Kavramsal yağış akış modeli çıktılarının yapay zeka metotlarıyla entegrasyonu

Abstract

Bu çalışmada, kavramsal yağış-akış model (CRR) çıktılarının Yapay Sinir Ağlarına (YSA) entegrasyonu ile oluşturulan çok aşamalı hibrit model zincirinin, model tahminlerinin performansını iyileştirilmesi hedeflenmiştir. Temez, Dinamik Su Bütçesi, abcde, Avusturalya Su Bütçesi, Guo ve Thornthwaite Su Bütçesi CRR modelleri hidrolojik ve meteorolojik parametrelerinin farklı olması ve temsil yeteneklerinden dolayı seçilmiştir. Üç farklı veri ağırlıklandırma yöntemiyle ERA5 yeniden analiz verileri kullanılarak CRR modelleri optimize edilmiştir. Elde edilen model çıktıları ve bu çıktıları oluşturan model bileşenlerinden oluşturulan veri seti YSA’lara girdi olarak entegre edilmiştir. Bu hibrit model staratejisi ile simülasyon performansının iyileştirilmesi ve belirsizliklerin azaltılması amaçlanmıştır. Temel Bileşen Analizi (PCA) ve En Küçük Mutlak Küçülme ve Seçim Operatörü (LASSO) yöntemleri ile küçültülen veri setlerinin yüksek korelasyonunun azaltılması ve işlem yükünün YSA’nın performansına olumsuz etkisinin giderilmesi hedeflenmiştir. Hidrolojik modellerin ve hibrit model zincirinde kullanılan yöntemlerin determinasyon katsayısı (R2), Nash-Sutcliffe verimlilik sabiti (NSE), en küçük hataların karesinin ortalamasının karekökü (RMSE), Yanlılık yüzdesi (PBIAS) ve Kling Gupta verimlilik sabiti (KGE) değerlerine göre kıyaslanarak, model simülasyonlarının performansına etkisi değerlendirilmiştir. Uygulanan w1, w2 ve w3 veri ağırlıklandırma yöntemleri arasında bazı istasyonlarda bazı metriklerde farklılıklar görülse de w3 yönteminin genel olarak diğer yöntemlerden daha başarılı performans göstermiştir. Validasyon döneminde; R2 metriğine göre w3 yönteminin en iyi tekli model performansı ile en iyi YSA performansı kıyaslandığında, uygulanan Orhaneli-Küçükilet, Kocaçay-Kayaca, Simav Çayı-Yahyaköy, Nilüfer Çayı-Geçitköy ve Emet Çayı-Dereli istasyonları için iyileşme oranı, sırasıyla, %1,83, %3,34 , %7,11, %4,75, %4,47 hesaplanmıştır. w1 yönteminin en iyi tekli model performansı ile w3 yönteminin en iyi YSA performansı kıyaslandığında, uygulanan aynı istasyonlar için iyileşme oranı, sırasıyla, %11,34, %2,01, %8,56, %6,2, %13,39 hesaplanmıştır.

In this study, it is aimed to improve the performance of model predictions of multi-stage hybrid model chain formed by integrating conceptual rainfall-runoff model (CRR) outputs into Artificial Neural Networks (ANN). Temez, Dynamic Water Budget, abcde, Australian Water Budget, Guo and Thornthwaite Water Budget CRR models were selected due to their different hydrological and meteorological parameters and their representation abilities. CRR models were optimized using ERA5 reanalysis data with three different data weighting methods. Obtained model outputs and the data set formed from model components forming these outputs were integrated as input to ANNs. It is aimed to improve simulation performance and reduce uncertainties with this hybrid model strategy. It is aimed to reduce the high correlation of data sets reduced with Principal Component Analysis (PCA) and Least Absolute Shrinkage and Selection Operator (LASSO) methods and to eliminate the negative effect of processing load on the performance of ANN. The effects of the hydrological models and the methods used in the hybrid model chain on the performance of the model simulations were evaluated by comparing them with respect to the coefficient of determination (R2), Nash-Sutcliffe efficiency constant (NSE), root mean square error (RMSE), Percentage of bias (PBIAS) and Kling Gupta efficiency constant (KGE) values. Although there were differences in some metrics at some stations among the applied w1, w2 and w3 data weighting methods, the w3 method generally showed a better performance than the other methods. During the validation period; according to the R2 metric, when the best single model performance of the w3 method is compared with the best ANN performance, the improvement rate for the applied stations Orhaneli-Küçükilet, Kocaçay-Kayaca, Simav Stream-Yahyaköy, Nilüfer Stream-Geçitköy and Emet Stream-Dereli is calculated as 1.83%, 3.34%, 7.11%, 4.75%, 4.47%, respectively. When the best single model performance of the w1 method is compared with the best ANN performance of the w3 method, the improvement rate for the mentioned stations is calculated as 11.34%, 2.01%, 8.56%, 6.2%, 13.39%, respectively.