data with machine learning techniques. Gazi Journal of Engineering Sciences, 8(2), 257-272.
• [2] Demir, H. N., Korkmaz, M. S., & Arıman, S. (2023). Akım Gözlem İstasyonlarında ANFIS Yöntemi ile Günlük Ortalama Debi Tahmini: Kızılırmak Örneği. Journal of the Institute of Science and Technology, 13(4), 2565-2582. https://doi.org/10.21597/jist.1323346
• [3] Babacan, H. T., & Saka, F. (2022). Makine Öğrenmesi İle Aksu Deresi’nde Akış Tahmin Modeli Geliştirilmesi. Türk Hidrolik Dergisi, 6(1), 1-11.
• [4] Çubukçu, E. A., Demir, V., & Sevimli, M. F. (2022). Akım Verilerinin Makine Öğrenmesi Teknikleriyle Tahmin Edilmesi. Gazi Mühendislik Bilimleri Dergisi, 8(2), 257-272.
• [5] Babacan, H. T., Yüksek, Ö., & Saka, F. (2022). Yapay zeka ve sezgisel regresyon yöntemlerinin yağış-akış modellemesi için performans değerlendirmesi: Aksu Deresi için bir uygulama. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 11(3), 744-751. https://doi.org/10.28948/ngumuh.1079616
• [6] Parisouj, P., Mohebzadeh, H., & Lee, T. (2020). Employing machine learning algorithms for streamflow prediction: a case study of four river basins with different climatic zones in the United States. Water Resources Management, 34(13), 4113-4131.
• [7] Kedam, N., Tiwari, D. K., Kumar, V., Khedher, K. M., & Salem, M. A. (2024). River stream flow prediction through advanced machine learning models for enhanced accuracy. Results in Engineering, 22, 102215.
• [8] Hussain, D., & Khan, A. A. (2020). Machine learning techniques for monthly river flow forecasting of Hunza River, Pakistan. Earth Science Informatics, 13(3), 939-949.
• [9] Elbeltagi, A., Di Nunno, F., Kushwaha, N. L., De Marinis, G., & Granata, F. (2022). River flow rate prediction in the Des Moines watershed (Iowa, USA): A machine learning approach. Stochastic Environmental Research and Risk Assessment, 36(11), 3835-3855.
• [10] Kaya, Y. Z., Zelenakova, M., Üneş, F., Demirci, M., Hlavata, H., & Mesaros, P. (2021). Estimation of daily evapotranspiration in Košice City (Slovakia) using several soft computing techniques. Theoretical and Applied Climatology, 144, 287-298.
• [11] Amani, S., & Shafizadeh-Moghadam, H. (2023). A review of machine learning models and influential factors for estimating evapotranspiration using remote sensing and ground-based data. Agricultural Water Management, 284, 108324.
• [12] Sharafi, S., & Mohammadi Ghaleni, M. (2024). Revealing accuracy in climate dynamics: enhancing evapotranspiration estimation using advanced quantile regression and machine learning models. Applied Water Science, 14(7), 162.
• [13] Üneş, F., Taşar, B., Demirci, M., Zelenakova, M., Kaya, Y. Z., & Varçin, H. (2021). Daily suspended sediment prediction using seasonal time series and artificial intelligence techniques. Rocznik Ochrona Środowiska, 23.
• [14] Avci, Y., & Ekmen, A. B. (2023, October). Artificial intelligence assisted optimization of rammed aggregate pier supported raft foundation systems based on parametric three-dimensional finite element analysis. In Structures (Vol. 56, p. 105031). Elsevier.
• [15] Altay, G., Kayadelen, C., & Kara, M. (2024). Model selection for prediction of strong ground motion peaks in Türkiye. Natural Hazards, 120(2), 1443-1461.
• [16] Karatas, I. & Budak, A. (2024), "Development and comparative of a new meta-ensemble machine learning model in predicting construction labor productivity", Engineering, Construction and Architectural Management, Vol. 31 No. 3, pp. 1123-1144. https://doi.org/10.1108/ECAM-08-2021-0692
• [17] Murad, Y., Hajar, H. A., & Azim, I. (Eds.). (2022). Machine learning applications in Civil engineering (Vol. 16648714). Frontiers Media SA.
• [18] DSİ, (2024). Url: https://www.dsi.gov.tr/Sayfa/Detay/744 Erişim Tarihi: 17.09.2024.
• [19] World Bank, Climate Change Knowledge Portal (2024). URL: https://climateknowledgeportal.worldbank.org/. Erişim Tarihi: 17.08.2024.
• [20] Moralı, İ. A., & Aygün, F. F. (2007). Çok Katmanlı Algılayıcı Ve Geriye Yayılım Algoritması İle Konuşmacı Ayırt Etme. Akademik Bilişim, 7, 57-62.
• [21] İşeri, İ., & Arıman, S. (2019). Sedimandaki Ağır Metal Konsantrasyonunun Çoklu Değişken Regresyon Modelleri ve Çok Katmanlı Algılayıcı Ağ Modeli ile Tahmini. Avrupa Bilim ve Teknoloji Dergisi, 389-397.
• [22] Toprak ZF, Cigizoglu HK (2008) Predicting longitudinal dispersion coefficient in natural streams by artificial intelligence methods.Hydrol. Process. 22:4106–4129. https://doi.org/10.1002/hyp.7012
• [23] Bishop C (1995) Neural networks for pattern recognition. Oxford:University Press
• [24] Haykin S (1999) Neural networks: a comprehensive. Pearson Education.13:409–412. https://doi.org/10.1017/S0269888998214044
• [25] Cortes, C., Vapnik, V., 1995. Support-Vector Cortes, C., & Vapnik, V..Support-vector networks. Machine Learning, 20(3), 273–297. doi:https://doi.org/10.1023/A:1022627411411
• [26] Turan, A. K., & Polat, H. (2024). Yarı denetimli makine öğrenmesi yöntemini kullanarak müzik türlerinin tespiti. Gazi University Journal of Science Part C: Design and Technology, 1-1.
• [27] Breiman, L. (2001). Random forests. Machine learning, 45, 5-32.
• [28] Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS journal of photogrammetry and remote sensing, 67, 93-104.
• [29] Li, Y., Zou, C., Berecibar, M., Nanini-Maury, E., Chan, J. C. W., Van den Bossche, P., ... & Omar, N. (2018). Random forest regression for online capacity estimation of lithium-ion batteries. Applied energy, 232, 197-210.
• [30]. Rodriguez-Galiano, V., Sanchez-Castillo, M., Chica-Olmo, M., & Chica-Rivas, M. (2015). Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines. Ore Geology Reviews, 71, 804-818. https://doi.org/10.1016/j.oregeorev.2015.01.001
• [31] Yaseen, Z. M., Kisi, O., & Demir, V. (2016). Enhancing long-term streamflow forecasting and predicting using periodicity data component: application of artificial intelligence. Water resources management, 30, 4125-4151.
• [32] Ahmadianfar, I., Demir, V., Heddam, S., Al-Areeq, A. M., Abba, S. I., Tan, M. L., ... & Yaseen, Z. M. (2023). Daily scale streamflow forecasting based-hybrid gradient boosting machine learning model.