Günlük akarsu akımlarının farklı makine öğrenmesi yöntemleri ile tahmini
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günlük akarsu akımlarının tahmini su yapılarının işletilmesi, kontrolü ve yönetimi için oldukça önemlidir. Pek çok parametreye bağlı değişkenlik gösteren bir hidrolojik parametre olan akım değerlerinin kısa süreli değerlerinin tahmini zor bir konudur. Günlük, haftalık gibi kısa süreli akış tahminleri, bir havzadaki belirli bir rezervuarın ileriye yönelik akışını tahmin etmek için kullanılır. Bu tahminler, mevcut su kaynaklarının optimum kullanımı için rezervuar depolamasının aktif olarak düzenlenmesini gerektiren hidroelektrik güç planlaması ve taşkın azaltılması gibi durumları planlamak için kullanılır. Bu sebeple akarsu yapılarının yönetiminde gerek rezervuarda ne kadar su biriktirileceği veya bırakılacağının belirlenmesinde gerekse üretilecek enerji miktarının belirlenmesinde kısa süreli akım tahminlerine ihtiyaç duyulmaktadır. Bu sebeple en uygun tahmin yapılabilmesi su yapıları yönetiminde hayati öneme sahiptir. Bu çalışma kapsamında kısa süreli akım tahminlerinde kullanılan pek çok makine öğrenmesi yöntemleri arasından seçilmiş olan Gauss Süreci Regresyon Analizi (GPR), Destek Vektör Makinesi (DVM), Karar Ağaçları (KA), Rastgele Orman (RO) ve Yapay Sinir Ağları (YSA/ANN) yöntemlerinden en uygun olanı araştırılmıştır. Daha sonra bu yöntemlerin sonuçlarının iyileştirilmesi için Dalgacık Dönüşümü metodu kullanılmış ve aynı yöntemlerin Dalgacık Dönüşümünden sonraki modelleri hesaplanmıştır. Dalgacık dönüşümü öncesi ve sonrası oluşturulan yöntem ve modellerin sonuçları çeşitli istatistiksel kriterler ile karşılaştırılmıştır. En iyi model dalgacık dönüşümü sonrası Destek Vektörleri Makinesi yöntemlerinden Lineer fonksiyonu kerneli ile oluşturulan M04 modeli (R:0.998131, NSE:0.99624, KGE:0.99282, PI:0.03940, RMSE:0.30386, MAPE:0.05553) olarak bulunmuştur.
Estimation of daily stream flows is very important for the operation, control and management of water structures. Predicting short-term values of streamflow, which is a hydrological parameter that varies depending on many parameters, is a difficult issue. Short-term flow forecasts, such as daily, weekly, etc., are used to estimate the forward flow of a particular reservoir in a basin. These forecasts are used to plan situations such as hydroelectric power planning and flood mitigation, which require active regulation of reservoir storage for optimal use of available water resources. For this reason, short-term flow forecasts are needed in the management of river structures, both in determining how much water will be accumulated or left in the reservoir and in determining the amount of energy to be produced. For this purpose, making the most appropriate prediction is of vital importance in the management of water structures. Within the scope of this study, Gaussian Process Regression Analysis (GPR), Support Vector Machine (SVM), Decision Trees (KA), Random Forest (RO) and Artificial Neural Networks (ANN) were chosen among many machine learning methods used in short-term flow forecasts. ) the most appropriate method was determined. Later, in order to improve the results of the methods used in the studies, the Wavelet Transform method was used and the models of the same methods after the Wavelet Transform were calculated. The results of the methods and models created before and after the wavelet transformation were compared with various statistical criteria. The best model was found to be the M04 model (R:0.998131, NSE:0.99624, KGE:0.99282, PI:0.03940, RMSE:0.30386, MAPE:0.05553), which was created with the Linear function kernel from the Support Vector Machine methods after the wavelet transform.
Estimation of daily stream flows is very important for the operation, control and management of water structures. Predicting short-term values of streamflow, which is a hydrological parameter that varies depending on many parameters, is a difficult issue. Short-term flow forecasts, such as daily, weekly, etc., are used to estimate the forward flow of a particular reservoir in a basin. These forecasts are used to plan situations such as hydroelectric power planning and flood mitigation, which require active regulation of reservoir storage for optimal use of available water resources. For this reason, short-term flow forecasts are needed in the management of river structures, both in determining how much water will be accumulated or left in the reservoir and in determining the amount of energy to be produced. For this purpose, making the most appropriate prediction is of vital importance in the management of water structures. Within the scope of this study, Gaussian Process Regression Analysis (GPR), Support Vector Machine (SVM), Decision Trees (KA), Random Forest (RO) and Artificial Neural Networks (ANN) were chosen among many machine learning methods used in short-term flow forecasts. ) the most appropriate method was determined. Later, in order to improve the results of the methods used in the studies, the Wavelet Transform method was used and the models of the same methods after the Wavelet Transform were calculated. The results of the methods and models created before and after the wavelet transformation were compared with various statistical criteria. The best model was found to be the M04 model (R:0.998131, NSE:0.99624, KGE:0.99282, PI:0.03940, RMSE:0.30386, MAPE:0.05553), which was created with the Linear function kernel from the Support Vector Machine methods after the wavelet transform.
Açıklama
Anahtar Kelimeler
Günlük Akarsu Akımı, Hidrolojik Modelleme, Makine Öğrenmesi Yöntemleri, Dalgacık Dönüşümü, Daily Stream Flow, Hydrologic Modelling, Machine Learning Methods, Wavelet Transform
