Development of Streamflow Prediction Model By Using Machine Learning Techniques

Abstract

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.

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.