Standardize yeraltı suyu indisinin makine öğrenmesi ve veriayrıştırma teknikleri kullanılarak modellenmesi

Çalışma kapsamında Erzincan ilindeki yeraltı suyu indisi (SGI) değerlerinin tahmini için Tekil Spektrum Analizi (SSA), Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (ANFIS), Kategorik Artırma (CatBoost), Evrişimsel Sinir Ağı (CNN), Otokodlayıcı (Autoencoder), Derin Sinir Ağı (DNN), Kapılı Tekrarlayan Birim (GRU) ve Uzun Kısa Süreli Bellek (LSTM) modelleri kullanılmıştır. SSA veri ayrıştırma tekniği ile yenilikçi derin öğrenme ve makine öğrenmesi yaklaşımları birleştirilerek SGI tahmin performansı üzerine etkisi değerlendirilmiştir. SSA ile yağış, rölatif nem, sıcaklık ve gecikmeli SGI değerlerine ait trend, mevsimsellik, döngüsellik ve gürültü gibi farklı bileşenlere ayırılmış ve bu bileşenler AI modellerine sunularak hibrit yaklaşımlar kurulmuştur. Model performansı çeşitli istatistiksel metriklere ve grafiklere göre analiz edilmiştir. Sonuç olarak tüm alt bileşenlerin AI modeline girdi olarak kullanılması ile kurulan hibrit yaklaşımlar aylık SGI tahmin doğruluğunu çoğunlukla artırırken, 12 aylık SGI tahminlerini ise artış ve azalışlar gözlenmiştir. Ayrıca gürültü bileşenlerinin atılarak kurulan SGI tahmin performansının ve modelin genelleme yeteneğinin arttığı dikkat çekmiştir. Ek olarak yapay sinir ağları ve bulanık mantık sistemlerini birleştiren hibrit ANFIS yaklaşımının yeraltı suyu kuraklığının en iyi tahmin eden model olduğunun ortaya çıkarmaktadır. Tahmin modellerinde en etkili parametrenin ortaya çıkarılması için ANFIS tahmin çıktılarına Sobol duyarlılık analizi uygulanmıştır. Buna göre SGI 1 (t) değerlerinin tahmininde rölatif nem ve SGI-1 (t-1) değerlerin en yüksek etkiye sahip olduğu saptanmıştır. Anahtar Kelimeler: derin öğrenme, kuraklık, standardize yeraltı suyu indisi, sobol duyarlılık analizi, tahmin