Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightElde edilen bulgular, bu tür hibrit yaklaşımların akıllı şehir yönetimi ve sürdürülebilir kaynak planlama sistemlerine entegre edilebilirliğini kanıtlamaktadır.
📌 3 Maddede Bu Makale
Özet
Akarsu akımlarının doğru bir şekilde tahmin edilmesi su kaynakları yönetimi, taşkın kontrolü ve hidrolojik planlama açısından büyük önem taşımaktadır. Doğru akım tahminleri sadece teknik bir veri değil enerji üretimi, tarımsal planlama ve afet yönetimi gibi kritik sektörlerde stratejik karar verme süreçlerinin iyileştirilmesi için hayati bir bileşendir. Son yıllarda makine öğrenmesi ve derin öğrenme tabanlı yöntemler, hidrolojik zaman serilerinin modellenmesinde yaygın olarak kullanılmakta ve klasik istatistiksel yöntemlere göre daha başarılı sonuçlar verebilmektedir. Bu çalışma, su kaynakları yönetiminde karşılaşılan belirsizlikleri minimize etmek amacıyla, veri güdümlü karar destek mekanizmalarına temel teşkil edecek derin öğrenme tabanlı hibrit bir yaklaşım sunmaktadır. Çalışmada günlük akım tahmini amacıyla doğrusal regresyon, Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ve Kapılı Tekrarlayan Birim (Gated Recurrent Unit, GRU) modellerinin performansları karşılaştırılmış ve derin öğrenme tabanlı modellerin birleştirilmesine dayanan hibrit bir model yaklaşımı önerilmiştir. Model giriş değişkenleri oluşturulurken akım serisinin geçmiş davranışını temsil edebilmek amacıyla maksimum yedi günlük gecikme değerleri dikkate alınmıştır. Modellerin performansı Determinasyon Katsayısı (R²), Nash–Sutcliffe Verimlilik Katsayısı (NSE), Kling–Gupta Verimlilik Katsayısı (KGE), Ortalama Hata Sapması (MBE), Yüzdesel Sapma (PBIAS) ve Willmott uyum katsayısı (d) kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, doğrusal regresyon modeline kıyasla derin öğrenme tabanlı modellerin daha yüksek tahmin doğruluğu sağladığını göstermiştir. Tekil modeller arasında GRU modelinin en iyi performansı sergilediği belirlenmiştir. Bununla birlikte çalışmada önerilen LSTM–GRU hibrit modelin Karesel Ortalama Hata (RMSE) ve Ortalama Mutlak Hata (MAE) değerlerinde daha düşük hata üretmesi ve R 2 , NSE ve Willmott d değerlerinde daha yüksek uyum sağlaması nedeniyle en başarılı model olduğu görülmüştür. Elde edilen bulgular, bu tür hibrit yaklaşımların akıllı şehir yönetimi ve sürdürülebilir kaynak planlama sistemlerine entegre edilebilirliğini kanıtlamaktadır.
Abstract
Accurate prediction of streamflow is of great importance for water resources management, flood control, and hydrological planning. Accurate streamflow predictions are not only technical data but also a vital component for improving strategic decision-making processes in critical sectors such as energy production, agricultural planning, and disaster management. In recent years, machine learning and deep learning-based methods have been widely used in the modeling of hydrological time series and can provide more successful results compared to classical statistical methods. This study presents a deep learning-based hybrid approach that will form the basis of data-driven decision support mechanisms in order to minimize uncertainties encountered in water resources management. In the study, the performances of Linear Regression, Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU) models were compared for daily streamflow prediction, and a hybrid model approach based on the integration of deep learning-based models was proposed. While constructing the model input variables, lag values of up to seven days were considered in order to represent the past behavior of the streamflow series. The performances of the models were evaluated using the Coefficient of Determination (R²), Nash–Sutcliffe Efficiency Coefficient (NSE), Kling–Gupta Efficiency Coefficient (KGE), Mean Bias Error (MBE), Percent Bias (PBIAS), and Willmott’s Index of Agreement (d). The obtained results showed that deep learning-based models provided higher prediction accuracy compared to the linear regression model. Among the individual models, the GRU model was determined to exhibit the best performance. However, the proposed LSTM–GRU hybrid model was found to be the most successful model due to producing lower RMSE and MAE values and providing higher agreement in terms of R 2 , NSE, and Willmott’s d values. The obtained findings demonstrate the integrability of such hybrid approaches into smart city management and sustainable resource planning systems.