Yabani ot ve diferansiyel evrim algoritmalarının aylık kavramsal bir yağış-akış modeli kalibrasyonu üzerinden performanslarının irdelenmesi

Abstract

Kavramsal hidrolojik modeller genelde deterministik ve ortalanmış yapıda olup bu modellerde su bütçesi denklemleri esas alınarak hidrolojik çevrim unsurlarının farklı parametreler vasıtasıyla tanımlanması sağlanmaktadır. Söz konusu modellerin, su kaynakları mühendisliğindeki kullanımı önem taşımaktadır. Bu modeller havzanın yağış-akış ilişkilerinin açıklanması, eksik akım verilerinin tamamlanması, iklim değişikliğinin akımlar üzerindeki olası etkilerinin analizi gibi çeşitli alanlarda kullanılmaktadır. Kavramsal modellerin bir havzanın yağış-akış ilişkisini temsil etmedeki yetkinliği havza çıkışındaki akımın doğru tahmin edilmesine bağlıdır. Bu da hidrolojik modeli kontrol eden parametrelerin kalibrasyonu ile sağlanmaktadır. Bu süreç, model akışları ile gözlenen akışlar arasındaki hataları minimum yapan parametrelerin belirlenmesine dayanan bir optimizasyon problemine dönüşmektedir. Bu nedenle, bazı optimizasyon algoritmalarının kullanılması tahmin edilen parametrelerin güvenirliğini arttırmaktadır. Hazırlanan bu çalışmada, meta-sezgisel optimizasyon tekniklerinden olan yabani ot algoritması (YOA) ve diferansiyel evrim algoritması (DEA) seçilmiş ve bunların üç parametreli hidrolojik bir modelin kalibrasyonunda değerlendirilmeleri sağlanmıştır. İki algoritmanın yakınsama performansları değerlendirilmiş ve algoritma yapılarının hidrolojik model kalibrasyonunda ne ölçüde kullanılabileceği sorgulanmıştır. Bulgulara göre, DEA algoritmasının hem kodlanabilirlik bakımından pratik hem de optimum çözümü bulmadaki yakınsama performansı açısından daha etkili olduğu tespit edilmiştir

The conceptual hydrological models are generally deterministic and lumped, and in these models, considering the water budget equations, it is provided that the hydrologic cycle elements are defined by means of several parameters. The usage of these models in water resources engineering field is such an important issue. These models are utilized in a variety of areas such as explaining the rainfall-runoff relations of a basin, filling the missing flow data and analyzing the possible impacts of climate change on flows. The ability of conceptual models in representing the rainfall-runoff relationship of a basin depends upon the accurate prediction of the total runoff in the basin outlet. This is achieved by calibrating the parameters controlling hydrological model. So, this procedure becomes an optimization problem based on determining parameters that minimize errors between modeled flows and observed flows. Thus, the use of some optimization algorithms will increase the reliability of the parameters to be calibrated. In the study presented, the invasive weed algorithm (IWA) and differential evolution algorithm (DEA), which are meta-heuristic based optimization techniques, were chosen and their evaluation in the calibration of a three parameter hydrological model example were provided. Convergence performances of these two algorithms were assessed and it was discussed how the algorithm constructions can be used in the hydrological model calibration. According to results, it has been found that the DEA algorithm is both more practical in terms of coding and more effective in terms of convergence performance in finding the optimum solution