Makine öğrenme yöntemleriyle nehir akım tahmininde farklı tekniklerinin karşılaştırılması

Yıl 2025, , 467 - 486, 16.08.2024

Uğur Akbulut , Mehmet Akif Çifçi , Buket İşler , Zafer Aslan

https://doi.org/10.17341/gazimmfd.1318906

Öz

Su yeryüzünün %75’ini kaplamaktadır ve bu oran toplam dünya kütlesinin sadece yaklaşık 4500 de 1’ini oluşturmaktadır. Dünya üzerindeki bütün canlıların varlığını sürdürebilmesi için gerekli olan en temel maddelerden biri sudur. Ayrıca su tarımsal faaliyetlerle, ekonomiyle, sağlıkla, enerji kaynaklarının kullanımı ve hijyen gibi unsurlarla karmaşık bir ilişki içinde bulunmaktadır. İklim değişiklikleri ve artan nüfus ile paralel olarak gelecek yıllarda su kaynaklarımızın yetersiz kalması, yaşanması olası başlıca büyük problemlerdendir. Temiz su kaynaklarının korunması ve geliştirilmesi, canlı yaşamı açısından büyük önem taşımaktadır. Mevcut su potansiyelinin tasarruflu kullanılması su ve kullanımının verimli hale getirilmesi gerekmektedir. Buna dayanarak mevcut suyun ne kadarını kullanılabileceği ve gelecekte su potansiyelinin ne derece değişeceğini önceden tahmin etmek su planlaması yapılması açısından şarttır. Akım ölçümleri gözlem istasyonlarında günlük olarak yapılmaktadır. Bu verilere dayalı olarak, matematik modellerle ve makine öğrenmesi sistemleri ile tahmin çalışmaları yapılabilmektedir. Bu araştırmada inceleme bölgesi olarak seçilen Yukarı Fırat havzası Tagar çayı Küçükkumluk ve Sakarya Havzası Kütahya Porsuk çayı Porsuk Çiftliği istasyonuna ait günlük ortalama akım, bölgeye ait günlük toplam yağış miktarı ve günlük ortalama hava sıcaklığı değerleri birlikte analiz edilmiş ve inceleme istasyonlarına ait nehir akım hızı tahmini yapılmıştır. Akış tahmini için Lineer Regresyon (Linear Regression-LR), Destek Vektör Regresyonu (Support Vector Regression-SVR), Karar Ağaçları (Decision Tree- DT), Rasgele Orman (Random Forest- RF) ve Ekstra Ağaçlar Regresyon (Extra Tree Regressor- ETR) yöntemleri uygulanmıştır. Ayrıca, uygulanan modellerin her birinin başarı performansları artırmak amacıyla Dalgacık Dönüşümü (Wavelet Transform- WT) kullanarak hibrit bir yöntem geliştirilmiştir. Veri setinin yaklaşık % 65’i eğitim, %15 doğrulama ve % 20’si test verisi olarak ayrılmıştır. Tagar Çayi Küçükkumluk için %70.8 ve Porsuk çayı Porsuk Çiftliği için %67.67 oranıyla ETR en başarılı tahmin yöntemi olarak saptanmıştır. Geliştirilen hibrit modelin tahmin başarısını bütün yöntemler için başarı oranını arttırmış; en yüksek artış oranlarını Tagar çayi Küçükkumluk için %20.82, Porsuk çayı Porsuk Çiftliği için %30.64 oranında artarak SVR yönteminde elde edilmiş; En başarılı yöntem olarak ETR yöntemi olup sırası ile %89.61 ve %86.39 oranlarında başarı elde edilmiştir. Üstel düzleştirme yöntemi ileri dönük 2030 yılına kadar tahmin değerleri elde edilmiştir.

Anahtar Kelimeler

“Akış Tahmini”, “Sıcaklık”, “Yağış”, “Regresyon”, “Dalgacık Dönüşümü”

Teşekkür

Teşekkürlerimizi sunuyoruz

Hybrid Modeling for Stream Flow Estimation: Integrating Machine Learning and Federated Learning

Öz

Kaynakça

• 1. Demir V., Keskin A. Ü., Yeterince akım ölçümü olmayan nehirlerde taşkın debisinin hesaplanması ve taşkın modellemesi (Samsun, Mert Irmağı örneği)., Geomatik, 7 (2), 149-162, 2022.
• 2. Bozkurt C., Karakaya N., Genç Ö., Fidan H., Fırtına Deresi Havzasında GEFC Metodu Kullanılarak Çevresel Su İhtiyacı Tahmini, 2021.
• 3. Ewaid S. H., Abed S. A., Al-Ansari N., Water footprint of wheat in Iraq. Water, 11 (3), 535,2019.
• 4. Ünlü A., Çoban F., Tunç M.S., Investigation of Lake Hazar water quality according to physical and inorganic chemical parameters, Journal of the Faculty of Engineering and Architecture of Gazi University, 23 (1), 119-127, 2013.
• 5. Muratoğlu A., Assessment of water footprint of production: A case study for Diyarbakır province, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (2), 845-858, 2019.
• 6. Bulut A. P., Canbaz G. T., Sivas İlinde Buğday, Arpa, Şeker Pancarı ve Ayçiçeği Üretimi İçin Su Ayak İzinin Hesaplanması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 9 (1), 249-255, 2022.
• 7. Yılmaz A., Küresel Isınmanın Dünya Su Rezervleri Üzerindeki Etkileri. Kent Akademisi, 8 (22), 63-72, 2015.
• 8. Bilgiç Y., Güneş enerjili su damıtma sistemlerinde genişletilmiş yüzeylerin ısı ve kütle transferi üzerindeki etkisi/The effect of extended surfaces in the solar distillation systems on the heat and mass transfer,2008.
• 9. Gleick P. H., Water as a Weapon and Casualty of Conflict: Freshwater and International Humanitarian Law, Water Resources Management, Springer. European Water Resources Association (EWRA), 33 (5), 1737-1751,2019.
• 10. Altan K., Türkiye’de yağış ve sıcaklığın su kaynakları, tarımsal ürün verimi ve su politikalarına etkisi, 2020.
• 11. Toprak Su Kaynakları, DSİ, (2020), https://www.dsi.gov.tr/Sayfa/Detay/754 Erişim tarihi Kasım 11, 2021.
• 12. Muluk Ç.B., Kurt, B., Turak, A., Türker, A., Çalışkan, M.A., Balkız, Ö. et al., Türkiye’de suyun durumu ve su yönetiminde yeni yaklaşımlar: çevresel perspektif, İşDünyası ve Sürdürülebilir Kalkınma Derneği-Doğa Koruma Merkezi, 2013.
• 13. Çiçek İ., Ataol, M., Türkiye’nin su potansiyelinin belirlenmesinde yeni bir yaklaşım. Coğrafi Bilimler Dergisi, 7(1), 51-65, 2009.
• 14. Ilgar R., Su Okuryazarlığı ve Su Ayak İzi Üzerine Yaklaşımlar, Journal of International Social Research, 13 (73),2020.
• 15. Sarış F., Türkiye'de evsel su tedarik ve tüketim istatistiklerinin değerlendirilmesi. Coğrafi Bilimler Dergisi, 19 (1), 195-216,2021.
• 16. Altan K., Teksoy A., Solmaz, S. K. A., Türkiye’de Yağış ve Sıcaklığın Su Kaynakları, Tarımsal Ürün Verimi ve Su Politikalarına Etkisi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25 (3), 1253-1270, 2020.
• 17. Ehteram M., Karami H., Mousavi S. F., Farzin S., Celeste A. B., Shafie, A.-E., Reservoir operation by a new evolutionary algorithm: Kidney algorithm. Water Resources Management, 32 (14), 4681–4706,2018.
• 18. Ehteram M., Singh V. P., Ferdowsi A., Mousavi S. F., Farzin S., Karami, H., et al., An improved model based on the support vector machine and cuckoo algorithm for simulating reference evapotranspiration. PLoS ONE, 14 (5), e0217499, 2019.
• 19. Şeker, S. E., Zaman Serisi Analizi, YBS Ansiklopedisi, 2 (4), 2015.
• 20. Başaran A., Dursun F., Tipi, A. F., Balıkesir’de Sürdürülebilir Kalkınmanın İncelenmesi. Anadolu Akademi Sosyal Bilimler Dergisi, 4 (1), 48-65, 2022.
• 21. Navarro-Hellín H., Martínez-del-Rincon J., Domingo-Miguel R., Soto-Valles F., Torres-Sánchez R. A., Decision support system for managing irrigation in agriculture. Comput. Electron. Agric, 124, 121–131, 2016.
• 22. González-Teruel J. D., Ruiz-Abellon M. C., Blanco V., Blaya-Ros P. J., Domingo R., Torres-Sánchez R, Prediction of Water Stress Episodes in Fruit Trees Based on Soil and Weather Time Series Data. Agronomy, 12 (6), 1422, 2022.
• 23. Tosunoğlu, F. İspirli, MN. Gürbüz, F. ve Şengül, S., Fırat Havzası’ndaki eksik akım verilerinin debi süreklilik çizgileri ve regresyon modelleri ile tahmin edilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7 (4), 85-94, 2017.
• 24. Bakış, R. ve Göncü, S. (2015). Akarsu debi ölçümlerinde eksik verilerin tamanlanması: Zap suyu havzası örneği. Anadolu Üniversitesi Bilim ve Teknolojisi Dergisi A- Uygulamalı Bilimler ve Mühendislik, 16 (1):63-79.
• 25. Gyau-Boakye P., Schultz G. A., Filling gaps in runoff time series in West Africa. Hydrological sciences journal, 39 (6), 621-636, 1994.
• 26. Baykal, T., & Terzi, Ö. Küçük Aksu Çayı taşkın frekans analizi. Cumhuriyet Sci. J, 38 (4), 639-646. 2017.
• 27. Ismail WNW., Zin WZW., Estimation of rainfall and stream flow missing data for Terengganu, Malaysia by using interpolation technique methods. Malaysian Journal of Fundamental and Applied Sciences, 13 (3), 213-217. 2017.
• 28. Nadiri, A. A., Naderi, K., Khatibi, R., Gharekhani, M., Modelling groundwater level variations by learning from multiple models using fuzzy logic. Hydrological Sciences Journal, 64 (2), 210–226,2019.
• 29. Karami H., Farzin S., Jahangiri A., Ehteram M., Kisi O., ElShafie A., Multireservoir system optimization based on hybrid gravitational algorithm to minimize water-supply deficiencies. Water Resources Management, 33, 1–20, 2019.
• 30. Bahadırlı Z. M., Yeraltı suyu seviye değişiminin M5 karar ağacı ve yapay sinir ağları yöntemleriyle belirlenmesi (Master's thesis, İskenderun Teknik Üniversitesi/Lisansüstü Eğitim Enstitüsü/İnşaat Mühendisliği Ana Bilim Dalı), 2021.,
• 31. Biau G.Ã.Š.; Scornet E., A random forest guided tour., 25, 197–227. 2016.
• 32. Baudron P., Alonso-Sarría F., García-Aróstegui, J.L., Cánovas-García F., Martínez-Vicente D., Moreno-Brotóns J., Identifying the origin of groundwater samples in a multi-layer aquifer system with random forest classification. J. Hydrol. 2013, 499, 303–315, 2013.
• 33. Tyralis, H., Papacharalampous, G., Langousis, A., A brief review of random forests for water scientists and practitioners and their recent history in water resources. Water, 11 (5), 910, 2019.
• 34. Bravo S., González-Chang M., Dec D., Valle S., Wendroth O., Zúñiga F., Dörner J., Using wavelet analyses to identify temporal coherence in soil physical properties in a volcanic ash-derived soil. Agricultural and Forest Meteorology, 285, 107909, 2020.
• 35. İşler B., Aslan Z., Modeling of vegetation cover and spatio-temporal variations, Journal of the Faculty of Engineering and Architecture of Gazi University, 36 (4), 1863-1874, 2021.
• 36. Yilmaz M. U., Onoz B., A Comparative Study of Statistical Methods for Daily Streamflow Estimation at Ungauged Basins in Turkey, Water 2020, 12, 459; doi:10.3390/w12020459
• 37. Yilmaz M. U., Onoz B., Evaluation of Statistical Methods for Estimating Missing Daily Streamflow Data, Teknik Dergi, 9597-9620, Paper 558, 2019.
• 38. Amit Pandey, Achin Jain, Comparative Analysis of KNN Algorithm using Various Normalization Techniques, International Journal of Computer Network and Information Security (IJCNIS), 9 (11), 36-42, 2017.
• 39. Mehmet A.C.I., DoğanSoy G.A., Demand forecasting for e-retail sector using machine learning and deep learning methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (3), 1325-1340, 2022. 40. Datlıca M., Çakıt E., Estimation of clustering parameters and anomaly detection in tracking devices with changeable position time, Journal of the Faculty of Engineering and Architecture of Gazi University, 36 (1), 373-394, 2020.
• 41. Gökdemr A., Çalhan A., Deep learning and machine learning based anomaly detection in internet of things environments, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (4), 1945-1956, 2022.
• 42. S Kılıç., Doğrusal Regresyon Analizi” Journal of Mood Disorders, 3, 2, 2013.
• 43. Karal Ö., Compression of ECG data by support vector regression method, Journal of the Faculty of Engineering and Architecture of Gazi University, 33 (2), 743-756, 2018.
• 44. Ahmet S. E. L., Pandemi sürecinde altın fiyatları ile kripto para ilişkisinin makine öğrenme metotları ile incelenmesi. İstatistik ve Uygulamalı Bilimler Dergisi, 1 (2), 85-98, 2020.
• 45. Akbulut U., Aslan, Z., İleri Veri İşlem Yöntemleri ile Su Kaynaklarının Kullanımı ve Planlanmasının Optimizasyonu. Aksaray University Journal of Science and Engineering, 6 (2), 79-94, 2022.
• 46. Tarannom Parhizkar, Elham Rafieipour, Aram Parhizkar, Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction , Journal of Cleaner Production 279 (2021) 123866
• 47. Bahzad Taha Jijo, Adnan Mohsin Abdulazeez, Classification Based on Decision Tree Algorithm for Machine Learning, Journal of Applied Science and Technology Trends, ISSN: 2708-0757, 2 (1), 20-28, 2021.
• 48. Viet-Hung Dang, Nhat-Duc Hoang, Le-Mai-Duyen Nguyen, Dieu Tien Bui and Pijush Samui, A Novel GIS-Based Random Forest Machine Algorithm for the Spatial Prediction of Shallow Landslide Susceptibility, Forests 2020, 11, 118;
• 49. Wu, D., Liu, S., Moayedi, H., Cifci, M. A., & Le, B. N. ANN-Incorporated satin bowerbird optimizer for predicting uniaxial compressive strength of concret. Steel and Composite Structures, An International Journal, 45 (2), 281-291, 2022.
• 50. Karbasi, M., Jamei, M., Ali, M., Abdulla, S., Chu, X., and Yaseen, Z. M. Developing a novel hybrid Auto Encoder Decoder Bidirectional Gated Recurrent Unit model enhanced with empirical wavelet transform and Boruta-Catboost to forecast significant wave height. Journal of Cleaner Production, 379, 134820. 2022.
• 51. Peng, L., Wang, L., Xia, D., and Gao, Q. Effective energy consumption forecasting using empirical wavelet transform and long short-term memory. Energy, 238, 121756. 2022.
• 52. Kayhan, M., ve İ. Alan, Havza Bazında Yağışın El-Nino ve La-Nina ile İlişkisi, MGM, Ankara. 2014.
• 53. https://ggweather.com/enso/oni.htm (Erişim tarihi, 31.05.2023)
• 54. Güngül, M., & Yenilmez, F. Üstel Düzleştirme Yöntemi ile Türkiye’nin Tarım Sektörü Dış Ticaret Dengesi Tahmini (2018-2023). Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21 (3), 959-980, 2019.
• 55. Baba A., Probabilistic-Based Forecasting Method For Time Series Datasets, Düzce University Journal of Science & Technology, 11 563-573, 2023.
• 56. Tang, Y., Song, Z., Zhu, Y., Yuan, H., Hou, M., Ji, J., ... & Li, J., A survey on machine learning models for financial time series forecasting. Neurocomputing, 512, 363-380, 2022.
• 57. Baker, M. R., Mahmood, Z. N., & Shaker, E. H., Ensemble Learning with Supervised Machine Learning Models to Predict Credit Card Fraud Transactions. Revue d'Intelligence Artificielle, 36 (4), 2022.
• 58. Yaseen, Z. M., Naganna, S. R., Sa’adi, Z., Samui, P., Ghorbani, M. A., Salih, S. Q., & Shahid, S., Hourly river flow forecasting: application of emotional neural network versus multiple machine learning paradigms. Water Resources Management, 34, 1075-1091, 2020. 59. Du Preez, J., & Witt, S. F., Univariate versus multivariate time series forecasting: an application to international tourism demand. International Journal of Forecasting, 19 (3), 435-451, 2003.
• 60. Nooruldeen, O., Alturki, S., Baker, M. R., & Ghareeb, A. Time series forecasting for decision making on city-wide energy demand: A comparative study. In 2022 International Conference on Decision Aid Sciences and Applications (DASA) (1706-1710). IEEE, 2022.
• 61. Baker, M. R., Jihad, K. H., Al-Bayaty, H., Ghareeb, A., Ali, H., Choi, J. K., & Sun, Q., Uncertainty management in electricity demand forecasting with machine learning and ensemble learning: Case studies of COVID-19 in the US metropolitans. Engineering Applications of Artificial Intelligence, 123, 106350, 2023.
• 62. Üzülmez S., Çifçi M.A., Early diagnosis of lung cancer using deep learning and uncertainty measures, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (1), 385-400, 2024.
• 63. Koçak, K., Şaylan, L., & Eitzinger, J., Nonlinear prediction of near-surface temperature via univariate and multivariate time series embedding. Ecological Modelling, 173 (1), 1-7, 2004.
• 64. Takaoğlu, M., Özyavaş, A., Ajlouni, N., & Takaoğlu, F., Highly Secured Hybrid Image Steganography with an Improved Key Generation and Exchange for One-Time-Pad Encryption Method. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 23 (1), 101-114, 2023.
• 65. Sezer, Z. A. Çıplak İstatistik’e Bakış. 2023.
• 66. Ahmet, G. A. N. İ.; Açıkgöz, Hakan; Şekkelı, Mustafa. Fotovoltaik Sistemlerde Değişken Yük ve Güneş Işınımı Altında Sinirsel-Bulanık Denetleyici ile Maksimum Güç Noktası Takibi. Avrupa Bilim ve Teknoloji Dergisi, 19, 734-745, 2020.
• 67. Da Sılva, P. C. L.; Da Sılva, J. P.; Garcıa, A. R. G. Daubechies Wavelets As Basis Functions For The Vectorial Beam Propagation Method. Journal Of Electromagnetic Waves And Applications, 33 (8), 1027-1041, 2019.