Rezervuar Su Kapasitesini Tahmin Etmeye Yönelik Makine Öğrenmesi Modellerinin Karşılaştırılması: Mamasin Baraji Örneği, Türkiye

Özer Ö., Çıtakoğlu H., Aktürk G.

4th International Congress on Engineerıng and Sciences, İstanbul, Türkiye, 27 - 28 Temmuz 2024, ss.498

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.498
  • Erciyes Üniversitesi Adresli: Evet

Özet

Rezervuar su kapasitesinin tahmin edilmesi, sel ve taşkın yönetim çalışmalarına yardımcı olmaktadır. Rezervuar su kapasitesi iklim özellikleri ve insan faaliyetleri gibi değişkenlere bağlı olduğundan tahmin edilmesi zordur. Bu sebeple, rezervuar su kapasitesi tahmini için güvenilir modellere ihtiyaç vardır. Bu çalışmada, Mamasın Barajı’na ait 2010􀇦2023 yılları arasındaki aylık rezervuar su kapasitesi verilerinden yararlanılmış olup, 2010-2019 yılları arasındaki veriler eğitim verisi ve 2020-2023 yılları arasındaki veriler ise test verisi olarak kullanılmıştır. Yapılan analizlerde, giriş değişkenleri olarak t-1, t-2 ve t-3 gecikme zamanlarındaki su kapasitesi değerleri kullanılarak, t çıkış zamanındaki su kapasitesi yaklaşık olarak hesaplanmıştır. Bu çalışmanın amacı, su kapasitesini tahmin etmede makine öğrenme tekniklerinin etkinliğinin karşılaştırılması olup, çalışma kapsamında Gauss Süreç Regresyonu (GPR) algoritması, Destek Vektör Regresyonu (SVR), En Küçük Kareler Destek Vektör Regresyonu (LSSVR) ve Uzun-Kısa Süreli Bellek (LSTM) makine öğrenme teknikleri tercih edilmiştir. Model performansı ise Hata Kareler Ortalamasının Karekökü (RMSE), Göreli Hata Kareler Ortalamasının Karekökü (RRMSE), Determinasyon Katsayısı (R2), Model Performansının Genel İndeksi (OI) ve Nash-Sutcliffe Etkinlik Katsayısı (NSE) metrikleri kullanılarak değerlendirilmiştir. Performans değerlendirmesi, en iyi sonuçları LSTM modelinin ürettiğini göstermiştir (R2= 0,9515, NSE= 0,8442, OI= 0,8742, RRMSE=10,6521, RMSE=3,4911) etmek için LSTM modelinin güvenilir bir yöntem olduğu saptanmıştır. Ayrıca, SVR modelinin performansının da düşük olduğu gözlemlenmiştir. Dört makine öğrenme modelinin performansları, geleneksel performans ölçümlerine ek olarak Taylor, Violin ve Hata Kutu Grafiği diyagramları kullanılarak grafiksel olarak karşılaştırılmıştır. Sonuçta, görsel kriterler ile klasik performans kriterlerinin birbirini desteklediği tespit edilmiştir.

Anahtar Kelimeler: Baraj, GPR, SVR, LSTM, LSSVR, Türkiye