Makine öğrenme yöntemleri ile sediment taşınımı tahmini ve performanslarının karşılaştırılması

Askıda sediment yükünün doğru bir şekilde hesaplanması su kaynakları yönetimi, taşkın kontrolü ve baraj gibi su yapılarının tasarım ve işletilmesinde oldukça önemlidir. Pek çok farklı parametreye bağlı olan askıda sediment yükünün tahmini için bu çalışmada Sacramento Nehri'nde bulunan 11447650 numaralı USGS istasyonundan elde edilen 1966-1973 yıllarına ait günlük askıda sediment konsantrasyonu, akım debisi ve su sıcaklığı verileri kullanılmıştır. Bu çalışmada askıda sediment konsantrasyonu, akım debisi ve su sıcaklığı parametrelerinin farklı zamanlara ait gecikme değerleri kullanılarak pek çok kombinasyon araştırılmış ve bunlar arasından seçilen 15 farklı model sunulmuştur. Oluşturulan modeller literatürde sıklıkla tercih edilen dört adet makine öğrenmesi yöntemleri ile: ANFIS, Destek Vektör Makinesi, Rastgele Orman ve Gauss Süreç Regresyonu yöntemleri ile ve tahminlerdeki hassasiyeti artırabilmek için ayrıca dalgacık dönüşümü uygulanarak test edilmiştir. Hem dalgacık dönüşümü öncesi hem de dalgacık dönüşümü sonrasında model performansları karşılaştırılmıştır. Günlük askıda sediment konsantrasyonu tahmininde ANFIS, Destek Vektör Makinesi, Rastgele Orman ve Gauss Süreç Regresyonu yöntemleri hem dalgacık dönüşümü öncesinde hem de dalgacık dönüşümü sonrasında oldukça iyi performans verdikleri görülmüştür. En iyi sonucu veren model ise dalgacık dönüşümü sonrası W-ANFIS M02 modeli olmuştur (Korelasyon: 0.98, NS: 0.97, KGE: 0.97, PI:0.07, RMSE: 0.17).

The management of water resources, flood control, and the construction and maintenance of water structures like dams all depend heavily on the precise computation of the suspended sediment load. Stream flow, water temperature, and daily suspended sediment concentration data from USGS station number 11447650 in the Sacramento River for 1966–1973 were utilized in this work to estimate the suspended sediment load, which is dependent on numerous factors. Fifteen distinct models were provided in this study, which used lag values from various intervals to examine various combinations of suspended particle concentration, stream flow, and water temperature parameters. Four machine learning techniques that are often used in the literature—ANFIS, Support Vector Machine, Random Forest, and Gaussian Process Regression—as well as the wavelet transform to improve estimate precision were used to assess the built models. Model performances were compared both before and after wavelet transform. In the estimation of daily suspended sediment concentration, ANFIS, Support Vector Machine, Random Forest and Gaussian Process Regression methods were found to perform quite well both before and after wavelet transformation. The model that gave the best result was the W-ANFIS M02 model after wavelet transformation (Correlation: 0.98, NS: 0.97, KGE: 0.97, PI: 0.07, RMSE: 0.17).