Aylık su dengesi modellerinde taban akışı mekanizması üzerine kavramsal modifikasyonlar

Abstract

Kavramsal yağış-akış modelleri, fiziksel süreçleri basitleştirilmiş yapılarla temsil etmeleri nedeniyle taban akımı simülasyonlarında çeşitli sınırlılıklar göstermektedir. Bu çalışmada, aylık zaman ölçeğinde taban akımı temsilinin iyileştirilmesi amacıyla Avustralya Su Bütçesi Modeli (AWBM) içine Aşırı Öğrenme Makinesi (ELM) yöntemi entegre edilerek AWBELM adı verilen hibrit modelleme yaklaşımı geliştirilmiştir. Bu kapsamda, AWBM’nin doğrusal yeraltısuyu depolama yapısı yerine ELM bileşeninin kullanıldığı iki farklı çerçeve önerilmiştir. AWBELM-v1 yaklaşımında ELM doğrudan taban akımını öğrenmeye odaklanırken, AWBELM-v2 yaklaşımında total akış süreci veri temelli olarak türetilmekte ve taban akımı dolaylı biçimde elde edilmektedir. Modeller, Küçük Menderes Havzası içerisinde yer alan Beydağ ve Tahtalı Baraj havzalarında aylık yağış, potansiyel evapotranspirasyon ve akım verileri kullanılarak uygulanmıştır. Parametre optimizasyonu Hibrit Gri Kurt Optimizasyonu (HGWO) algoritması ile gerçekleştirilirken, simülasyon performansları Nash-Sutcliffe verimlilik katsayısı (NS) kullanılarak değerlendirilmiştir. Ayrıca hibrit yapı içinde kavramsal olarak üretilen ara değişkenlerden ELM’nin kullandığı farklı girdi senaryoları oluşturulmuştur. Elde edilen bulgular, hibrit modelleme yaklaşımının özellikle taban akımı simülasyonlarında referans AWBM modeline göre belirgin iyileşmeler sağladığını göstermiştir. Beydağ Havzası’nda AWBM modelinin doğrulama dönemi taban akımı NS performansı 0.24 düzeyinde kalırken, AWBELM senaryolarında bu değer 0.86’ya kadar yükselmiştir. Tahtalı Havzası’nda ise referans modelin bu dönemdeki taban akımı performansı negatif seviyelerde kalırken, AWBELM-v1 yaklaşımıyla NS değerinin 0.90 düzeyine ulaşabildiği görülmüştür. Total akış simülasyonlarında da hibrit modeller Beydağ ve Tahtalı Havzalarında sırasıyla 0.85 ve 0.94 düzeyinde NS değerleri sunarak referans modele kıyasla rekabetçi performanslar üretmiştir. Bulgular, taban akımı bileşeninin ELM gibi bir makine öğrenmesi tekniğiyle doğrudan temsil edilmesinin genel simülasyon performansını geliştirebildiğini ve hibrit hidrolojik modelleme açısından özgün bir alternatif sunduğunu ortaya koymuştur.Conceptual rainfall-runoff models exhibit some limitations in baseflow simulations because of their representation of physical processes through simplified structures. In this study, a hybrid modeling approach termed AWBELM was developed by integrating the Extreme Learning Machine (ELM) method into the Australian Water Balance Model (AWBM) in order to improve monthly baseflow simulations. Within this framework, two different structures were proposed, using the ELM component instead of the linear groundwater storage structure of the original AWBM. In the AWBELM-v1 approach, the ELM focuses directly on learning the baseflow component. In the AWBELM-v2 approach, the total runoff simulation is based on a data-driven procedure, and the baseflow component is obtained indirectly. All these models were applied using monthly precipitation, potential evapotranspiration, and runoff data from the Beydağ and Tahtalı watersheds located within the Küçük Menderes Basin. Parameter optimization was carried out using the Hybrid Grey Wolf Optimization (HGWO) algorithm, and simulation performances were evaluated using the Nash–Sutcliffe coefficient of efficiency (NS). Furthermore, different input scenarios utilized by ELM were derived from conceptually produced intermediate variables within this hybrid structure. According to the results, both proposed hybrid models provided important performance gains, especially for monthly baseflow simulations. In the Beydağ watershed, the baseflow simulation performance of the AWBM model remained at 0.24 during the validation period, while this value increased to 0.86 in the AWBELM scenarios. In the Tahtalı watershed, the baseflow performance of the reference model remained at negative levels during this period, while the NS value reached 0.90 when the AWBELM-v1 approach was used. Moreover, in total runoff simulations, the hybrid models also produced competitive validation performance compared to the AWBM, offering NS values of 0.85 and 0.94 in the Beydağ and Tahtalı watersheds, respectively. The study revealed that explicitly addressing the baseflow component through a machine learning model instead of linear assumptions can enhance overall runoff simulation accuracy and also offer a novel alternative for hybrid hydrological modeling.