AI Summary & Key Takeaways
AI InsightExperimental results indicate that feature extraction based on wavelet transforms increases the prediction precision for all machine learning algorithms in comparison with raw data inputs.
📌 3 Key Takeaways
Abstract
Accurate forecasting of streamflows is crucial for water resources management, flooding, and climate-resilient hydrology. However, the nonlinear and nonstationary properties of hydrological series often limit the forecasting capabilities of conventional data-based techniques. This study presents a hybrid wavelet-machine learning framework for the prediction of monthly streamflows in the Karamandere Creek Basin (Türkiye) based on the combination of Discrete Wavelet Transform (DWT) and five supervised machine learning techniques, including Decision Tree (DT), Linear Regression (LR), Random Forest (RF), Extra Trees (ET), and Support Vector Regression (SVR). The effect of feature representation through multiple resolution levels on the quality of predictions was investigated for two wavelet families, Daubechies (db4) and Symlet (sym8). Hydro-meteorological daily measurements like streamflow, precipitation, and temperature obtained from 2005 to 2020 were aggregated to monthly values and further sequentially partitioned into training (154 samples) and test (36 samples) datasets in order to preserve time consistency. Model efficiency assessment was performed using the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE). Experimental results indicate that feature extraction based on wavelet transforms increases the prediction precision for all machine learning algorithms in comparison with raw data inputs. In comparison with the considered approaches, the Random Forest approach coupled with Symlet wavelet features demonstrated the best predictive performance (R² = 0.92), slightly outperformed by the Extra Trees approach (R² = 0.91). Among other techniques, the Support Vector Regression technique displayed the greatest improvement rate in prediction accuracy due to the wavelet transformation of features, as the R² score increased from 0.65 to 0.88. The comparison proves the superiority of the Symlet wavelets in terms of signal decomposition compared to Daubechies wavelets because of their smoothness and interpretability. Thus, the proposed approach confirms that the multiresolution approach to feature extraction helps enhance the robustness and generalization capacity of machine learning models for predicting the streamflow.
Özet
Akarsu debilerinin doğru tahmin edilmesi, su kaynakları yönetimi, sel ve iklim değişikliğine dayanıklı hidroloji için çok önemlidir. Bununla birlikte, hidrolojik serilerin doğrusal olmayan ve durağan olmayan özellikleri, geleneksel veri tabanlı tekniklerin tahmin yeteneklerini sıklıkla sınırlandırmaktadır. Bu çalışma, Karamandere Deresi Havzası'nda (Türkiye) aylık akarsu debilerinin tahmin edilmesi için, Ayrık Dalgacık Dönüşümü (DWT) ve Karar Ağacı (DT), Doğrusal Regresyon (LR), Rastgele Orman (RF), Ekstra Ağaçlar (ET) ve Destek Vektör Regresyonu (SVR) dahil olmak üzere beş denetimli makine öğrenme tekniğinin birleştirilmesine dayalı hibrit bir dalgacık-makine öğrenme çerçevesi sunmaktadır. Çoklu çözünürlük seviyeleri aracılığıyla özellik temsilinin tahmin kalitesi üzerindeki etkisi, Daubechies (db4) ve Symlet (sym8) olmak üzere iki dalgacık ailesi için incelenmiştir. 2005-2020 yılları arasında elde edilen akış, yağış ve sıcaklık gibi hidrometeorolojik günlük ölçümler aylık değerlere dönüştürüldü ve zaman tutarlılığını korumak amacıyla sırasıyla eğitim (154 örnek) ve test (36 örnek) veri kümelerine ayrıldı. Model verimliliği değerlendirmesi, belirleme katsayısı (R²), kök ortalama kare hatası (RMSE) ve ortalama mutlak hata (MAE) kullanılarak gerçekleştirildi. Deneysel sonuçlar, dalgacık dönüşümlerine dayalı özellik çıkarımının, ham veri girdilerine kıyasla tüm makine öğrenme algoritmaları için tahmin doğruluğunu artırdığını göstermektedir. Ele alınan yaklaşımlarla karşılaştırıldığında, Symlet dalgacık özellikleriyle birleştirilmiş Rastgele Orman yaklaşımı en iyi tahmin performansını (R² = 0,92) gösterirken, Ekstra Ağaçlar yaklaşımı (R² = 0,91) biraz daha iyi performans sergiledi. Diğer teknikler arasında, Destek Vektör Regresyonu tekniği, özelliklerin dalgacık dönüşümü nedeniyle tahmin doğruluğunda en büyük iyileşme oranını gösterdi; R² puanı 0,65'ten 0,88'e yükseldi. Bu karşılaştırma, Symlet dalgacıklarının sinyal ayrıştırma açısından Daubechies dalgacıklarına kıyasla daha düzgün ve yorumlanabilir olmaları nedeniyle üstünlüğünü kanıtlamaktadır. Dolayısıyla, önerilen yaklaşım, özellik çıkarımına yönelik çok çözünürlüklü yaklaşımın, akış tahminine yönelik makine öğrenimi modellerinin sağlamlığını ve genelleme kapasitesini artırmaya yardımcı olduğunu doğrulamaktadır.