Streamflow Prediction Study with Sequential Gauging Station Data Using Multiple Nonlinear Regression Method

Year 2022, Volume: 12 Issue: 2, 931 - 945, 15.12.2022

Evren Turhan

https://doi.org/10.31466/kfbd.1175582

Abstract

The continuous of the river flow data is quite important in the design stages of hydraulic structures to be constructed on water resources. It can be seen that there are missing data when the past recording flow data is considered. Therefore, prediction studies are carried out with different methods by using hydrometeorologically equivalent gauging station data in the literature. In this study, streamflow prediction evaluations have been performed with the Multiple Nonlinear Regression (MNLR) method due to the nonlinear relationship of hydrological processes. Sequential gauging stations located on the same river route in Seyhan and Eastern Mediterranean Basins were preferred for the case study. As a result of the study, models in which the streamflow gauging station- No: 1729 is the independent variable and the previous 6-months data of stations- No: 1721 and 1730 are dependent variables give the highest correlation and lowest error values for both training and testing phases. In which the station of No: 1829 is the independent variable and in the model structures where the stations of No: 1820 and 1830 are the dependent variables, the best results have been seen in the input data of the previous 1-month and previous 3-months, respectively. In consequence of Model-3 training created with the 1829-1830 stations, the coefficient of determination (R2) has been 0.943, and the test result has been around 0.969 value. Because Mean Squared Error (MSE) is very close to zero in this model, it has been determined as the best evaluation criteria in terms of all models.

Keywords

Sequential Gauging Stations, MNLR, Streamflow Prediction, Seyhan Basin, Eastern Mediterranean Basin

Ardışık Gözlem İstasyonu Verileri ile Çoklu Doğrusal Olmayan Regresyon Yöntemi Kullanılarak Akım Tahmin Çalışması

Abstract

Nehir akım verilerinin sürekli olması su kaynakları üzerine inşa edilecek yapıların tasarımı aşamalarında oldukça önemlidir. Geçmiş zaman kayıtlı akım verileri ele alındığında eksik akımların söz konusu olduğu görülebilmektedir. Dolayısı ile hidrometeorolojik olarak eşdeğer gözlem istasyonu verileri kullanılarak literatürde farklı yöntemlerle tahmin çalışmaları yapılmaktadır. Bu çalışmada hidrolojik süreçlerin lineer olmayan özellik göstermeleri nedeniyle Çoklu Doğrusal Olmayan Regresyon (ÇDOR) metodu ile akım tahmini değerlendirmeleri gerçekleştirilmiştir. Uygulama yeri olarak Seyhan ve Doğu Akdeniz Havzaları’ndaki aynı akarsu güzergahında yer alan ardışık akım gözlem istasyonları tercih edilmiştir. Çalışma sonucunda; 1729 nolu gözlem istasyonunun bağımsız; 1721 ve 1730 nolu istasyonların önceki 6 ay verilerinin ise bağımlı değişkenleri oluşturduğu modellemeler hem eğitim hem de test aşamaları için en yüksek korelasyon ve en düşük hata değerlerini vermiştir. 1829 nolu istasyonun bağımsız değişken; 1820 ve 1830 istasyonlarının ise bağımlı değişken olduğu model yapılarında sırasıyla 1 önceki ay ve 3 önceki ay giriş verilerinde en iyi sonuçlar görülmüştür. 1829-1830 istasyonları ile elde edilen Model-3 eğitim sonucu belirlilik katsayısı (R2) 0.943 olup, test sonucu ise 0.969 dolaylarında ortaya çıkmıştır. Bu modelde Ortalama Karesel Hata (OKH) sıfıra çok yakın olduğu için tüm modeller açısından en iyi değerlendirme kriteri olarak tespit edilmiştir.

Keywords

Ardışık Gözlem İstasyonları, ÇDOR, Akım Tahmini, Seyhan Havzası, Doğu Akdeniz Havzası, Sequential Gauging Stations, MNLR, Streamflow Prediction, Seyhan Basin, Eastern Mediterranean Basin

References

• Anusree, K., ve Varghese, K. O. (2016). Streamflow prediction of Karuvannur River Basin using ANFIS, ANN and MNLR models. Procedia Technology, 24, 101-108. https://doi: 10.1016/j.protcy.2016.05.015
• Babacan, H. T., ve Saka, F. (2022). Makine öğrenmesi ile Aksu Deresi’nde akış tahmin modeli geliştirilmesi. Türk Hidrolik Dergisi, 6(1), 1-11.
• Burgan, H. İ. (2022). Comparison of different ANN (FFBP GRNN RBF) algorithms and multiple linear regression for daily streamflow prediction in Kocasu river – Turkey. Fresenius Environmental Bulletin, 31(5), 4699-4708.
• Dayan, F., Demirci, M., Üneş, F., ve Taşar, B. (2021). Nehirlerdeki katı madde miktarının Bulanık SMGRT yöntemi ile tahmini. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 24(4), 294-307.
• Elektrik İşleri Etüt İdaresi (EİEİ) (2011). Akım gözlem yıllıkları, Ankara. (Erişim tarihi: 01.06.2022)
• Gümüş, V., Kavşut, M. E., ve Yenigün, K. (2011). Yağış-akış ilişkisinin modellenmesinde YSA kullanımının değerlendirilmesi: Orta Fırat Havzası uygulaması. e-Journal of New World Sciences Academy, 6(1), 389-397.
• Gümüş, V., ve Kavşut, M. E. (2013). Zamanti Nehri-Ergenuşağı istasyonu eksik aylık akım verilerinin tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi Part:C, Tasarım ve Teknoloji GU J Sci Part:C, 1(2): 81-91.
• Gümüş, V., Soydan, N. G., Şimşek, O., Aköz, M. S., ve Kırkgöz, M. S. (2013). Yağış-akış ilişkisinin belirlenmesinde farklı yapay sinir ağı yöntemlerinin karşılaştırılması. Çukurova Üniversitesi Mühendislik- Mimarlık Fakültesi Dergisi, 28(1), 37-49.
• Harun, M. A., Safari, M. J. S., Gul, E., ve Ghani, A. A. (2021). Regression models for sediment transport in tropical rivers. Environmental Science and Pollution Research, 28, 53097-53115. https://doi.org/10.1007/s11356-021-14479-0
• Kaya, Y. Z., Zelenakova, M., Üneş, F., Demirci, M., Hlavata, H., ve Mesaros, P. (2021). Estimation of daily evapotranspiration in Košice City (Slovakia) using several soft computing techniques. Theoretical and Applied Climatology, 144, 287-298. https://doi.org/10.1007/s00704-021-03525-z
• Kaya, S., ve Babacan, E. K. (2021). Bayesci yaklaşım ile regresyon modellerinde parametre tahmini. Karadeniz Fen Bilimleri Dergisi, 11(2), 439-462. https://doi.org/10.31466/kfbd.910703
• Poul, A. K., Shourian, M., ve Ebrahimi, H. (2019). A comparative study of MLR, KNN, ANN and ANFIS models with Wavelet Transform in monthly stream flow prediction. Water Resources Management, 33, 2907-2923. https://doi.org/10.1007/s11269-019-02273-0
• Ravansalar, M., Rajaee, ve Kisi, O. (2017). Wavelet-linear genetic programming: A new approach for modeling monthly streamflow. Journal of Hydrology, 546, 461-475. http://dx.doi.org/10.1016/j.jhydrol.2017.04.018
• Rezaeianzadeh, M., Tabari, H., Yazdi, A. A., Isik, S., ve Kalin, L. (2014). Flood flow forecasting using ANN, ANFIS and regression models. Neural Comput & Applic, 25, 25-37. https://doi.org/ 10.1007/s00521-013-1443-6
• Seçkin, N., Güven, A., ve Yurtal, R. (2010). Taşkın debilerinin yapay sinir ağları ile modellenmesi: Batı Karadeniz Havzası örneği. Çukurova Üniversitesi Mühendislik- Mimarlık Fakültesi Dergisi, 25(1-2), 45-57.
• Seçkin, N. (2011). Modeling flood discharge at ungauged sites across Turkey using neuro-fuzzy and neural networks. Journal of Hydroinformatics, 13(4), 842-849. https://doi.org/10.2166/hydro.2010.046
• Tarım ve Orman Bakanlığı (TOB), Su Yönetimi Genel Müdürlüğü (2019). Doğu Akdeniz Havzası taşkın yönetim planı. Ankara.
• Tarım ve Orman Bakanlığı (TOB), Su Yönetimi Genel Müdürlüğü (2020). Seyhan Havzası taşkın yönetim planı. Ankara.
• Terzi, Ö., ve Önal, S. (2012). Application of artificial neural networks and multiple linear regression to forecast monthly river flow in Turkey. African Journal of Agricultural Research, 7(8), 1317-1323. https://doi.org/10.5897/AJAR11.1426
• Turhan, E. (2012). Seyhan Havzası’nın yağış-akış ilişkisinin yapay sinir ağları yöntemi ile modellenmesi. Yüksek Lisans Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana.
• Turhan, E., ve Özmen-Çağatay, H. (2016a). Eksik akım verilerinin tahmin modelinin oluşturulmasında yapay sinir ağlarının kullanımı: Asi Nehri-Demirköprü akım gözlem istasyonu örneği. Çukurova Üniversitesi Mühendislik- Mimarlık Fakültesi Dergisi, 31(1), 93-106.
• Turhan, E., Özmen-Çağatay, H., ve Çetin, A. (2016b). Yapay sinir ağı yöntemleri ile Aşağı Seyhan Ovası Alt Havzası yağış-akış ilişkisinin modellenmesi ve yağışlı-kurak dönemler açısından irdelenmesi. Çukurova Üniversitesi Mühendislik- Mimarlık Fakültesi Dergisi, 31(2), 227-241.
• Turhan, E. (2021). A comparative evaluation of the use of artificial neural networks for modeling the rainfall–runoff relationship in water resources management. Journal of Ecological Engineering, 22(5), 166-178. https://doi.org/10.12911/22998993/135775
• Uluğtekin, N., Bektas, F., Dogru, A. O., Goksel, C., Alaton, I. A., ve Orhon, D. (2005). The use of remote sensing and GIS technologies for comprehensive wastewater management. Conference: 31. Internationl Symposium on Remote Sensing of Environment, Global Monitoring for Sustainability and Security, USA.
• 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, 117-137. https://doi.org/10.54740/ros.2021.008
• Yıldıran, A., ve Kandemir, S. Y. (2018). Yağış miktarının yapay sinir ağları ile tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 5(2), 97-104.
• Yıldıran, A., ve Kandemir, S. Y. (2020). Porsuk çayı akım verilerinin değerlendirilmesi. DÜMF Mühendislik Dergisi, 11(1), 329-340. https://doi.org/10.24012/dumf.448627
• Zakaria, Z. A., ve Shabri, A. (2012). Streamflow forecasting at ungaged sites using support vector machines. Applied Mathematical Sciences, 60(6), 3003-3014.
• Zhang, Z., Zhang, Q., ve Singh, V. P. (2018). Univariate streamflow forecasting using commonly used data-driven models: literature review and case study. Hydrological Sciences Journal, 63(7), 1091-1111. https://doi.org/10.1080/02626667.2018.1469756