Doğu Akdeniz Bölgesi İçin Makine Öğrenmesi Tabanlı Buharlaşma Modelleri

Abstract

Buharlaşma; su kaynaklarının verimli kullanılabilmesi için yapılan planlama çalışmalarında, rezervuar alanlarının işletilmesinde ve tarımsal verimlilik konularında büyük öneme sahip meteorolojik bir değişkendir. Çalışmada, buharlaşmanın makine öğrenmesi algoritmaları kullanılarak hangi doğrulukta tahmin edilebileceği ve farklı algoritmaların verimlilikleri karşılaştırılarak en iyi buharlaşma tahminini veren algoritmaların tespiti amaçlanmıştır. Çalışmada 8 farklı makine öğrenmesi algoritması kullanılmıştır. Buharlaşmayı etkileyen birçok meteorolojik değişken olmasına rağmen, operasyonel çalışmalarda çoğunlukla kolay bir şekilde ulaşılabilen ve daha sık ölçüm noktası bulunan hava sıcaklığı değişkeni bağımsız değişken olarak kullanılmıştır. Doğu Akdeniz Bölgesi’nde yer alan 13 farklı meteoroloji gözlem istasyonunda (MGİ) aynı zaman aralığında ölçülmüş sıcaklık ve buharlaşma değerleri ile modeller kurulmuştur. İstasyonların %30’unda AdaBoost, %30’unda ise Lineer Regresyon algoritması en iyi tahminleri yapmıştır. Kalan %40’lık kısmı diğer algoritmalar oluşturmuştur. Değişen MGİ konumlarına göre farklı makine öğrenmesi algoritmaları daha iyi başarı göstermiştir. Bununla beraber, en iyi tahminleri yapan modellerin hata metrikleri arasında çok düşük farklar olduğu tespit edilmiştir. İstasyonlar bazında belirlenen en iyi modellerden en düşük RMSE hatasına (16,4 mm) AdaBoost modeli ile Erdemli MGİ, en yüksek RMSE hatasına (39,2 mm) ise Rastgele Orman modeli ile Antakya MGİ’nun sahip olduğu sonucuna varılmıştır. Makine öğrenmesi algoritmalarının sıcaklık parametresi kullanılarak buharlaşma tahminleri yapan modeller kurulmasında kullanılabilir olduğu belirlenmiştir.

Keywords

• Buharlaşma
• Makine öğrenmesi
• Su kaynakları
• Rezervuar işletmesi

Machine Learning–Based Evaporation Models for the Eastern Mediterranean Region

Abstract

Evaporation is a key meteorological variable in water resources planning, reservoir operation, and assessments of agricultural productivity. This study aims to evaluate the predictive accuracy of evaporation estimates obtained using machine learning algorithms and to identify the most effective algorithms through a comparative performance analysis. Eight different machine learning algorithms were employed. Although, evaporation is influenced by numerous meteorological variables, air temperature being easily accessible and more densely monitored in operational applications was selected as the sole independent variable. Models were developed using concurrent air temperature and evaporation observations recorded at 13 meteorological observation stations located in the Eastern Mediterranean Region. The results indicate that AdaBoost and Linear Regression yielded the best performance at 30% of the stations each, while the remaining 40% were best represented by other algorithms. The optimal algorithm varied spatially depending on station location, suggesting that local climatic and geographic conditions influence model performance. Nevertheless, the differences among error metrics of the best-performing models were relatively small. On a station basis, the lowest RMSE value (16.4 mm) was obtained with the AdaBoost model at the Erdemli station, whereas the highest RMSE value (39.2 mm) was observed with the Random Forest model at the Antakya station. Overall, the findings demonstrate that machine learning algorithms can be effectively used to develop evaporation prediction models based solely on air temperature data.

Keywords

• Evaporation
• Machine learning
• Water resources
• Reservoir operation

References

1. Abed, M., Imteaz, M. A., Ahmed, A. N., & Huang, Y. F. (2021). Application of long short-term memory neural network technique for predicting monthly pan evaporation. Scientific Reports, 11(1), Article 20742. https://doi.org/10.1038/s41598-021-99999-y
2. Al Sudani, Z. A., & Salem, G. S. A. (2022). Evaporation rate prediction using advanced machine learning models: A comparative study. Advances in Meteorology, 2022(1), Article 1433835. https://doi.org/10.1155/2022/1433835
3. Ayaz, A., Rajesh, M., Singh, S. K., & Rehana, S. (2021). Estimation of reference evapotranspiration using machine learning models with limited data. AIMS Geosciences, 7(3), 268-290. https://doi.org/10.3934/geosci.2021016
4. Barrett, J. P. (1974). The coefficient of determination—some limitations. The American Statistician, 28(1), 19-20. https://doi.org/10.1080/00031305.1974.10479056
5. Bozorgi, A., Bozorg-Haddad, O., Sima, S., & Loáiciga, H. A. (2020). Comparison of methods to calculate evaporation from reservoirs. International Journal of River Basin Management, 18(1), 1-12. https://doi.org/10.1080/15715124.2018.1546729
6. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785-794). ACM. https://doi.org/10.1145/2939672.2939785
7. Cruz-Blanco, M., Ortega-Farías, S., & Fuentes-Pérez, D. (2025). Regionalization of the Hargreaves–Samani coefficients to estimate reference evapotranspiration in high-altitude areas. Atmosphere, 16(4), Article 408. https://doi.org/10.3390/atmos16040408
8. Devlet Su İşleri Genel Müdürlüğü. (2006). Mühendislik hidrolojisi teknik şartnamesi. https://cdniys.tarimorman.gov.tr/api/File/GetFile/425/KonuIcerik/740/1088/DosyaGaleri/m%C3%BChendislik-hidrolojisi-hizmetleri-teknik-%C5%9Fartnamesi_r00_20061110.pdf

9. Devlet Su İşleri Genel Müdürlüğü. (2019). Hidrojeolojik etüt şartnamesi. https://cdniys.tarimorman.gov.tr/api/File/GetFile/425/KonuIcerik/740/1088/DosyaGaleri/hidrojeolojik-et%C3%BCt-teknik-%C5%9Fartnamesi_r01_20190527-.pdf
10. Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems (2nd ed.). O'Reilly Media.
11. Gümüş, V., Yeniğün, K., Toprak, Z. F., & Baçi, N. O. (2018). Şanlıurfa ve Diyarbakır istasyonlarında sıcaklık tabanlı buharlaşma tahmininde YSA, ANFIS ve GEP yöntemlerinin karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 553-562.
12. Harville, D. A., & Jeske, D. R. (1992). Mean squared error of estimation or prediction under a general linear model. Journal of the American Statistical Association, 87(419), 724-731. https://doi.org/10.1080/01621459.1992.10475274
13. Ileberi, E., Sun, Y., & Wang, Z. (2021). Performance evaluation of machine learning methods for credit card fraud detection using SMOTE and AdaBoost. IEEE Access, 9, 165286-165294. https://doi.org/10.1109/ACCESS.2021.3134330
14. Jain, P., Choudhury, A., Dutta, P., Kalita, K., & Barsocchi, P. (2021). Random forest regression-based machine learning model for accurate estimation of fluid flow in curved pipes. Processes, 9(11), Article 2095. https://doi.org/10.3390/pr9112095
15. Jasmine, M., Mohammadian, A., & Bonakdari, H. (2022). On the prediction of evaporation in arid climate using machine learning model. Mathematical and Computational Applications, 27(2), Article 32. https://doi.org/10.3390/mca27020032
16. Karunasingha, D. S. K. (2022). Root mean square error or mean absolute error? Use their ratio as well. Information Sciences, 585, 609-629. https://doi.org/10.1016/j.ins.2021.11.036
17. Kohli, S., Godwin, G. T., & Urolagin, S. (2020). Sales prediction using linear and KNN regression. In S. Patnaik, X.-S. Yang, & I. K. Sethi (Eds.), Advances in machine learning and computational intelligence: Proceedings of ICMLCI 2019 (pp. 321-329). Springer Singapore. https://doi.org/10.1007/978-981-15-5243-4_29
18. Mosavi, A., Ozturk, P., & Chau, K. W. (2018). Flood prediction using machine learning models: Literature review. Water, 10(11), Article 1536. https://doi.org/10.3390/w10111536
19. Ngongondo, C., Xu, C. Y., Tallaksen, L. M., & Alemaw, B. (2013). Evaluation of the FAO Penman–Monteith, Priestley–Taylor and Hargreaves models for estimating reference evapotranspiration in southern Malawi. Hydrology Research, 44(4), 706-722. https://doi.org/10.2166/nh.2012.224
20. Pekel, E. (2020). Estimation of soil moisture using decision tree regression. Theoretical and Applied Climatology, 139(3), 1111-1119. https://doi.org/10.1007/s00704-019-03048-8
21. Rai, P., Kumar, P., Al-Ansari, N., & Malik, A. (2022). Evaluation of machine learning versus empirical models for monthly reference evapotranspiration estimation in Uttar Pradesh and Uttarakhand States, India. Sustainability, 14(10), Article 5771. https://doi.org/10.3390/su14105771
22. Savaş, K. (2023). Artvin ormanlarında yangınların dağılımı ve büyük yangınların değerlendirilmesi [Yüksek lisans tezi, Bezmialem Vakıf Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi
23. Shen, R., & Zhang, B.-W. (2018). The research of regression model in machine learning field. MATEC Web of Conferences, 176, Article 01033. https://doi.org/10.1051/matecconf/201817601033
24. Singh, U., Rizwan, M., Alaraj, M., & Alsaidan, I. (2021). A machine learning-based gradient boosting regression approach for wind power production forecasting: A step towards smart grid environments. Energies, 14(16), Article 5196. https://doi.org/10.3390/en14165196
25. Taşar, B., Üneş, F., Demirci, M., & Kaya, Y. Z. (2018). Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 543-551.
26. Tezel, G., & Büyükyıldız, M. (2016). Monthly evaporation forecasting using artificial neural networks and support vector machines. Theoretical and Applied Climatology, 124, 69-80. https://doi.org/10.1007/s00704-015-1392-3
27. Verhoef, A., & Campbell, C. L. (2005). Evaporation measurement. In M. G. Anderson & J. J. McDonnell (Eds.), Encyclopedia of hydrological sciences (pp. 589-601). John Wiley & Sons. https://doi.org/10.1002/0470848944.hsa043
28. Wada, K. (2020). Outliers in official statistics. Japanese Journal of Statistics and Data Science, 3, 669–691. https://doi.org/10.1007/s42081-020-00091-y
29. Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79-82. https://doi.org/10.3354/cr030079
30. World Meteorological Organization. (2008). Guide to meteorological instruments and methods of observation (WMO-No. 8, 7th ed.).
31. Xie, D., & Zhang, S. (2021). Machine learning model for sales forecasting by using XGBoost. In 2021 IEEE international conference on consumer electronics and computer engineering (ICCECE) (pp. 480-483). IEEE. https://doi.org/10.1109/ICCECE51280.2021.9342304
32. Yan, Z., Wang, S., Ma, D., Liu, B., Lin, H., & Li, S. (2019). Meteorological factors affecting pan evaporation in the Haihe River Basin, China. Water, 11(2), Article 317. https://doi.org/10.3390/w11020317
33. Yaseen, Z. M., Al-Juboori, A. M., Beyaztas, U., Al-Ansari, N., Chau, K. W., Qi, C., Ali, M., Salih, S. Q., & Shahid, S. (2020). Prediction of evaporation in arid and semi-arid regions: A comparative study using different machine learning models. Engineering Applications of Computational Fluid Mechanics, 14(1), 70-89. https://doi.org/10.1080/19942060.2019.1680576
34. Zhang, F., & O'Donnell, L. J. (2020). Support vector regression. In A. Mechelli & S. Vieira (Eds.), Machine learning (pp. 123-140). Academic Press. https://doi.org/10.1016/B978-0-12-815739-8.00007-9
35. Zouzou, Y., & Çıtakoğlu, H. (2021). Reference evapotranspiration prediction from limited climatic variables using support vector machines and Gaussian processes. Avrupa Bilim ve Teknoloji Dergisi, (28), 346-351. https://doi.org/10.31590/ejosat.999319