Taşkın Tahmininde Farklı Havzaların Kullanılması; Artvin Taşkınlarının İncelenmesi Örneği

Öz

Taşkınların duyarlılık ve risk sahasının tespitinde son dönemlerde kullanılan makine öğrenimi yöntemleri oldukça uyumlu sonuçlar vermektedir. Literatürdeki çoğu çalışmada görüldüğü üzere taşkın yaşanan havzanın veri bulunan ve afet yaşandığı bilinen bir kısmından yola çıkılarak taşkın tetikleyici parametrelerle havzanın tahmin edilmesini istenen veya veri eksikliği bulunan bir kısmı tahmin edilmektedir. Ancak bahse konu bu çalışmaların en büyük eksikliği hiçbir verisi bulunmayan havzaların tahmin olanağının olmamasıdır. İkinci husus ise makine öğrenim yöntemlerinin aynı havza içerisindeki tahminlerde aşırı öğrenme problemi oluşturmasıdır. Bu çalışmada veri bulunmayan havzaların tahmininde farklı havzaların kullanımı incelenmiştir. Bu amaçla Artvin il sınırları içinde 2009, 2015, 2020 ve 2021 yıllarında meydana gelen 4 adet taşkın kullanılmıştır. Çalışmada makine öğrenimi yöntemlerinden Rastgele Orman metodu kullanılmıştır. Yöntemin seçiminde, literatürde oldukça yüksek doğruluk değerlerine ulaşan çalışmalar olması ve taşkın gibi karmaşık olaylarda olay örgüsünü iyi analiz etmesi etkili olmuştur. Bu çalışmada rastgele noktalardan seçilen 1490 noktasal veri ile (2009, 2015 ve 2020 afetlerinden alınan) eğitim yapılmış ve 560 test verisi (2021 afeti ) tahmin edilmiştir. Çalışmanın doğrulaması 5 adet doğrulama yöntemleri (AUC, ACC, F, P, R ve F-Score) kullanılarak gerçekleştirilmiştir. Eğitim ve test verilerindeki doğruluk değerleri %90 düzeyinde tespit edilmiştir. Sonuçlar incelendiğinde 2021 yılında yaşanan afetin Rastgele Orman metodu ile tahmini, gerçek afet sahasına oldukça yakın sonuçlar vermiştir. Bulgular, taşkın afetinin önceden tahmin edilmesinde, havza planlamaları amacıyla oluşturulan havzanın risk ve duyarlılık haritalarının oluşturulmasında veri eksikliği bulunması durumunda havzalar arası tahminlerin başarısını göstermektedir. Metotların gelişimi ve örneklem sayısının arttırılması ile bu alanda iyi sonuçlar alınabileceği ve afetlerle mücadele konularında kullanılabileceği görülmektedir.

Anahtar Kelimeler

• Taşkın
• rastgele orman metodu
• makine öğrenimi
• coğrafi bilgi sistemleri
• Artvin ili.

Using Different Basins in Flood Forecasting; Example of Artvin Floods

Öz

Machine learning methods used recently in determining the sensitivity and risk areas of floods give quite compatible results. As seen in most studies in the literature, a part of the basin where floods occur is estimated with flood trigger parameters based on a part of the basin where data is available and known to have experienced a disaster, or a part where data is missing is estimated. However, the biggest deficiency of these studies in question is the lack of estimation possibilities for basins with no data. The second issue is that machine learning methods create an overlearning problem in estimations within the same basin. In this study, the use of different basins in estimating basins with no data was examined. For this purpose, 4 floods that occurred within the borders of Artvin province in 2009, 2015, 2020 and 2021 were used. The Random Forest method, one of the machine learning methods, was used in the study. The selection of the method was influenced by the fact that there are studies in the literature that have reached very high accuracy values and that it analyzes the event pattern well in complex events such as floods. In this study, training was performed with 1490 point data selected from random points (taken from 2009, 2015 and 2020 disasters) and 560 test data (2021 disaster) were estimated. Validation of the study was carried out using 5 validation methods (AUC, ACC, F, P, R and F-Score). Accuracy values in training and test data were determined at the level of 90%. When the results were examined, the prediction of the disaster experienced in 2021 with the Random Forest method gave results very close to the real disaster area. The findings show the success of inter-basin predictions in case of data deficiency in the prediction of flood disasters and the creation of risk and susceptibility maps of the basin created for basin planning purposes. It is seen that good results can be obtained in this area with the development of methods and increasing the number of samples and can be used in disaster management issues.

Anahtar Kelimeler

• Flood
• random forest method
• machine learning
• geographic information systems
• Artvin province

Kaynakça

1. Karim F, Armin MA, Ahmedt-Aristizabal D, Tychsen-Smith L, Petersson L. A review of hydrodynamic and machine learning approaches for flood in undation modeling. Water 2023: 15(3): 566.
2. Sit M, Demiray BZ, Xiang Z, Ewing GJ, Sermet Y, Demir I. A comprehensive review of deep learning applications in hydrology and water resources. Water Sci and Technol 2020; 82(12): 2635-2670.
3. Bentivoglio R, Isufi E, Jonkman SN, Taormina R. Deep learning methods for flood mapping: a review of existing applications and future research directions. Hydrol and Earth Syst Sci 2022;26(16): 4345-4378.
4. El-Haddad BA, Youssef AM, Pourghasemi HR, Pradhan B, El-Shater AH, El-Khashab MH. Flood susceptibility prediction using four machine learning techniques and comparison of their performance at Wadi Qena Basin, Egypt Nat Hazard 2021; 105:83-114.
5. Madhuri R, Sistla S, Srinivasa Raju K. Application of machine learning algorithms for flood susceptibility assessmentand risk management. J Water Clim Change 2021; 12(6). 2608-2623.
6. Yukseler U, Toprak A, Gul E, & Dursun, OF. Flood hazard mapping using M5 tree algorithms and logistic regression: a case study in East Black Sea Region. Earth Sci Inf 2023; 16(3):2033-47.
7. Habibi A, Delavar MR, Sadeghian MS, Nazari B, Pirasteh S. A hybrid of ensemble machine learning models with RFE and Boruta wrapper-based algorithms for flash flood susceptibility assessment. Int J Appl Earth Obs Geoinf. 2023 122, 103401.
8. Saravanan S, Abijith D, Reddy NM, Parthasarathy KS, Janardhanam N, Sathiyamurthi S, Sivakumar V. Flood susceptibility mapping using machine learning boosting algorithm techniques in Idukki district of Kerala India. Urban Clim. 2023; 49, 101503.

9. Lyu HM, Yin ZY. Flood susceptibility prediction using tree-based machine learning models in the GBA. Sustainable Cities and Soc. 2023; 97, 104744.
10. DSİ, “Doğu Karadeniz Taşkınları Raporu (1970-1995)”, DSİ Yayınları, Trabzon. 1996.
11. DSİ, “Su Dünyası Dergisi”, Sayı: 34, DSİ Vakfı Yayınları, Ankara. 2006.
12. DSİ, “Trabzon Taşkınları Raporu (2004,2005,2006)”, DSİ Yayınları, Trabzon. 2006.
13. Stefanidis S, Stathis D. Assessment of flood hazard based on natural and anthropogenic factors using analytic hierarchy process (AHP). Nat hazards 2013; 68, 569-585.
14. Ouma YO, Tateishi R. Urban flood vulnerability and risk mapping using integrated multi-parametric AHP and GIS: methodological overview and casestudy assessment. Water 2014; 6(6): 1515-1545.
15. Tokgözlü A, Özkan E. Taşkın risk haritalarında AHP yönteminin uygulanması: Aksu Çayı Havzası örneği. Süleyman Demirel Üniversitesi Fen-Edebiyat Fakültesi Sosyal Bilimler Dergisi 2018; (44): 151-176.
16. Kourgialas N, N Karatzas GP. Flood management and a GIS modelling method to assess flood-hazard areas—a case study. Hydrol Sci J 2011; 56(2): 212-225.
17. Mosquera-Machado S, Ahmad S. Flood hazard assessment of Atrato River in Colombia. Water resour manage. 2007. 21, 591-609.
18. Skakun S, Kussul N, Shelestov A, Kussul O. Flood hazard and flood risk assessment using a time series of satellite images: A case study in Namibia. Risk Anal 2014; 34(8): 1521-1537.
19. Breiman L. Randomforests. Mach learn 2001; 45(1): 5-32.
20. Ho TK. TheRandom Subspace Method for Constructing Decision Forests, IEEE Trans. Pattern Anal Mach Intell 1998,20: 832-844.
21. Liaw A, Wiener M. Classification and regression by random forest. R News. 2002. 2(3), 18- 22.
22. Archer KJ, Kimes RV. Empirical characterization of random forest variable importance measures. Comput Stat Data Anal. 2008. 52(4), 2249-2260.
23. Fawcett T. An introduction to ROC analysis. Pattern recognit lett 2006: 27(8): 861-874.
24. Toprak A, Yükseler U, Yıldızhan E. Success of Machine Learning And Statistical Methods İn Predicting Landslide Hazard: The Case Of Elazig (Maden). Arabian J Geosci 2024; 17.10: 1-18.
25. Toprak A, Canpolat FA. Frekans Oran, Analitik Hiyerarşi Ve Lojistik Regresyon Modellerinin Taşkın Tehlike Tahmininde Karşılaştırmalı Kullanımı, Fatsa İlçe Merkezi Ve Yakın Çevresi Örneği. lnter J Geo Edu 2022; (45): 349-379.
26. Ayoublu SA, Vafakhah M, & Pourghasemi HR. Efficiency evaluation of low impact development practices on urban flood risk. J Environ Manage 2024, 356: 120467.
27. Abebe Y, Kabir G, & Tesfamariam S. Assessing urban areas vulnerability to pluvial flooding using GIS applications and Bayesian Belief Network model. J Cleaner Prod 2018; 174: 1629-1641.
28. Toprak A, Günek H. Flood Analysis Of Arakonak Stream Basin (Solhan-Bingöl). Recent Researc Interdis Sci. 2016. 358.
29. Abdrabo KI, Kantoush SA, Esmaiel A, Saber M, Sumi T, Almamari M, & Ghoniem S. An integrated indicator-based approach for constructing an urban flood vulnerability index as an urban decision-making tool using the PCA and AHP techniques: A case study of Alexandria, Egypt. Urban Clim 2023; 48, 101426.
30. Yükseler U, Dursun ÖF. Shannon Entropi (SE) ve AHP Metoduyla Artvin (Arhavi) Kapisre Taşkınının İncelenmesi. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2024; 29(2): 611-631.
31. Yukseler U, Toprak A, Gul E, & Dursun OF. Flood hazard mapping using M5 tree algorithms and logistic regression: a case study in East Black Sea Region. Earth Sci Inf 2023; 16(3): 2033-2047.
32. Yükseler U, Dursun ÖF. Taşkın Afetlerinin Önceden Tahmin Edilebilirliği; Gümüşhane İlinde Yaşanan Afetlerinin Farklı Yöntemlerle Tahmin Örneklemi. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi. 2024; 11(23): 248-264.