Estimation of Daily Stream Flow Data Using Support Vector Machines and Wavelet Transform Model

Öz

Estimating daily stream flows is significant for water structure operation, control, and management. Estimating short-term current values is difficult, depending on many parameters and variables. Short-term flow forecasts, such as daily, weekly, etc., are used to predict the flow of a particular reservoir in a basin over the next short period. These forecasts are used to plan hydroelectric power planning and flood mitigation, which requires active regulation of reservoir storage for optimal use of available water resources. For this reason, short-term flow forecasts are needed to determine how much water will be accumulated or left in the reservoir to manage river structures and to determine the amount of energy to be produced. Consequently, making the most appropriate prediction for short-term flows is vital in managing water structures. Support Vector Machines (SVM), one of the frequently preferred machine learning methods developed in recent years for short-term flow forecasting using daily flow data, were examined in this study. Hybrid models were obtained using wavelet transform to improve the results of the models developed with this method, using 10168 daily flow data of Büyükdere Stream in the Çoruh basin, measured between 1981 and 2009, and the most suitable models for daily flow data were investigated. Among the developed models, the Wavelet Transform SVM (WDVM04) model, developed using 1, 2, and 5-days lagged flow data, was used using various statistical criteria (R: 0.998; NSE: 0.996; KGE: 0.993; PI: 0.039; RMSE: 0.304 and MAPE: 0.056) was found to be the best model.

Anahtar Kelimeler

• Support vector machines
• daily stream flow
• wavelet transform

Günlük Akarsu Akım Verilerinin Destek Vektör Makinesi ve Dalgacık Dönüşümü ile Modellenmesi

Öz

Günlük akarsu akımlarının tahmini su yapılarının işletilmesi, kontrolü ve yönetimi için önemlidir. Kısa süreli akım değerlerinin tahmini birçok parametreye bağlı ve değişkenlik gösteren zor bir görevdir. Günlük, haftalık gibi kısa süreli akış tahminleri, bir havzadaki belirli bir rezervuarın önümüzdeki kısa zaman boyunca akışını tahmin etmek için kullanılır. Bu tahminler, mevcut su kaynaklarının optimum kullanımı için reservuarda depolamasının aktif olarak düzenlenmesini gerektiren hidroelektrik güç planlaması ve taşkın azaltmayı planlamak için kullanılır. Bu sebeple gerek akarsu yapılarının yönetiminde reservuarda ne kadar su biriktirileceği veya bırakılacağının belirlenmesinde gerekse üretilecek enerji miktarının belirlenmesinde kısa süreli akım tahminlerine ihtiyaç duyulmaktadır. Bu sebeple kısa süreli akımlar için en uygun tahminin yapılabilmesi su yapılarının yönetiminde hayati öneme sahiptir. Bu çalışmada günlük akım verilerinin kısa süreli akım tahminlerinde son yıllarda geliştirilmiş ve sıklıkla tercih edilen makine öğrenmesi yöntemlerinden birisi olan Destek Vektörleri Makineleri (DVM) incelenmiştir. Çoruh havzasında bulunan Büyükdere Çayına ait 1981-2009 yılları arasında ölçülmüş 10168 adet günlük akım verileri kullanılarak bu yöntem ile geliştirilen modeller sonuçlarının iyileştirilmesi için dalgacık dönüşümü kullanılarak hibrit modeller elde edilmiş ve günlük akım verileri için en uygun modeller araştırılmıştır. Geliştirilen modeller arasında 1,2 ve 5 günlük geciktirilmiş akım verilerin kullanılarak geliştirilen Dalgacık dönüşümlü DVM (WDVM04) modeli çeşitli istatistik kriterleri (R:0.998; NSE:0.996; KGE:0.993; PI:0.039; RMSE:0.304 ve MAPE:0.056) kullanılarak en iyi model olarak bulunmuştur.

Anahtar Kelimeler

• Destek Vektörleri Makineleri
• Günlük Akarsu Akımı
• Dalgacık Dönüşümü

Kaynakça

1. Anonim (2024). Bayburt valiliği, www.bayburt.gov.tr.
2. Başakın E, Ekmekcioğlu Ö, Özger M (2019). Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(8): 985-991.
3. Choubin B, Malekian A, Golshan M (2016). Application of several data-driven techniques to predict a standardized precipitation index. Atmosfera, 29(2): 121-128.
4. Cristianini N, Shawe-Taylor J (2000). An Introduction to Support Vector Machines and Other Kernel-based Learning methods. Cambridge University Press.
5. Deo RC, Kisi O, Singh VP (2017). Drought forecasting in eastern Australia using multivariate adaptive regression spline, least square support vector machine and M5Tree model. Atmospheric Research, 184: 149-175.
6. Drucker H, Burges CJC, Kaufman L, Smola A (1997). Support vector regression machines. Advances in Neural Information Processing Systems, 28(7): 779-784.
7. Erkek C, Ağıralioğlu N (2008). Su Kaynakları Mühendisliği. Beta Yayınevi.
8. Ersöz A, Özşen S (2011). Uyku EEG Sinyalinin Yapay Sinir Ağ Modeli İle Sınıflandırılması. Elektrik-Elektronik ve Bilgisayar Sempozyumu. Elazığ, Türkiye.

9. Faizollahzadeh Ardabili S, Mosavi A, Dehghani M, Várkonyi-Kóczy A (2019). Deep learning and machine learning in hydrological processes climate change and earth systemsInternational Conference on Global Research and Education. Balatonfüred, Hungary.
10. Ghorbani MA, Deo RC, Karimi V, Kashani MH, Ghorbani S (2019). Design and implementation of a hybrid MLP-GSA model with multi-layer perceptron-gravitational search algorithm for monthly lake water level forecasting. Stochastic Environmental Research and Risk Assessment, 33(1):125–147.
11. Liu Y, Weisberg R (2005). Patterns of ocean current variability on the West Florida Shelf using the self-organizing map, Journal of Geophysical Research, 110: C06003.
12. Mokhtarzad M, Eskandari F, Vanjani N J, Arabasadi A (2017). Drought forecasting by ANN, ANFIS, and SVM and comparison of the models. Environmental Earth Sciences, 76(21): 729.
13. Mohamadi S, Sammen SS, Panahi F, Ehteram M, Kisi O, Mosavi A, Al-Ansari N (2020). Zoning map for drought prediction using integrated machine learning models with a nomadic people optimization algorithm. Natural Hazards, 104(1): 537-579.
14. Nourani V, Baghanam AH, Adamowski J, Kisi O (2014). Applications of hybrid wavelet–artificial intelligence models in hydrology: a review. Journal of Hydrology, 514: 358-377.
15. Papacharalampous G, Tyralis H, Koutsoyiannis D (2018). Predictability of monthly temperature and precipitation using automatic time series forecasting methods. Acta Geophysica, 66(4):807–831.
16. Partal T, Kişi Ö (2007). Wavelet and neuro-fuzzy conjuction model for precipitation forecasting. Journal of Hydrology, 342(1-2): 199-212.
17. Raghavendra SN, Deka PC (2014). Support vector machine applications in the field of hydrology: A review. Applied Soft Computing, 19: 372-389.
18. Saraiva SV, Carvalho FDO, Santos CAG, Barreto LC, Freire PKDMM (2021). Daily streamflow forecasting in Sobradinho Reservoir using machine learning models coupled with wavelet transform and bootstrapping. Applied Soft Computing Journal, 102: 1568–4946.
19. VapnikVN (1995). The Nature of Statistical Learning Theory, Springer-Verlag.
20. Wu J, Liu H, Wei G, Song T, Zhang C, Zhou H (2019). Flash Flood Forecasting Using Support Vector Regression Model in a Small Mountainous Catchment. Water, 11(7): 1327