Aylık Akış Tahmini için Dalgacık Destekli Makine Öğrenmesi Çerçevesi: Hibrit Modellerin Karşılaştırmalı Değerlendirmesi

Öz

Akarsu debilerinin doğru tahmin edilmesi, su kaynakları yönetimi, sel ve iklim değişikliğine dayanıklı hidroloji için çok önemlidir. Bununla birlikte, hidrolojik serilerin doğrusal olmayan ve durağan olmayan özellikleri, geleneksel veri tabanlı tekniklerin tahmin yeteneklerini sıklıkla sınırlandırmaktadır. Bu çalışma, Karamandere Deresi Havzası'nda (Türkiye) aylık akarsu debilerinin tahmin edilmesi için, Ayrık Dalgacık Dönüşümü (DWT) ve Karar Ağacı (DT), Doğrusal Regresyon (LR), Rastgele Orman (RF), Ekstra Ağaçlar (ET) ve Destek Vektör Regresyonu (SVR) dahil olmak üzere beş denetimli makine öğrenme tekniğinin birleştirilmesine dayalı hibrit bir dalgacık-makine öğrenme çerçevesi sunmaktadır. Çoklu çözünürlük seviyeleri aracılığıyla özellik temsilinin tahmin kalitesi üzerindeki etkisi, Daubechies (db4) ve Symlet (sym8) olmak üzere iki dalgacık ailesi için incelenmiştir. 2005-2020 yılları arasında elde edilen akış, yağış ve sıcaklık gibi hidrometeorolojik günlük ölçümler aylık değerlere dönüştürüldü ve zaman tutarlılığını korumak amacıyla sırasıyla eğitim (154 örnek) ve test (36 örnek) veri kümelerine ayrıldı. Model verimliliği değerlendirmesi, belirleme katsayısı (R²), kök ortalama kare hatası (RMSE) ve ortalama mutlak hata (MAE) kullanılarak gerçekleştirildi. Deneysel sonuçlar, dalgacık dönüşümlerine dayalı özellik çıkarımının, ham veri girdilerine kıyasla tüm makine öğrenme algoritmaları için tahmin doğruluğunu artırdığını göstermektedir. Ele alınan yaklaşımlarla karşılaştırıldığında, Symlet dalgacık özellikleriyle birleştirilmiş Rastgele Orman yaklaşımı en iyi tahmin performansını (R² = 0,92) gösterirken, Ekstra Ağaçlar yaklaşımı (R² = 0,91) biraz daha iyi performans sergiledi. Diğer teknikler arasında, Destek Vektör Regresyonu tekniği, özelliklerin dalgacık dönüşümü nedeniyle tahmin doğruluğunda en büyük iyileşme oranını gösterdi; R² puanı 0,65'ten 0,88'e yükseldi. Bu karşılaştırma, Symlet dalgacıklarının sinyal ayrıştırma açısından Daubechies dalgacıklarına kıyasla daha düzgün ve yorumlanabilir olmaları nedeniyle üstünlüğünü kanıtlamaktadır. Dolayısıyla, önerilen yaklaşım, özellik çıkarımına yönelik çok çözünürlüklü yaklaşımın, akış tahminine yönelik makine öğrenimi modellerinin sağlamlığını ve genelleme kapasitesini artırmaya yardımcı olduğunu doğrulamaktadır.

Anahtar Kelimeler

• Hibrit Makine Öğrenimi
• Ayrık Dalgacık Dönüşümü (DWT)
• Dalgacık Özellik Mühendisliği
• Rastgele Orman
• Ekstra Ağaçlar
• Destek Vektör Regresyonu
• Akış Tahmini.

Wavelet-Enhanced Machine Learning Framework for Monthly Streamflow Prediction: A Comparative Assessment of Hybrid Models

Öz

Accurate forecasting of streamflows is crucial for water resources management, flooding, and climate-resilient hydrology. However, the nonlinear and nonstationary properties of hydrological series often limit the forecasting capabilities of conventional data-based techniques. This study presents a hybrid wavelet-machine learning framework for the prediction of monthly streamflows in the Karamandere Creek Basin (Türkiye) based on the combination of Discrete Wavelet Transform (DWT) and five supervised machine learning techniques, including Decision Tree (DT), Linear Regression (LR), Random Forest (RF), Extra Trees (ET), and Support Vector Regression (SVR). The effect of feature representation through multiple resolution levels on the quality of predictions was investigated for two wavelet families, Daubechies (db4) and Symlet (sym8). Hydro-meteorological daily measurements like streamflow, precipitation, and temperature obtained from 2005 to 2020 were aggregated to monthly values and further sequentially partitioned into training (154 samples) and test (36 samples) datasets in order to preserve time consistency. Model efficiency assessment was performed using the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE). Experimental results indicate that feature extraction based on wavelet transforms increases the prediction precision for all machine learning algorithms in comparison with raw data inputs. In comparison with the considered approaches, the Random Forest approach coupled with Symlet wavelet features demonstrated the best predictive performance (R² = 0.92), slightly outperformed by the Extra Trees approach (R² = 0.91). Among other techniques, the Support Vector Regression technique displayed the greatest improvement rate in prediction accuracy due to the wavelet transformation of features, as the R² score increased from 0.65 to 0.88. The comparison proves the superiority of the Symlet wavelets in terms of signal decomposition compared to Daubechies wavelets because of their smoothness and interpretability. Thus, the proposed approach confirms that the multiresolution approach to feature extraction helps enhance the robustness and generalization capacity of machine learning models for predicting the streamflow.

Anahtar Kelimeler

• Hybrid Machine Learning
• Discrete Wavelet Transform (DWT)
• Wavelet Feature Engineering
• Random Forest
• Extra Trees
• Support Vector Regression
• Streamflow Prediction.

Kaynakça

1. [1] Doğan, S., Özçelik, S., Dolu, Ö., & Erman, O. (2010). Küresel ısınma ve biyolojik çeşitlilik. İklim Değişikliği ve Çevre, 3, 63–88.
2. [2] Türkeş, M. (2000). Hava, İklim, Şiddetli Hava Olayları ve Küresel Isınma. T.C. Başbakanlık Devlet Meteoroloji İşleri Genel Müdürlüğü, 187, 205.
3. [3] The Global Goals. (2025). Clean water and sanitation. https://globalgoals.org/goals/6-clean-water-and-sanitation.
4. [4] Birleşmiş Milletler Türkiye. (2025). Sürdürülebilir Kalkınma Amaçları 13: İklim eylemi. https://turkiye.un.org/tr/sdgs/13.
5. [5] Lankford, B., Bakker, K., Zeitoun, M., & Conway, D. (Eds.). (2013). Water security: Principles, perspectives and practices. Earthscan/Routledge.
6. [6] UN-Water. (2013). What is water security? [Infographic]. https://www.unwater.org/waterfacts/water-security.
7. [7] Jepson, W., Budds, J., Eichelberger, L., Harris, L., Norman, E., O'Reilly, K., & Young, S. (2017). Advancing human capabilities for water security: A relational approach. Water Security, 1, 46–52. https://doi.org/10.1016/j.wasec.2017.07.001.
8. [8] Meissner, R. (2016). Water security in Southern Africa: Discourses securitising water and the implications for water governance and politics. In C. Pahl-Wostl, A. Bhaduri, & J. Gupta (Eds.), Handbook on Water Security (pp. 280–300). Edward Elgar. https://doi.org/10.4337/9781782548010.00025.

9. [9] Cifci, M. A., Farhang, Y., Öney, B., Ersan, Z. G., Yıldırım, F., & Akbulut, U. (2026). A Scalarized Weighted-Sum Hybrid GA–PSO Decision-Support Framework for Constrained Water Resource Scheduling. Information, 17(8), 752.
10. [10] Akbulut, U. (2023). Optimisation of water resources use and planning with advanced data processing methods [Doctoral dissertation, Istanbul Aydın University].
11. [11] Erkal, T., & Topgül, İ. (2020). Aşağı Meriç Nehri akımlarının mevsimsel ve yıllık değişiminin taşkınlar üzerindeki etkisi. Türk Coğrafya Dergisi, (74), 33–38.
12. [12] Koçyiğit, M. B., & Akay, H. (2018). Morfometrik parametreler yardımıyla havzada muhtemel taşkın riskinin tahmin edilmesi: Akçay Havzası örneği. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 33(4), 1321–1332.
13. [13] Oğraş, S., & Önen, F. (2019). Dicle Nehri'nin taşkın analizinin HEC-RAS programı ile yapılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), 1087–1098.
14. [14] Demir, F. (2014). Aşağı Sakarya Nehri Adapazarı kesimi taşkın risk tayini [Master's thesis, Sakarya University].
15. [15] Korkmaz, M. (2022). Nehirlerde Taşkın Tekerrür Debisi Hesabı ve Taşkın Risk Değerlendirmesi. El-Cezeri, 9(2), 532–541.
16. [16] Dölek, İ. (2013). Muş'ta Yaşanan Sel ve Taşınmalara Neden Olan Doğal Faktörlerin Analizi. Marmara Coğrafya Dergisi, (28), 408–422.
17. [17] Kadıoğlu, Y., Bağcı, H., & Yılmaz, C. (2017). Doğu Karadeniz Kıyı Kuşağındaki Doğal Afetlere Bir Örnek: 21 Eylül 2016 Tarihli Beşikdüzü Seli Ve Heyelanları. Marmara Coğrafya Dergisi, (36), 232–242.
18. [18] Kaźmierczak, A., & Cavan, G. (2011). Surface water flooding risk to urban communities: Analysis of vulnerability, hazard and exposure. Landscape and Urban Planning, 103(2), 185–197. https://doi.org/10.1016/j.landurbplan.2011.07.008.
19. [19] Talbot, C. J., Bennett, E. M., Cassell, K., Hanes, D. M., Minor, E. C., Paerl, H., Raymond, P. A., Vargas, R., Vidon, P. G., Wollheim, W., & Xenopoulos, M. A. (2018). The impact of flooding on aquatic ecosystem services. Biogeochemistry, 141(3), 439–461. https://doi.org/10.1007/s10533-018-0449-7.
20. [20] Mfon, I. E., Oguike, M. C., Eteng, S. U., & Etim, N. M. (2022). Causes and effects of flooding in Nigeria: A review. East Asian Journal of Multidisciplinary Research, 1(9), 1777–1792.
21. [21] Suhr, F., & Steinert, J. I. (2022). Epidemiology of floods in sub-Saharan Africa: A systematic review of health outcomes. BMC Public Health, 22(1), 268. https://doi.org/10.1186/s12889-022-12584-4.
22. [22] Acosta-España, J. D., Romero-Alvarez, D., Luna, C., & Rodríguez-Morales, A. J. (2024). Infectious disease outbreaks in the wake of natural flood disasters: Global patterns and local implications. Le Infezioni in Medicina, 32(4), 451.
23. [23] Leandro, J., Hotta, C. I., Pinto, T. A., & Ahadzie, D. K. (2022). Expected annual probability of infection: A flood-risk approach to waterborne infectious diseases. Water Research, 219, 118561. https://doi.org/10.1016/j.watres.2022.118561.
24. [24] Yu, T., Ran, Q., Pan, H., Li, J., Pan, J., & Ye, S. (2023). The impacts of rainfall and soil moisture on flood hazards in a humid mountainous catchment: a modeling investigation. Frontiers in Earth Science, 11, 1285766.
25. [25] Akbulut, U., Cifci, M. A., & Aslan, Z. (2023). Hybrid modelling for streamflow estimation: Integrating machine learning and federated learning. Applied Sciences, 13(18), 10203. https://doi.org/10.3390/app131810203
26. [26] Myles, A. J., Feudale, R. N., Liu, Y., Woody, N. A., & Brown, S. D. (2004). An introduction to decision tree modeling. Journal of Chemometrics, 18(6), 275–285. https://doi.org/10.1002/cem.873.
27. [27] Fürnkranz, J. (2011). Decision tree. In C. Sammut & G. I. Webb (Eds.), Encyclopedia of Machine Learning (pp. 263–267). Springer.
28. [28] Charbuty, B., & Abdulazeez, A. (2021). Classification based on decision tree algorithm for machine learning. Journal of Applied Science and Technology Trends, 2(1), 20–28.
29. [29] Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324.
30. [30] Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42. https://doi.org/10.1007/s10994-006-6226-1.
31. [31] Zhang, F., & O'Donnell, L. J. (2020). Support vector regression. In Machine Learning (pp. 123–140). Academic Press.
32. [32] Mallat, S. G. (1989). A theory for multiresolution signal decomposition: The wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7), 674–693. https://doi.org/10.1109/34.192463.
33. [33] Daubechies, I. (1992). Ten Lectures on Wavelets. Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9781611970104.
34. [34] Akbulut, U., Cifci, M. A., İşler, B., & Aslan, Z. (2025). Makine öğrenme yöntemleriyle nehir akımı tahmininde farklı tekniklerin karşılaştırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 40(1), 467–485. https://doi.org/10.17341/gazimmfd.1318906.
35. [35] Baydaroğlu, Ö., Koçak, K., & Duran, K. (2018). River flow prediction using hybrid models of support vector regression with the wavelet transform, singular spectrum analysis and chaotic approach. Meteorology and Atmospheric Physics, 130(3), 349–359. https://doi.org/10.1007/s00703-017-0507-1
36. [36] Devlet Su İşleri. (2025). Akım Gözlem Yıllıkları. https://www.dsi.gov.tr/
37. [37] 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. https://doi.org/10.1016/0022-1694(70)90255-6.
38. [38] Boulange, J., Hirabayashi, Y., Tanoue, M., & Yamada, T. (2023). Quantitative evaluation of flood damage methodologies under a portfolio of adaptation scenarios. Natural Hazards, 118(3), 1855-1879. https://doi.org/10.1007/s11069-023-06017-7.
39. [39] Fang, S., Xu, L., Zhu, Y., Liu, Y., Liu, Z., Pei, H., Yan, J., & Zhang, H. (2015). An integrated information system for snowmelt flood early warning based on the Internet of things. Information Systems Frontiers, 17(2), 321–335. https://doi.org/10.1007/s10796-013-9466-1.
40. [40] Akman, M. U. (2021). Taşkın koruma ve kontrol yapılarının değerlendirilmesi. Türk Hidrolik Dergisi, 5(1), 25–31.
41. [41] Sejati, W., Pusoko, A. N., Aryadi, E. V., Andajani, S., Hidayat, D. P. A., Kurniyaningrum, E., & O'Connor, N. Z. (2024). Flood routing and dam breach parameter calculation on Sepaku Semoi Dam. Aptisi Transactions on Technopreneurship (ATT), 6(1), 136–148.
42. [42] Elçi, Ş., Tayfur, G., Haltas, İ., & Kocaman, B. (2017). Baraj yıkılması sonrası iki boyutlu taşkın yayılımının yerleşim bölgeleri için modellenmesi. Teknik Dergi, 28(3), 7955–7975.
43. [43] Efe, H., & Önen, F. (2022). Batman Barajı'nın yıkılma analizi ve baraj güvenliği açısından değerlendirilmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 13(3), 579–587.
44. [44] Selek, B., & Deniz, S. (2017). Türkiye'de Taşınma Kontrolü Faaliyetlerinin Genel Değerlendirilmesi ve Yeni Çalışmalar. DSİ Teknik Bülteni, (123).
45. [45] Kutsal, C. (2020). Taşkın koruma tesislerinde karşılaşılan problemler [Master's thesis, Necmettin Erbakan University].