KaydedilenlerDerginizi ekleyin

Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2022 / Sayı: 41

Hibrit Parçacık Sürüsü Optimizasyonu ile Geçitli Tekrarlayan Birim Modeli Kullanılarak Nehir Akım Tahmini: Ceyhan Havzası Örneği

River Flow Forecasting Using the Gated Recurrent Unit Model with Hybrid Particle Swarm Optimization: The Case Study of Ceyhan Basin

Yunus ÖZTÜRK
Hüseyin Çağan KILINÇ
Ahmet POLAT
Sayfa
202–210
Yayın Tarihi
2022-11-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar karşılaştırıldığında hibrit modelin kıyaslama ve lineer regresyon modellerine göre daha başarılı sonuçlar verdiği gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Su kaynaklarının verimli bir şekilde kullanılmasının en önemli yöntemlerinden biri havza bazlı yönetimin etkin bir şekilde gerçekleştirilmesidir.
📊
Temel Bulgular & Veri:Çalışmada Ceyhan Havzasının farklı kolları üzerinde yer alan Fırnız Deresi ve Aksu Çayı akım gözlem istasyonlara ait 2001-2010 yıllarına ait günlük akış verileri kullanılmıştır.
💡
Sonuç & Katkı:Sonuçlar karşılaştırıldığında hibrit modelin kıyaslama ve lineer regresyon modellerine göre daha başarılı sonuçlar verdiği gözlemlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2001-2010 Verileri
⚙️Değişkenler:parçacık sürüsü algoritması · nehir akımı · kapılı tekrarlayan birim

Özet

Su kaynaklarının verimli bir şekilde kullanılmasının en önemli yöntemlerinden biri havza bazlı yönetimin etkin bir şekilde gerçekleştirilmesidir. Su kaynaklarının sürdürülebilir olması, nehir akım tahminlerinin önemini ortaya koymaktadır. Bu çalışmada, nehir akım tahminine yardımcı olabilecek hibrit model kullanılmıştır. Derin öğrenme modellerinden olan kapılı tekrarlayan birim ve (GRU) ve parçacık sürüsü algoritması (PSO) hibritlenmiştir. Çalışmada Ceyhan Havzasının farklı kolları üzerinde yer alan Fırnız Deresi ve Aksu Çayı akım gözlem istasyonlara ait 2001-2010 yıllarına ait günlük akış verileri kullanılmıştır. İstasyon verileri kıyaslama modeli (GRU) hibrit model (PSO-GRU) ve klasik yöntemlerden olan lineer regresyon (LR) ile kıyaslanmıştır. Sonuçlar karşılaştırıldığında hibrit modelin kıyaslama ve lineer regresyon modellerine göre daha başarılı sonuçlar verdiği gözlemlenmiştir. Ayrıca değerlendirme kriterlerinden olan RMSE, MAE, MAPE, SD ve R2 değerlerine göre de hibrit model bu başarıyı doğrulamıştır

Abstract

One of the most important methods of efficient use of water resources is the effective implementation of watershed-based management. The sustainability of water resources reveals the importance of stream flow estimations. In this study, a hybrid model was proposed to river flow estimation. Deep learning methods named, gated recurrent unit (GRU) and particle swarm algorithm (PSO), are hybridized. In the study, daily flow data of the Fırnız River and Aksu River, flow measurement stations, which are located on different branches of the Ceyhan Basin, were used with the timespan of 2001-2010. Benchmark model (GRU) was compared with hybrid model (PSO-GRU) and linear regression (LR) which is one of the classical methods. Once the results were compared, it was observed that the hybrid model was more successful than the comparison and linear regression models. In addition, the hybrid model confirmed this success according to the RMSE, MAE, MAPE, SD and R2 values, which are among the evaluation criteria.

🔖

Bu Makaleye Atıf Yap

ÖZTÜRK, Y., KILINÇ, H. Ç., POLAT, A. (2022). Hibrit Parçacık Sürüsü Optimizasyonu ile Geçitli Tekrarlayan Birim Modeli Kullanılarak Nehir Akım Tahmini: Ceyhan Havzası Örneği. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 41, 202–210. https://ajindex.com/articles/875508

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Zhou, S.; Song, C.; Zhang, J.; Chang, W.; Hou, W.; Yang, L. A Hybrid Prediction Framework for Water Quality with Integrated W-ARIMA-GRU and LightGBM Methods. Water 2022, 14, 1322. https://doi.org/10.3390/w14091322
  2. Akdeğirmen, Ö. (2019). SCS Curve Number ve Soil Moisture Accounting Yöntemleriyle HEC-HMS Havza Modellemesi: Alaşehir Havzası Örneği. Yüksek lisans Tezi. İzmir, Türkiye: İzmir Yüksek Teknoloji Üniversitesi.
  3. Xu, Z., Zhou, J., Mo, L., Jia, B., Yang, Y., Fang, W., Qin, Z. (2021). A Novel Runoff Forecasting Model Based on the Decomposition-IntegrationPrediction Framework. Water, 13, 3390. https://doi.org/10.3390/ w13233390 Bittelli, M., Tomei, F., Pistocchi, A., Flury, M., Boll, J., Brooks, E.S., Antolini, G. (2010). Development and testing of a physically based, three-dimensional model of surface and subsurface hydrology. Adv. Water Resour. 33, 106–122. https://doi.org/10.1016/j.advwatres.2009.10.013
  4. Kilinc, H.C.; Haznedar, B. (2022). Hybrid Model for Streamflow Forecasting in the Basin of Euphrates. Water, 14, 80. https://doi.org/10.3390/w14010080
  5. Chen, L.; Sun, N.; Zhou, C.; Zhou, J.; Zhou, Y.; Zhang, J.; Zhou, Q. (2018). Flood Forecasting Based on an Improved Extreme Learning Machine Model Combined with the Backtracking Search Optimization Algorithm. Water, 10, 1362. https://doi.org/10.3390/w10101362
  6. Sun, N., Zhang, S., Peng, T., Zhang, N., Zhou, J., Zhang, H. (2022). Multi-Variables-Driven Model Based on Random Forest and Gaussian Process Regression for Monthly Streamflow Forecasting. Water, 14, 1828. https://doi.org/10.3390/ w14111828 Mosavi, A., Ozturk, P., Chau, K. W. (2018). Flood Prediction Using Machine Learning Models: Literature Review. Water, 10, 1536. https://doi.org/10.3390/w10111536
  7. B. Bunday, Basic Optimization Methods, London: Edward Arnold Ltd, 1984.
  8. Çelik, Y., Yıldız, İ., Karadeniz, A. T. (2019). Son Üç Yılda Geliştirilen Metasezgisel Algoritmalar Hakkında Kısa Bir İnceleme, Avrupa Bilim ve Teknoloji Dergisi, 463-477. https://doi.org/10.31590/ejosat.638431
  9. Samanataray, S., Sahoo, A. (2021). A Comparative Study on Prediction of Monthly Streamflow Using Hybrid ANFIS-PSO Approaches. KSCE Journal of Civil Engineering, 25(10), 4032–4043. https://doi:10.1007/s12205-021-2223-y
  10. Chaudhury, S., Samantaray, S., Sahoo, A., Bhagat, B., Biswakalyani, C., Satapathy, D.P. (2022). Hybrid ANFIS-PSO Model For Monthly Precipitation Forecasting. In: Bhateja, V., Tang, J., Satapathy, S.C., Peer, P., Das, R. (eds) Evolution in Computational Intelligenc