Apa Barajı havzasındaki hidrolojik parametrelerin makine öğrenmesi ile tahmini

Son yıllarda, özellikle de sanayi devriminden sonra insanoğlunun suya olan ihtiyacı artmıştır. Canlılar için yaşamsal önemi tartışılmaz olan bu suyun, gelecekteki ve mevcut miktarının korunması tüm insanoğlunu ilgilendiren bir konu haline gelmekten ötesine geçmiş, herkesin bu konu hakkında neler yapılabileceği son günlerde tartışılır hale gelmiştir. Ortalama yağış miktarından belli bir periyod boyunca görülen azalma olarak tanımlanan kuraklık, su kaynaklarına mevcudiyetine etki eden unsurlar arasındadır. Kuraklık doğal afetler arasından en sinsi olanlardan birisidir ve gerçekleştiğinde insanoğlu bunun farkına varmayabilir. Kuraklık olaylarını izlemek, değerlendirmek için genellikle kuraklık indislerinden yararlanılmaktadır. Bu çalışmada da kuraklık indisi olarak Standartlaştırılmış Yağış İndisi (SYİ) ve Akış Kuraklık İndisinden (AKİ) faydalanılmıştır. Bunların yanı sıra, kuraklıklara etki eden ve hesaplarında kullanılan hidrolojik ve meteorolojik verilerden de istifade edilmiştir. En geniş aralık olan 1955-2022 yıllarını kapsayan aylık toplam yağış, aylık ortalama sıcaklık, aylık maksimum sıcaklık, aylık minimum sıcaklık, aylık ortalama baraj göl seviyesi kotu, aylık ortalama baraj hacim verisi, aylık ortalama akım verisi bu çalışmada kullanılmıştır. Çalışma alanı olarak, Türkiye'nin tahıl ihtiyacının önemli bir kısmını gideren Konya Kapalı Havzası'nın orta kesimlerinde yer alan Apa Barajı Bölgesi seçilmiştir. Geçmişten günümüze kadar insanoğlu çevresel problemler ile büyük bir mücadele vermektedir. Bu mücadelede, bilim insanları alternatif çözüm yolları aramaktadır. Hemen hemen her problemde olduğu gibi, bir soruna çözüm bulmanın en iyi yöntemlerden birisi, geçmiş deneyimlerimizden yararlanarak geleceğe yönelik tahminlerde bulunmaktır. Hidrolojide de geçmişteki veriden faydalanarak geçmişteki davranışların değişmeyeceği varsayılarak gelecekteki eylemler tahmin edilebilir ve su döngüsü, su kaynaklarının planlanması, havza yönetimi, kuraklık analizi, matematiksel modelleme gibi konularda çalışılmaktadır. Tüm bunlardan esinlenerek, bu çalışmada Konya Kapalı Havzasında yer alan Apa Barajı bölgesine etki eden hidrolojik parametreleri tahmin edebilmek için çeşitli makine öğrenme yöntemlerinden yararlanılmıştır. Bu çalışmada kullanılan makine öğrenme yöntemleri Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA), Karar Ağaçları (KA), Rastgele Orman (RO)'dir. Yağışı esas olan 3 farklı model kurulmuştur. Bu modeller kuraklık tahmin modeli, yağış-akış tahmin modeli, baraj göl seviyesi tahmin modelidir. Bu modellerin iyileştirilmesi için dalgacık dönüşümünden faydalanılmıştır. Kurulan modeller hem birbirleri ile hem de makine öğrenme algoritmaları performanslarına göre birbiriyle kıyaslanmıştır. Model performanslarının kıyaslanması için Nash-SutCliffe (NS), Kök Ortalama Kare Hata (RMSE) ve Korelasyon katsayısından (r) faydalanılmıştır. Çalışmanın sonucunda; kuraklık tahmin modellerinde DVM'nin genellikle diğer algoritmalara göre daha iyi sonuç verdiği belirlenmiştir. Kuraklık tahmin modellerinde model girdi yapısı hem sadece SYİ hem de aylık toplam yağış verisi ile oluşturulan modellerin diğer modellere göre daha etkili performans gösterdiği tespit edilmiştir. Kuraklık tahmin modellerinde en başarılı model, DVM'nin dalgacık dönüşümünde tespit edilen (NS: 0.9970, RMSE: 0.0498, r: 0.9986 performans değerleri ile) M05'dir. Yağış-akış tahmin modellerinde; dalgacık dönüşümü olmadan yapılan analizlerde DVM ve RO genellikle diğer algoritmalara göre daha iyi sonuç vermiştir. Burada model yapısına veri çeşitliliğin artırılması model performans parametrelerini olumlu yönde etkilemiştir. Bu çalışmadaki yağış-akış modellemesinde dikkat çeken bulgulardan biri, dalgacık dönüşümü sonrasında, giriş yapısında sadece akış verilerinin kullanılmasının, önceki dalgacık dönüşümü olmayan modellerdeki bulguların aksine, model performanslarını olumlu yönde etkilemesidir. M26 (NS: 0.9781, RMSE: 0.2989, r: 0.9893), bu sınıfta en etkili sonucu vermiştir. Baraj göl seviyesi tahmin modellerinde de; dalgacık dönüşümü olmadan RO ve DVM, diğer algoritmalara göre üstünlük sağlamıştır. Model girdi yapısında baraj hacmi ve baraj göl seviyesi verisinin kullanılması model performanslarını artırmıştır. Dalgacık dönüşümünden sonra ise model girdi yapısında akış verisi ve kot verisinden oluşturulan M18 (NS: 0.9851, RMSE: 0.6942, r: 0.9926), diğer modellere göre üstün performans göstermiştir.