Dinamik su bütçesi modeline makine öğrenmesi entegrasyonu ile aylık akış tahminlerinin iyileştirilmesi

Abstract

Yağış-akış modellemesinde en yaygın hibridizasyon uygulaması, makine öğrenimi yaklaşımlarının eğitimi için kavramsal yağış-akış modellerinin belirli çıktılarının kullanılmasına dayanmaktadır. Bu paralel hibridizasyonda, kavramsal ve makine öğrenimi modellerinin parametre tahminleri peş peşe gerçekleştirilmektedir. Ancak hem kavramsalhem de makine öğrenimi modellerinin parametreleri arasındaki karşılıklı etkileşimin dikkate alınmaması bu hibritleme yönteminin önemli dezavantajlarından biri olarak değerlendirilmektedir. Ayrıca ardışık kalibrasyonlar, hesap yoğunluğunu aşırı artırabilmektedir. Bu tez çalışmasında, bahsi geçen dezavantajların üstesinden gelmek için, iki yapay zekâ modeli (yapay sinir ağları ve destek vektör regresyonu), toplu bir kavramsal model olan dinamik su bütçesi modeli (dynwbm) ile seri hibritleme yaklaşımı kullanılarak hibritlenmiştir. Daha sonra önerilen hibrit modellerde tanımlanan tüm potansiyel parametreler eş zamanlı olarak kalibre edilmiştir. Bu iç içe yapının makine öğrenimi katmanı, aylık akış serilerini daha iyi simüle etmek için kavramsal parametrelerden elde edilen farklı çıktı kombinasyonlarını kullanmaktadır. Hibrit parçacık sürü optimizasyon algoritması ile eğitilen bu yeni hibrit modeller Gediz Havzası’nda bulunan dokuz adet akım gözlem istasyonunda sınanmıştır. Performans indislerine göre, seri hibrit modeller tekil modellerden ve paralel hibrit tiplerden daha iyi performans sergilemişlerdir. Netice itibari ile kavramsal bir modelin ve makine öğrenimi algoritmalarının öncül özelliklerini harmanlayan yeni bir modelleme yaklaşımının tutarlılığı ve uygulanabilirliği detaylı bir şekilde kanıtlanmıştır.

The most common hybridization practice in rainfall-runoff modeling is implemented by using the certain outputs of conceptual rainfall-runoff models for the training of machine learning approaches. In that parallel coupling hybridization, the parameter estimations of the conceptual and machine learning models are consecutively carried out. However, this application has a crucial drawback since the mutual interaction between the parameters operating both conceptual and machine learning models is not taken into consideration. Moreover, the cascade calibrations can unnecessarily increase the computational complexity. In this thesis study, to overcome these disadvantages, two artificial intelligence models (artificial neural networks and support vector regression) were integrated with the dynamic water budget model (dynwbm) that is a lumped conceptual model. Then, all potential parameters defined in proposed serial hybrid models were simultaneously calibrated. The machine learning layer of this intertwined structure uses different output combinations obtained from the conceptual parameters in order to better simulate monthly runoff series. These new hybrid models trained through hybrid particle swarm optimization algorithm were performed at the Gediz River Basin. The performance indices pointed out that the serial hybrid models outperformed the solo models and coupled parallel types. Consequently, both the robustness and applicability of this new modeling framework, which makes use of the prominent skills of a conceptual model and machine learning algorithms, has been comprehensively provided.