Estimation of Streamflow Using Different Artificial Neural Network Models

Öz

Accurate estimation of streamflow is crucial for water resources planning, design and management, determining of flood and drought management strategies, and minimizing their adverse effects. In this study, the usability of Artificial Neural Network (ANN) models to estimate of monthly streamflow was investigated. For this purpose, monthly data of two stations located in the Seyhan Basin in the south of Turkey were used. The data of Sarız River-Şarköy observation station (No: D18A032) for the streamflow and Sarız meteorology station (No: 17840) for precipitation were used. The precipitation and flow data used belong to the period 1990-2017. Nine input combinations consisting of lags of streamflow and precipitation data were obtained and used in ANN models. We used two ANN techniques, namely Multilayer Perceptron (MLP) and Radial Basis Neural Networks (RBNN) to estimate the monthly streamflow. In the MLP technique, three learning algorithms with gradient descent with momentum and adaptive learning rule backpropagation (GDX), Levenberg-Marquardt (LM) and resilient backpropagation (RBP) were used. The parameters of each different ANN model obtained by using nine input combinations were obtained by trial and error. The success of the models used was evaluated using five different performance metrics. Which of the input combinations used in the streamflow estimation was more successful was decided according to the combination with the highest Nash Sutcliffe efficiency coefficient (NSE) value of the test period. Although similar results were obtained in MLP-GDX, MLP-RBP, MLP-LM and RBNN models, MLP models (except MLP-LM) were slightly more successful than RBNN models. The most successful streamflow estimation model was the MLP-GDX-M6 model. In the MLP-GDX-M6 model, MAE=1.148 m3/s, RMSE=1.815 m3/s, R2=0.724, NSE=0.717, and CA=1.069 were obtained for the testing period. The novelty of the study is that we have examined the credibility of ANN models, including the MLP-GDX, MLP-RBP, MLP-LM and RBNN for predicting the monthly streamflow in natural rivers.

Anahtar Kelimeler

• Artificial Neural Network
• Seyhan Basin
• Streamflow
• Water Resources

Farklı Yapay Sinir Ağı Modelleri Kullanarak Nehir Akımı Tahmini

Öz

Su kaynaklarının planlanması, tasarımı ve yönetimi, taşkın ve kuraklık yönetim stratejilerinin belirlenmesi ve olumsuz etkilerinin minimize edilebilmesi nedeniyle nehir akımının doğru bir şekilde tahmin edilmesi hayati önem taşımaktadır. Bu çalışmada, Yapay Sinir Ağları (YSA) modellerinin aylık nehir akımı tahmininde kullanılabilirliği araştırılmıştır. Bu amaçla, Türkiye'nin güneyinde Seyhan Havzasında yer alan iki istasyonun aylık verileri kullanılmıştır. Nehir akımı için Sarız Nehri-Şarköy gözlem istasyonu (No: D18A032), yağış için Sarız meteoroloji istasyonu (No: 17840) verilerinden faydalanılmıştır. Kullanılan yağış ve akış verileri 1990-2017 periyoduna aittir. Akım ve yağış verilerinin gecikmelerinden oluşan dokuz giriş kombinasyonu elde edilmiş ve YSA modellerinde kullanılmıştır. Aylık nehir akımını tahmin etmek için Çok Katmanlı Algılayıcı (MLP) ve Radyal Temelli Sinir Ağları (RBNN) olmak üzere iki YSA tekniği kullanılmıştır. MLP tekniğinde adaptif öğrenmeli ve momentum özellikli en dik iniş (GDX),esnek geriyayılım (RBP) ve Levenberg-Marquardt (LM)olmak üzere üçadet öğrenme algoritması kullanılmıştır. Farklı giriş kombinasyonları kullanılarak elde edilen her bir farklı YSA modelinin parametreleri deneme yanılma yoluyla belirlenmiştir. Kullanılan modellerin başarısı beş farklı performans ölçütü kullanılarak değerlendirilmiştir. Akarsu tahmininde kullanılan giriş kombinasyonlarından hangisinin daha başarılı olduğuna, test döneminin Nash Sutcliffe verimlilik katsayısı (NSE) değeri en yüksek olan kombinasyona göre karar verilmiştir. MLP-GDX, MLP-RBP, MLP-LM ve RBNN modellerinde benzer sonuçlar elde edilmiş olmasına rağmen MLP modelleri (LM hariç) az da olsa RBNN modellerinden daha başarılı olmuştur. En başarılı akım tahmin modeli MLP-GDX-M6 modeli olmuştur. MLP-GDX-M6 modelinde test periyodu için MAE=1.148 m3/s, RMSE=1.815 m3/s, R2=0.724, NSE=0.717 ve CA=1.069 olarak elde edilmiştir. Çalışmanın yeniliği, doğal nehirlerdeki aylık akış akışını tahmin etmek için MLP-GDX, MLP-RBP, MLP-LM ve RBNN dahil olmak üzere YSA modellerinin güvenilirliğini incelemiş olmamızdır.

Anahtar Kelimeler

• Yapay Sinir Ağları
• Seyhan Havzası
• Nehir Akımı
• Su Kaynakları

Kaynakça

1. Abdollahi S., Raeisi J., Khalilianpour M., Ahmadi F., Kisi O. Daily mean streamflow prediction in perennial and non-perennial rivers using four data driven techniques. Water Resources Management 2017; 31, 4855–4874.
2. Adamowski J., Chan HF., Prasher SO, Sharda VN. Comparison of multivariate adaptive regression splines with coupled wavelet transform artificial neural networks for runoff forecasting in Himalayan micro-watersheds with limited data. Journal of Hydroinformatics 2012; 14(3): 731-744.
3. Broomhead D., Lowe D. Multivariable functional interpolation and adaptive networks. Complex Systems 1988; 2, 321-355.
4. Cheng CT., Feng ZK., Niu WJ., Liao SL. Heuristic methods for reservoir monthly inflow forecasting: A case study of Xinfengjiang Reservoir in Pearl River, China. Water 2015; 7, 4477-4495.
5. Cui F., Salih SQ., Choubin B., Bhagat SK., Samui P., Yaseen ZM. Newly explored machine learning model for river flow time series forecasting at Mary River, Australia. Environmental Monitoring and Assessment 2020; 192, 761.
6. Hadi SJ., Tombul M. Monthly streamflow forecasting using continuous wavelet and multi-gene genetic programming combination. Journal of Hydrology 2018; 516, 674–687.
7. Haykin S. Neural networks and learning machines. Pearson Education Inc., Upper Saddle River, New Jersey, USA, 2009.
8. Latifoğlu L., Nuralan KB. Tekil Spektrum Analizi ve Uzun-Kısa Süreli Bellek Ağları ile Nehir Akım Tahmini. Avrupa Bilim ve Teknoloji Dergisi 2020; 376-381.

9. Latt ZZ., Wittenberg H. Improving flood forecasting in a developing country: a comparative study of stepwise multiple linear regression and artificial neural network. Water Resources Management 2014; 28(8): 2109-2128.
10. Liu D., Jiang W., Mu L., Wang S. Streamflow prediction using deep learning neural network: Case study of Yangtze River. IEEE Access, 2020; 8, 90069-90086.
11. Liu Y., Sang YF., Li X., Hu J., Liang K. Long-term streamflow forecasting based on relevance vector machine model. Water 2016; 9 (1): 9.
12. Mohammadi, B., Moazenzadeh, R., Christian, K., & Duan, Z. (2021). Improving streamflow simulation by combining hydrological process-driven and artificial intelligence-based models. Environmental Science and Pollution Research 2021; 28, 65752–65768.
13. Nourani V, Davanlou Tajbakhsh A, Molajou A, Gokcekus H. Hybrid Wavelet-M5 Model tree for rainfall-runoff modeling. Journal of Hydrologic Engineering 2019; 24(5): 04019012.
14. Şen Z. Yapay Sinir Ağları İlkeleri. Su Vakfı Yayınları,183 p., İstanbul.2004.
15. Xu W., Jiang Y., Zhang X., Li Y., Zhang R., Fu G. Using long short-term memory networks for river flow prediction. Hydrology Research 2020; 51(6): 1358-1376.
16. Zhang X., Peng Y., Zhang C., Wang B. Are hybrid models integrated with data preprocessing techniques suitable for monthly streamflow forecasting? Some experiment evidences. Journal of Hydrology 2015; 530, 137-152.