Su kaynakları yönetiminde veri güdümlü karar destek için derin öğrenme tabanlı hibrit akım tahmin modeli uygulaması

Öz

Akarsu akımlarının doğru bir şekilde tahmin edilmesi su kaynakları yönetimi, taşkın kontrolü ve hidrolojik planlama açısından büyük önem taşımaktadır. Doğru akım tahminleri sadece teknik bir veri değil enerji üretimi, tarımsal planlama ve afet yönetimi gibi kritik sektörlerde stratejik karar verme süreçlerinin iyileştirilmesi için hayati bir bileşendir. Son yıllarda makine öğrenmesi ve derin öğrenme tabanlı yöntemler, hidrolojik zaman serilerinin modellenmesinde yaygın olarak kullanılmakta ve klasik istatistiksel yöntemlere göre daha başarılı sonuçlar verebilmektedir. Bu çalışma, su kaynakları yönetiminde karşılaşılan belirsizlikleri minimize etmek amacıyla, veri güdümlü karar destek mekanizmalarına temel teşkil edecek derin öğrenme tabanlı hibrit bir yaklaşım sunmaktadır. Çalışmada günlük akım tahmini amacıyla doğrusal regresyon, Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ve Kapılı Tekrarlayan Birim (Gated Recurrent Unit, GRU) modellerinin performansları karşılaştırılmış ve derin öğrenme tabanlı modellerin birleştirilmesine dayanan hibrit bir model yaklaşımı önerilmiştir. Model giriş değişkenleri oluşturulurken akım serisinin geçmiş davranışını temsil edebilmek amacıyla maksimum yedi günlük gecikme değerleri dikkate alınmıştır. Modellerin performansı Determinasyon   Katsayısı (R²), Nash–Sutcliffe Verimlilik Katsayısı (NSE), Kling–Gupta Verimlilik Katsayısı (KGE), Ortalama Hata Sapması (MBE), Yüzdesel Sapma (PBIAS) ve Willmott uyum katsayısı (d) kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, doğrusal regresyon modeline kıyasla derin öğrenme tabanlı modellerin daha yüksek tahmin doğruluğu sağladığını göstermiştir. Tekil modeller arasında GRU modelinin en iyi performansı sergilediği belirlenmiştir. Bununla birlikte çalışmada önerilen LSTM–GRU hibrit modelin Karesel Ortalama Hata (RMSE) ve Ortalama Mutlak Hata (MAE) değerlerinde daha düşük hata üretmesi ve R², NSE ve Willmott d değerlerinde daha yüksek uyum sağlaması nedeniyle en başarılı model olduğu görülmüştür. Elde edilen bulgular, bu tür hibrit yaklaşımların akıllı şehir yönetimi ve sürdürülebilir kaynak planlama sistemlerine entegre edilebilirliğini kanıtlamaktadır.

Anahtar Kelimeler

• Akım tahmini
• LSTM
• GRU
• Hibrit model
• Derin öğrenme
• Hidrolojik zaman serileri

Application of a deep learning-based hybrid flow prediction model for data-driven decision support in water resources management

Öz

Accurate prediction of streamflow is of great importance for water resources management, flood control, and hydrological planning. Accurate streamflow predictions are not only technical data but also a vital component for improving strategic decision-making processes in critical sectors such as energy production, agricultural planning, and disaster management. In recent years, machine learning and deep learning-based methods have been widely used in the modeling of hydrological time series and can provide more successful results compared to classical statistical methods. This study presents a deep learning-based hybrid approach that will form the basis of data-driven decision support mechanisms in order to minimize uncertainties encountered in water resources management. In the study, the performances of Linear Regression, Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU) models were compared for daily streamflow prediction, and a hybrid model approach based on the integration of deep learning-based models was proposed. While constructing the model input variables, lag values of up to seven days were considered in order to represent the past behavior of the streamflow series. The performances of the models were evaluated using the Coefficient of Determination (R²), Nash–Sutcliffe Efficiency Coefficient (NSE), Kling–Gupta Efficiency Coefficient (KGE), Mean Bias Error (MBE), Percent Bias (PBIAS), and Willmott’s Index of Agreement (d). The obtained results showed that deep learning-based models provided higher prediction accuracy compared to the linear regression model. Among the individual models, the GRU model was determined to exhibit the best performance. However, the proposed LSTM–GRU hybrid model was found to be the most successful model due to producing lower RMSE and MAE values and providing higher agreement in terms of R², NSE, and Willmott’s d values. The obtained findings demonstrate the integrability of such hybrid approaches into smart city management and sustainable resource planning systems.

Anahtar Kelimeler

• Streamflow forecasting
• LSTM
• GRU
• Hybrid model
• Deep learning
• Hydrological time series

Kaynakça

1. ASCE. (2000). Artificial Neural Networks in Hydrology. II: Hydrologic Applications. Journal of Hydrologic Engineering, 5(2), 124-137.
2. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2016). Time Series Analysis: Forecasting and Control. Wiley.
3. Carl, G., & Kühn, I. (2008). Analyzing spatial ecological data using linear regression and wavelet analysis. Stochastic Environmental Research and Risk Assessment, 22(3), 315-324.
4. Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.
5. Dalkilic, H. Y., Kumar, D., Samui, P., Dixon, B., Yesilyurt, S. N., & Katipoğlu, O. M. (2023). Application of deep learning approaches to predict monthly stream flows. Environmental Monitoring and Assessment, 195(6), 705.
6. Gupta, H. V, Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of Hydrology, 377(1), 80-91.
7. Heaton, J. (2018). Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning. Genetic Programming and Evolvable Machines, 19(1), 305-307.
8. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.

9. Karran, D. J., Morin, E., & Adamowski, J. F. (2014). Multi-step streamflow forecasting using data-driven non-linear methods in contrasting climate regimes. Journal of Hydroinformatics, 16, 671-689.
10. Khanmohammadi, N., Rezaie, H., Montaseri, M., & Behmanesh, J. (2018). The application of multiple linear regression method in reference evapotranspiration trend calculation. Stochastic Environmental Research and Risk Assessment, 32(3), 661-673.
11. Kratzert, F., Klotz, D., Brenner, C., Schulz, K., & Herrnegger, M. (2018). Rainfall–runoff modelling using Long Short-Term Memory (LSTM) networks. Hydrology and Earth System Sciences, 22(11), 6005-6022.
12. Kratzert, F., Klotz, D., Shalev, G., Klambauer, G., Hochreiter, S., & Nearing, G. (2019). Benchmarking a Catchment-Aware Long Short-Term Memory Network (LSTM) for Large-Scale Hydrological Modeling.
13. Kumar, D. N., Raju, K. S., & Sathish, T. (2004). River Flow Forecasting using Recurrent Neural Networks. Water Resources Management, 18, 143-161.
14. Lachure, S., & Tiwari, A. (2025). Hydrological Predictive Modeling for Indian River: Leveraging LSTM and GRU Attention Mechanisms. SN Comput. Sci., 6(6).
15. Li, X., & Wang, J. (2025). Predicting Constitutive Behaviour of Idealized Granular Soils Using Recurrent Neural Networks. Applied Sciences, 15(17).
16. Maier, H. R., & Dandy, G. C. (2000). Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications. Environmental Modelling & Software, 15(1), 101-124.
17. Montgomery, D., Peck, E., & Vining, G. (2021). Introduction to Linear Regression Analysis (6th ed.) (6. bs). Wiley.
18. Mosavi, A., Ozturk, P., & Chau, K. (2018). Flood Prediction Using Machine Learning Models: Literature Review. Water, 10(11).
19. Nash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through conceptual models part I — A discussion of principles. Journal of Hydrology, 10(3), 282-290.
20. Rasouli, K., Hsieh, W. W., & Cannon, A. J. (2012). Daily streamflow forecasting by machine learning methods with weather and climate inputs. Journal of Hydrology, 414-415, 284-293.
21. Samui, P., Yesilyurt, S. N., Dalkilic, H. Y., Yaseen, Z. M., Roy, S. S., & Kumar, S. (2023). Comparison of different optimized machine learning algorithms for daily river flow forecasting. Earth Sci. Informatics, 16(1), 533-548.
22. Shen, C. (2018). A Transdisciplinary Review of Deep Learning Research and Its Relevance for Water Resources Scientists. Içinde Water Resources Research (C. 54, Sayı 11, ss. 8558-8593). Blackwell Publishing Ltd.
23. Shmueli, G. (2010). To explain or to predict? Statistical Science, 25(3), 289-310.
24. Torres, J. F., Hadjout, D., Sebaa, A., & Martínez-Álvarez, F. (2021). Deep Learning for Time Series Forecasting: A Survey.
25. Willmott, C. J. (1981). On the validation of models. Physical Geography, 2(2), 184-194.
26. Xiang, Z., Yan, J., & Demir, I. (2020). A Rainfall-Runoff Model With LSTM-Based Sequence-to-Sequence Learning. Water Resources Research, 56(1), e2019WR025326.
27. Zhang, J., Sha, J., Zhang, C., & Zhang, Y. (2025). A CNN-LSTM-GRU hybrid model for spatiotemporal highway traffic flow prediction. Systems, 13(9), 765.