Development of Streamflow Prediction Model By Using Machine Learning Techniques

Öz

In this study, future runoff modeling has been made for the Aksu Stream sub-basin in the Eastern Black Sea Basin, where a major flood disaster occurred in 2020. Runoff data obtained from the State Hydraulic Works, precipitation and vapor pressure data obtained from the General Directorate of Meteorology were used for modeling. Artificial Neural Networks (ANN) and Classical Regression (CR) methods were preferred for the runoff model to be created. 14 different input models were built by using vapor pressure, precipitation and historical discharge data. These input models created were tested with the runoff prediction model created by the Multi Layered ANN (ML-ANN). The estimation performances of the runoff prediction models were determined using the Root Mean Square Error (RMSE), Correlation Coefficient (r), Relative Error (RE), Nash-Sutcliffe Coefficient (E) and Mean Absolute Error (MAE) criteria and their performance in the ML-ANN model was determined. The highest input model was tested with the Classic Multiple Regression (CMR) method. The model with the highest runoff estimation performance in the region was the model operated with the M10 input set created with ML-ANN. In the study, the estimated future runoff rates were evaluated according to the exceedance probabilities used to determine the project runoff rate in the design phase of structures such as flood protection facilities, hydroelectric power plant facilities, treatment facilities. As a result, it has been determined that the use of day-delayed input set increases the performance in the CMR method, as in the models that perform machine learning, the ML-ANN method is more successful than the CMR method for the runoff estimation modeling in the region, and it is suitable for determining the project runoff rate.

Anahtar Kelimeler

• Runoff Modelling
• Aksu River
• Vapor Pressure
• Multi Layered Perceptron

Makine Öğrenmesi İle Aksu Deresi’nde Akış Tahmin Modeli Geliştirilmesi

Öz

Bu çalışmada Doğu Karadeniz Havzası’nda bulunan 2020 yılında büyük bir taşkın felaketinin yaşandığı Aksu Deresi alt havzası için gelecek akım modellemesi yapılmıştır. Modelleme için Devlet Su İşleri’nden elde edilen akım verileri, Meteoroloji Genel Müdürlüğü’nden elde edilen yağış ve buhar basıncı verileri kullanılmıştır. Oluşturulacak akım modeli için Yapay Sinir Ağları (YSA) ve Klasik Regresyon (KR) yöntemleri tercih edilmiştir. Buhar basıncı, yağış ve geçmiş akış verileri kullanılarak 14 farklı girdi modeli oluşturulmuştur. Oluşturulan bu girdi modelleri Çok Katmanlı YSA (ÇK-YSA) yöntemi ile oluşturulan akış tahmin modeli ile denenmiştir. Akış tahmin modellerinin tahmin performansları Ortalama Hata Kareleri Karekökü (RMSE), Korelasyon Katsayısı (r), Rölatif Hata (RH), Nash-Sutcliffe Belirlilik Katsayısı (E) ve Ortalama Mutlak Hata (OMH) kriterleri kullanılarak tespit edilmiş ve ÇK-YSA modelinde performansı en yüksek girdi modeli Klasik Çoklu Regresyon (ÇR) yöntemi ile denenmiştir. Bölgede akış tahmin performansı en yüksek model ÇK-YSA ile oluşturulan M10 girdi seti ile çalıştırılan model olmuştur. Çalışmada geleceğe dönük tahmin edilmiş debi değerleri, taşkın koruma tesisleri, hidroelektrik santral tesisleri, arıtma tesisleri gibi yapıların projelendirme aşamasında proje debisini belirlemek üzere kullanılan aşılma olasılıklarına göre değerlendirilmiştir. Sonuç olarak, ÇR yönteminde makine öğrenmesi gerçekleştiren modellerde olduğu gibi gün gecikmeli girdi seti kullanımının performansı arttırdığı, bölgede akış tahmin modellemesinde ÇK-YSA yönteminin ÇR yönteminden daha başarılı olduğu ve proje debisi belirlemek için uygunluğu belirlenmiştir.

Anahtar Kelimeler

• Akış modellemesi
• Aksu Deresi
• Buhar Basıncı
• Çok Katmanlı Algılayıcı

Kaynakça

1. [1] Aksoy, B., Mücahit, C., Aksu Vadisi (Giresun) Aşağı Kesiminde Doğal Ortam Şartlarının Taşkın Üzerine Etkileri, Gazi Türkiyat Türkoloji Araştırmaları Dergisi, 2010, 1-7.
2. [2] Antar, M. A., Elassiouti, I., & Allam, M. N. (2006). Rainfall‐runoff modelling using artificial neural networks technique: a Blue Nile catchment case study.Hydrological Processes, 20(5), 1201-1216.
3. [3] Bayazıt, M., 1999. Hidroloji, İstanbul Teknik Üniversitesi İnşaat Fakültesi Matbaası, İstanbul, 242s.
4. [4] De Vos, N. J. (2013). Echo state networks as an alternative to traditional artificial neural networks in rainfall–runoff modelling. Hydrology and Earth System Sciences, 17(1), 253-267.
5. [5] Dibike, Y. B., & Solomatine, D. P. (2001). River flow forecasting using artificial neural networks. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 26(1), 1-7.
6. [6] Jeong, D. I., & Kim, Y. O. (2005). Rainfall-runoff models using artificial neural networks for ensemble streamflow prediction. Hydrological processes, 19(19), 3819-3835.
7. [7] Karstarlı, Ç., Kömürcü, M. İ., Akpınar, A., Uzlu, E., Kankal, M., & Önsoy, H. Doğu Karadeniz Havzasındaki Hidroelektrik Potansiyelin Analizi, II. Su Yapıları Sempozyumu - 16-18 Eylül 2011, Diyarbakır
8. [8] Lohani, A. K., Goel, N. K., & Bhatia, K. K. S. (2011). Comparative study of neural network, fuzzy logic and linear transfer function techniques in daily rainfall‐runoff modelling under different input domains. Hydrological Processes,25(2), 175-193.

9. [9] Machado, F., Mine, M., Kaviski, E., & Fill, H. (2011). Monthly rainfall–runoff modelling using artificial neural networks. Hydrological Sciences Journal–Journal des Sciences Hydrologiques, 56(3), 349-361.
10. [10] Mete, T., Kesikli Bir Biyoreaktörde Yapay Sinir Ağlarının Kullanımı, Ankara Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 2008, 128s.
11. [11] Nacar, S., Farklı Yapay Zeka Yöntemleriyle Günlük Akarsu Akım Değerlerinin Tahmini-Haldizen Deresi Örneği, Aksaray Üniversitesi Fen bilimleri Enstitüsü, Aksaray, 2014, 139s.
12. [12] Öztemel, E., 2006. Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, 232s.
13. [13] Rajurkar, M. P., Kothyari, U. C., & Chaube, U. C. (2004). Modeling of the daily rainfall-runoff relationship with artificial neural network. Journal of Hydrology,285(1), 96-113.
14. [14] Riad, S., Mania, J., Bouchaou, L., & Najjar, Y. (2004). Rainfall-runoff model usingan artificial neural network approach. Mathematical and Computer Modelling, 40(7), 839-846.
15. [15] Saka, F., Sentetik Debi Süreklilik Eğrilerinin Matematiksel Yöntemlerle Belirlenmesi ve Doğu Karadeniz Örneği, Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Trabzon, 2012, 85s.
16. [16] Sanikhani, H., & Kisi, Ö., River Flow Estimation and Forecasting by Using Two Different Adaptive Neuro-Fuzzy Approaches. Water Resources Management, 2012, 26(6), 1715-1729.
17. [17] Şen, Z., 2002. Su Bilimi Temel Konuları, Su Vakfı Yayınları, İstanbul, 227s.
18. [18] Şen, Z., 2004. Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları, İstanbul, 183s.
19. [19] Turhan, E., 2012. Seyhan Havzasının Yağış-Akış İlişkisinin Yapay Sinir Ağları Yöntemi ile Modellenmesi, Adana, 2012,
20. [20] Wu, C. L., & Chau, K. W. (2011). Rainfall–runoff modeling using artificial neural network coupled with singular spectrum analysis. Journal of Hydrology, 399(3), 394-409.
21. [21] Wu, C. L., Chau, K. W., & Li, Y. S. (2009). Methods to improve neural network performance in daily flows prediction. Journal of Hydrology, 372(1), 80-93.
22. [22] Yavuz, S., Deveci, M., 2013, İstatistiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi, Erciyes Üniversitesi İİBF Dergisi, Sayı 40, Haziran-Aralık 2012ss. 167-187s.
23. [23] Yenigün, K., Gümüş, V., 2009. Hidroloji Ders Notları, Harran Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü, Şanlıurfa, 40s.
24. [24] Yüksek, Ö., Üçüncü, O., Çözülmüş Problemlerle Temel Hidroloji, Akoluk Basım Yayın Dağıtım, Trabzon, 1999.
25. [25] Beven, K. J. (2011). Rainfall-runoff modelling: the primer. John Wiley & Sons.
26. [26] Sivakumar, B., Phoon, K. K., Liong, S. Y., & Liaw, C. Y. (1999). A systematic approach to noise reduction in chaotic hydrological time series. Journal of Hydrology, 219(3-4), 103-135.
27. [27] Kucera, C. L. (1954). Some relationships of evaporation rate to vapor pressure deficit and low wind velocity. Ecology, 35(1), 71-75.
28. [28] Chakraborty, G., & Chakraborty, B. (2000). A novel normalization technique for unsupervised learning in ANN. IEEE transactions on neural networks, 11(1), 253-257.
29. [29] Yüksek, Ö., Babacan, H. T., & Saka, F., (2018). Yağış-akış modellemesinde optimum yapay sinir ağı yapısının araştırılması. Türk Hidrolik Dergisi, 2(1), 31-37.