Yağış-Akış İlişkisinin GEP ve ANFIS İle Modellenmesi

Öz

Yağış-akış ilişkisinin doğru bir şekilde modellenmesi, su kaynaklarının yönetimi ve su taşkınlarının kontrolü gibi hidrolojik uygulamalar için hayati önem taşımaktadır. Ancak hidrolojik sistemlerin karmaşıklığı ve nonlineer özellikleri nedeniyle, yağış-akış ilişkisi gibi olayları tanımlamak için hala birçok model geliştirilmektedir. Özellikle son yıllarda küresel ısınma ve küresel iklim değişimi gibi etmenler, yağış-akış ilişkisini belirlemeyi daha da önemli hale getirmiştir. Bu nedenle, yapay zeka teknikleri gibi modern yaklaşımların kullanımı giderek artmaktadır. Bu çalışmada, havza yağış-akış modellemesi için iki farklı yapay zeka tabanlı yöntem olan Genetik İfadeli Programlama (GEP) ve Uyarlanabilir Sinirsel-Bulanık Çıkarım Sistemi (ANFIS) kullanılarak, tahmin edilen akış değerleri gözlenen akış değerleri ile karşılaştırılmıştır. Girdi parametreleri olarak, uydu verilerinden elde edilen 4km x 4km çözünürlüklü yağış verisi kullanılmıştır. Bu yağış verisi, havza için günlük ortalama yağış yüksekliği olarak elde edilmiştir. Akım verisi olarak, Berta Suyu Havzası çıkışındaki EİE-2334 nolu akım gözlem istasyonunun (AGİ) günlük akış verileri kullanılmıştır. Akım verileri, Q(t-1), Q(t-2), Q(t-3), Q(t-4) ve yağış verileri olan P(t), P(t-1), P(t-2), P(t-3) gibi çeşitli girdi senaryoları oluşturulmuş ve çıkış olarak Q(t) ile eşleştirilmiştir. Modellerin performansı, determinasyon katsayısı (R2) ve ortalama karesel hatanın kökü (KOKH) gibi istatistiksel ölçütler kullanılarak değerlendirilmiştir. Yapılan çalışmada, ANFIS ve GEP yöntemlerinden elde edilen sonuçların birbirine yakın olduğu tespit edilmiştir. Berta Suyu Alt Havzası için en yüksek R2=0,988 ve en düşük KOKH=4,770 değerini veren modelin ANFIS-K1 olduğu görülmüştür. Bu sonuçlar, yapay zeka tekniklerinin yağış-akış ilişkisini belirlemede etkili bir araç olduğunu göstermektedir.

Anahtar Kelimeler

• Yapay Zekâ
• Yağış-Akış
• GEP
• ANFIS

Modelling The Rainfall-Runoff Relationship With GEP & ANFIS Methods

Abstract

The accurate modeling of the rainfall-runoff relationship is crucial for hydrological applications such as water resource management and flood control. However, due to the complexity and nonlinear characteristics of hydrological systems, many models are still being developed to describe events such as rainfall-runoff relationships. In particular, factors such as global warming and climate change have made determining the rainfall-runoff relationship even more important. Therefore, the use of modern approaches such as artificial intelligence techniques is increasing. In this study, two different artificial intelligence-based methods, Genetic Expression Programming (GEP) and Adaptive Neuro-Fuzzy Inference System (ANFIS), were used for basin rainfall-runoff modeling, and the estimated flow values were compared with the observed flow values. 4km x 4km resolution precipitation data obtained from satellite data was used as input parameters. This precipitation data was obtained as the daily average precipitation height for the basin. Daily flow data from the EIE-2334 flow observation station (FOS) at the outlet of the Berta Stream Basin was used as the flow data. Various input scenarios were created with flow data such as Q(t-1), Q(t-2), Q(t-3), Q(t-4) and precipitation data such as P(t), P(t-1), P(t-2), P(t-3), and matched with Q(t) as output. Some of the inputs were used for model training, and the remaining were reserved for testing. The performance of the models was evaluated using statistical measures such as determination coefficient (R2) and root mean square error (RMSE). In the study, it was found that the results of the ANFIS and GEP methods were similar. The model with the highest R2=0.988 and the lowest RMSE=4.770 for the Berta Stream Sub-Basin was found to be the ANFIS-K1 model. These results demonstrate that artificial intelligence techniques are an effective tool for determining the rainfall-runoff relationship.

Keywords

• Artificial Intelligence
• Rainfall-Runoff
• GEP
• ANFIS

References

1. [1] O. Fıstıkoğlu ve E. Biberoğlu, Küresel İklim Değişikliğinin Su Kaynaklarına Etkisi ve Uyum Önlemleri, Ankara, 2008.
2. [2] M. Bayazıt, Hidrolojik Modeller, İstanbul: İTÜ İnşaat Fakültesi Matbaası, 1998.
3. [3] M. Bayazıt, Hidroloji, İstanbul: İTÜ İnşaat Faakültesi Matbaası, 1995.
4. [4] V. V. Nabiyev, Yapay Zeka: İnsan-Bilgisayar Etkileşimi, Ankara: Seçkin Yayıncılık, 2012.
5. [5] A. Aytek, M. Alp ve M. Asce, An application of artificial intelligence for rainfall-runoff modeling, Journal of Earth System Science ,117, pp. 145-155, 2008.
6. [6] K. E. Lafdani, A. M. Nia, A. Pahlavanravi, A. Ahmadi ve . J. Milad, Daily Rainfall-Runoff Prediction and Simulation Using ANN, ANFIS and Conceptual Hydrological MIKE11/NAM Models, International Journal of Engineering & Technology Sciences, 1(1), pp. 32-50, 2013.
7. [7] S. K. T. Kuni ve M. C, Rainfall Runoff Modelling Using ANN and ANFIS, International Symposium on Integrated Water Resources Management, Kozhikode, 2014.
8. [8] İ. H. İfşaat, V. Gümüş ve O. Şimşek, Evaluation of Gene Expression Method for Rainfall-Runoff Relationship: Case study of the E21A057 Station, 7. International Symposium on Innovative Technologies in Engineering and Science, Şanlıurfa, 2019.

9. [9] N. N. C. Razali, N. A. Ghani, S. I. Hisham, S. Kasim, N. S. Widodo ve T. Sutikno, Rainfall-Runoff Modelling Using Adaptive Neuro-Fuzzy Inference System, Indonesian Journal of Electrical Engineering and Computer Science, 17(2), pp. 1117-1126, 2020.
10. [10] R. Gerger, V. Gümüş ve S. Dere, Dicle Havzasının Yağış Akış İlişkisinin Belirlenmesinde Farklı Yapay Zeka Yöntemlerinin Değerlendirilmesi, BŞEÜ Fen Bilimleri Dergisi, 8(1), pp. 300-311, 2021.
11. [11] ALOS PALSAR – Coverage Maps, [Çevrimiçi]. Available: https://asf.alaska.edu/data-sets/sar-data-sets/alos-palsar/alos-palsar-coverage-maps/. [Erişildi: 6 Mayıs 2023].
12. [12] C. Ferreira, Gene Expression Programming: A New Adaptive Algorithm for Solving Problems, Complex Systems, 13(2), pp. 87-129, 2001.
13. [13] J. R. Koza, Genetic Programming: On the Programming of Computers by Means of Natural Selection, Cambridge, MA: MIT Press, 1992.
14. [14] C. Ferreira, Gene-expression programming: Mathematical modeling by an artificial intelligence., Berlin, Heidelberg: Springer, 2006.
15. [15] L.-Y. Wei, A Hybrid ANFIS Model Based on Empirical Mode Decomposition For Stock Time Series Forecasting, Applied Soft Computing, pp. 368-376, 2016.
16. [16] J. Jang, ANFIS: Adaptive Network Based Fuzzy İnference System, IEEE Transactions on Systems, pp. 665-685, 1993.
17. [17] M. Waqas, M. Saifullah, S. Hashim, M. Shoaib, A. Naseem ve M. Khan, Modelling of Rainfall-runoff process by GEP, RBF-SVM and M5 model tree in Jhelum River Basin, Pakistan, CEWRE/ICHWR, 21(16), pp. 105-115, 2021.