Aylık Ortalama Akım Verilerinin Yapay Sinir Ağları Kullanılarak Tahmin Edilmesi

Geçmiş verilere dayalı akım tahmini, hidroloji mühendisliğinde önemli bir konudur. Zaman serisi verilerinin gelecekteki değerlerinin doğru tahmin edilmesi, dizayn, bakım, su yapılarının yönetimi, sel ve kuraklık gibi doğal afetlerin belirlenmesi için çok önemlidir. Hidrolojik süreçlerin incelenmesinde ve modelleme problemlerin çözülmesini amaçlayan, birçok farklı yapay zekâ tekniği geliştirilmiştir. Çalışmada, yapay sinir ağının en sık kullanılan modeli olan Çok Katmanlı Algılayıcı (ÇKA), derin öğrenme metodu olarak yeni geliştirilen Uzun Kısa Süreli Bellek (UKSB) ve yapay sinir ağı ile bulanık mantığın özelliklerini birlikte kullanan Adaptif Sinirsel Bulanık Çıkarım Sistemi (ASBÇS) gibi farklı yapay zekâ teknikleri kullanılmıştır. Meram Çayı üzerindeki Küçükmuhsine AGİ’ndan ölçülen 1981-2017 yılları arasındaki ortalama aylık debileri kullanarak, gelecekteki 1 yıl, 2 yıl ve 3 yıl gibi uzun süreli tahminlerde bulunulmuştur. Oluşturulan modellerin performansları, üç istatistiksel kriter Ortalama Kare Hatası (OHK), Karekök Ortalama Kare Hatası (KOKH) ve Determinasyon katsayısı (R2) kullanılarak değerlendirilmiştir. Toplam 432 adet aylık verinin 346 adedi %80’i eğitim seti, kalan 86 adet %20 ise test veri setine ayrılmıştır. Her modelin optimum yapısını elde etmek için farklı girdiler ve eğitim parametreleri kullanılmış, en düşük hatayı verenler bu çalışmada değerlendirilmiştir. Sonuçlar, UKSB modelinin, ÇKA ve ASBÇS modelerine kıyasla daha yüksek tahmin doğruluğu ve daha düşük hata verdiğini göstermektedir. Ek olarak, UKSB tekniğinin gelecekteki uzun süreli tahminler için uygun olduğu görülmüştür.

values of time series data is critical for design, maintenance, and management of water structures, as well as determination natural disasters like floods and drought. Many different artificial intelligence techniques have been developed to investigate hydrological processes and solve modeling problems. In the study, different artificial intelligence techniques have been used such as, Multi Layer Perceptron (MLP), the most commonly used model of ANN, Long Short Term Memory (LSTM) which is newly developed as a deep learning method, and Adaptive Neuro Fuzzy Inference System (ANFIS), which uses the properties of artificial neural network and fuzzy logic together. The average monthly streamflow between 1981-2017 years, measured from Küçükmuhsine AGİ on Meram Stream was used for future long term forecasting such as 1 year, 2 years and 3 years with the time series method. Three statistical criteria were used to evaluate the performance of the constructed models: Mean Square Error (MSE), Square Root Mean Square Error (RMSE), and Determination coefficient (R2). Of the total 432 monthly data, (346) 80% were used as training set, and the rest (86) 20% were used as test set. The optimal structure of each model was defined using various inputs and training parameters, and the models with the lowest error were evaluated in this study. The results show that the LSTM model has a better prediction accuracy and lower error compared to the MLP and ANFIS models. Additionally, the LSTM method has been found to be suitable for future long term predictions.