Estimating Streamflow Data with Machine Learning Techniques

Abstract

Estimation of stream flows is very important in basin and flood management. It is a very difficult topic to predict hydrological events that do not show linearity and depend on many parameters. In this study, streamflow modeling has been made and compared by using Artificial Neural Networks (ANN), Support Vector Machines (SVM) and Deep Learning (DL) optimizations using monthly average streamflow data of Mersin Lamas River. When the results are examined, it has been observed that the best method in solving the problem is ANN and SVM methods, which give more unsuccessful results. Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Nash Sutcliffe model Efficiency coefficient (NSE), Mean Absolute Relative Error (MARE) and Coefficient of Determination (R2) were used as comparison criteria. 1 input model of DL gave the best result (RMSE= 0.7647, MAE=0.7370, NSE=0.9724, MARE=27.9326, R²=0.9962).

Keywords

• Stream Flow
• Forecasting
• Machine Learning
• Lamas River

Akım Verilerinin Makine Öğrenmesi Teknikleriyle Tahmin Edilmesi

Abstract

Akarsu akımlarının tahmini havza ve taşkın yönetiminde oldukça önemlidir. Doğrusallık göstermeyen ve birçok parametreye bağlı olan hidrolojik olayların tahminleri oldukça zor bir konudur. Bu çalışmada Mersin Lamas Nehri aylık ortalama akım verileri kullanılarak Yapay Sinir Ağları (YSA), Destek Vektör Makineleri (DVM) ve Derin Öğrenme (DÖ) optimizasyonları kullanılarak akım modellemesi yapılmış ve karşılaştırılmıştır. Sonuçlar incelendiğinde problemin çözümünde en iyi yöntemin DÖ olduğu YSA ve DVM yöntemlerinin ise buna göre daha başarısız sonuçlar verdiği gözlemlenmiştir. En iyi sonucu DÖ’ye ait 1 giriş modeli vermiştir (KOKH= 0.7647, OMH=0.7370, NSE=0.9724, OMBH=27.9326, R²=0.9962).

Keywords

• Akarsu Akışı
• Tahmin
• Makine Öğrenmesi
• Lamas Nehri.

References

1. [1] Z. M. Yaseen, A. El-shafie, O. Jaafar, H. A. Afan, ve K. N. Sayl, “Artificial intelligence based models for stream-flow forecasting: 2000-2015,” J. Hydrol., vol. 530, no. November 2020, pp. 829–844, 2015, doi: 10.1016/j.jhydrol.2015.10.038.
2. [2] F. Tosunoğlu, S. Hanay, E. Çintaş, ve B. Özyer, “Monthly Streamflow Forecasting Using Machine Learning,” Erzincan Univ. J. Sci. Technol., vol. 13, no. 3, pp. 1242–1251, 2020, doi: 10.18185/erzifbed.780477.
3. [3] V. Demir, A. Alptekİn, M. Ö. Çelik, ve M. Yakar, “2D Flood modeling with the help of GIS : Mersin / Lamas River,” in 2nd Intercontinental Geoinformation Days (IGD) – 5-6 May 2021, 2021, no. May, pp. 176–178.
4. [4] C. Boyraz ve S. N. Engin, “Streamflow prediction with deep learning,” in 6th International Conference on Control Engineering and Information Technology, CEIT, 2018, pp. 25–27, doi: 10.1109/CEIT.2018.8751915.
5. [5] A. L. Samuel, “Some studies in machine learning using the game of checkers,” 1959. doi: 10.1147/rd.441.0206.
6. [6] M. Rahimzad, A. Moghaddam Nia, H. Zolfonoon, J. Soltani, A. Danandeh Mehr, ve H. H. Kwon, “Performance Comparison of an LSTM-based Deep Learning Model versus Conventional Machine Learning Algorithms for Streamflow Forecasting,” Water Resour. Manag., vol. 35, no. 12, pp. 4167–4187, 2021, doi: 10.1007/s11269-021-02937-w.
7. [7] E, Oztemel. Yapay Sinir Ağları, ISBN: 978-975-6797-39-6, İstanbul, 2012.
8. [8] Y. B. Dibike ve D. P. Solomatine, “River flow forecasting using artificial neDibike, Y. B., & Solomatine, D. P. (n.d.). River flow forecasting using artificial neural networks.ural networks.”

9. [9] T. S. Hu, K. C. Lam, ve S. T. Ng, “A Modified Neural Network for Improving River Flow Prediction / Un Réseau de Neurones Modifié pour Améliorer la Prévision de L ’ Écoulement Fluvial flow prediction,” Hydrol. Sci. J. ISSN, vol. 50, no. 2, pp. 298–318, 2009, doi: 10.1623/hysj.50.2.299.61794.
10. [10] M. Ren, B. Wang, Q. Lıang, ve G. Fu, “Classified real-time flood forecasting by coupling fuzzy clustering and neural network.” International Journal of Sediment Research 25(2), 134-148.
11. [11] M. Asaad, “Aylık Ortalama Akım Verilerinin Yapay Sinir Ağları Kullanılarak Tahmin Edilmesi” Yüksek lisans Tezi, Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü, 2021.
12. [12] “URL 1.” https://www.enerjiatlasi.com/akarsular/lamas-cayi.html.
13. [13] “URL 2.” https://tr.wikipedia.org/wiki/Limonlu_Çayı.
14. [14] İ. Özalp, “., Limonlu (Lamas) Çayı Havzası’nın Fiziki Coğrafyası,.” Yüksek Lisans Tezi, Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü, 2009.
15. [15] U. Okkan ve H. Y. Dalkılıç, “Radyal Tabanlı Yapay Sinir Ağları ile Kemer Barajı Aylık Akımlarının Modellenmesi,” İMO Tek. Dergi, pp. 5957–5966, 2012.
16. [16] M. A. Çavuşlu, Y. Becerikli, ve C. Karakuzu, “Levenberg- Marquardt Algoritması ile YSA Eğitiminin Donanımsal Gerçeklenmesi,” Türkiye Bilişim Vakfı Bilgi. Bilim. ve Mühendisliği Derg., vol. 5, no. 5, pp. 1–7, 2012.
17. [17] E. A. Çubukçu, “Yıllık Anlık Maksimum Akımların, Coğrafi Veri Bileşenleri Ve Yapay Sinir Ağları İle Modellenmesi,” Yüksek Lisans Tezi, KTO Karatay Üniversitesi Fen Bilimleri Enstitüsü, Konya, 2019.
18. [18] T. Partal, E. Kahya, ve K. Cığızoğlu, “Yağış Verilerinin Yapay Sinir Ağları ve Dalgacık Dönüşümü Yöntemleri ile Tahmini,” İtü Mühendislik Derg., vol. 7, no. 3, pp. 73–85, 2008.
19. [19] T. Poggio ve F. Girosi, “Regularization Algorithms for Learning That Are Equivalent to Multilayer Networks,” Science (80-. )., vol. 247, no. 4945, pp. 978–982, 1990, doi: 10.1126/science.247.4945.978.
20. [20] A. Sürel, “Genelleştirilmiş Regresyon Yapay Sinir Ağının Su Kaynakları Mühendisliğinde Kullanımı,” Yüksek Lisans Tezi, İTÜ Fen Bilimleri Enstitüsü, İstanbul, 2006.
21. [21] M. Alp ve K. Cığızoğlu, “Farklı Yapay Sinir Ağı Metodları ile Yağış-Akış İlişkisinin Modellenmesi,” İtü Mühendislik Derg., vol. 3, no. 1, pp. 80–88, 2004.
22. [22] B. E. Boser, I. M. Guyon, ve V. N. Vapnik, “A training algorithm for optimal margin classifiers,” Proc. fifth Annu. Work. Comput. Learn. theory, pp. 144–152, 1992, doi: https://doi.org/10.1145/130385.130401.
23. [23] D., Zhang, J., Lin, Q.,Peng, D.,Wang, T.,Yang, S.,Sorooshian, X.,Liu, & J.,Zhuang, “Modeling and Simulating of Reservoir Operation Using the Artificial Neural Network, Support Vector Regression, Deep Learning Algorithm,” J. Hydrol., vol. 565, pp. 720–736, 2018, doi: 10.1016/j.jhydrol.2018.08.050.
24. [24] H. Citakoglu, “Comparison of multiple learning artificial intelligence models for estimation of long-term monthly temperatures in Turkey,” Arab. J. Geosci., vol. 14, no. 20, 2021, doi: 10.1007/s12517-021-08484-3.
25. [25] M., Liu Y.,Huang, Z.,Li, B.,Tong, Z.,Liu, M.,Sun, F.,Jiang, & H Zhang, “The applicability of lstm-knn model for real-time flood forecasting in different climate zones in China,” Water (Switzerland), vol. 12, no. 2, pp. 1–21, 2020, doi: 10.3390/w12020440.
26. [26] J. L. Hintze ve R. D. Nelson, “Violin plots: A box plot-density trace synergism,” Am. Stat., vol. 52, no. 2, pp. 181–184, 1998, doi: 10.1080/00031305.1998.10480559.
27. [27] K. E. Taylor, “Summarizing multiple aspects of model performance in a single diagram,” J. Geophys. Res., vol. 106, pp. 7183–7192, 2001.
28. [28] Legouhy A., “al_goodplot - boxblot & violin plot,” MATLAB Central File Exchange. Retrieved. https://www.mathworks.com/matlabcentral/fileexchange/91790-al_goodplot-boxblot-violin-plot.