Makine öğrenmesi kullanılarak hidrolojik modelleme: fırtına deresi örneği

Su yeryüzündeki yaşamın temelini oluşturan maddedir. Suyun var olmaması dünya üzerindeki canlıların çok büyük bölümünün yaşamasını imkansız hale getirmektedir. Su canlılar ve insan için bu kadar önemliyken suya kolay ulaşım imkanı da aynı derecede önemli olmaktadır. Ancak suya yakın olmak bazı sorunları da beraberinde getirmiştir. Nehir kenarlarına kurulan şehirler, taşkınlar, su yolunun değişimi, gel-git gibi sorunlarla baş etmek zorunda kalmıştır. Bu sorunların sonucu olarak yerleşim alanları ve tarım arazileri yok olan insanlar yerleşim yerlerini terk etmek zorunda kalmıştır. Ek olarak maddi ve manevi zararları da beraberinde getirmiştir. Bölge analizlerinin yapılması ile elde edilecek doğru debi tahminleri sayesinde bu zararların önüne geçilebilir. Bu çalışmada makine öğrenimi ve derin öğrenme modelleri vasıtasıyla debi tahminleri gerçekleştirilmiştir. Makine Öğrenemi programlama dilleri vasıtasıyla geliştirilen ve bilgisayar sistemlerinin öğrenme algoritmalarını kullanarak tahminler üretebilen yöntemdir. Bu çalışmada XGBoost makine öğrenimi, LSTM ve GRU derin öğrenme eğitim algoritmaları kullanılmıştır ve bu algoritmaların karşılaştırılması yapılmıştır. Çalışma sahası olarak Fırtına Deresi havzası seçilmiştir. Çalışma sahasının bağımsız değişken veri setleri için CFSR (iklim tahmin sistemi analizi) sisteminden alınan günlük maksimum sıcaklık, minimum sıcaklık, bağıl nem, solar radyasyon ve rüzgar değişkenleri kullanılmıştır. Akım gözlem verileri ise Elektrik İşleri Enstitüsü (EİE) 2232 nolu akım gözlem istasyonu Topluca Köyü mevkiinden (AGİ) kayıtlarından elde edilmiştir. Veriler 1 Ocak 1979 ve 31 Aralık 2002 yılları arasında toplam 8758 günün verisini kapsamaktadır. Temin edilen veriler 21 farklı bağımsız değişken ve 1 adet bağımlı değişken olarak tahmin modellerine tanıtılıp 875 günün günlük akım tahmini yapılmıştır. Çalışma sonuçları incelendiğinde en başarılı tahmini LSTM modeli yaptığı gözlemlenmiştir. En kötü başıraya sahip model ise XGBoost olduğu görülmüştür. Sonuç olarak; LSTM ve GRU modellerinin debi tahmini yapmakta oldukça iyi performanslar gösterdiği sonucuna varılmıştır. Ek olarak CFSR veri setlerinin makine öğrenmi hidrolojik modellemelerinde kullanılabileceğide tespit edilmiştir.