Nehir akım tahmini için lstm-pso-doa tabanlı hibrit derin öğrenme ve optimizasyon yaklaşımı: Yeşilirmak havzası örneği
Lstm-pso-doa based hybrid deep learning and optimization approach for river flow estimation: The Yeşi̇lirmak basin example
- Tez No: 1018460
- Danışmanlar: DOÇ. DR. HÜSEYİN ÇAĞAN KILINÇ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Akım, Nehir akım verileri, Su ihtiyacı, Su kaynakları, Su kaynakları yönetimi, Su kirliliği, Su mühendisliği, Current, Stream flow data, Water need, Water resources, Water resources management, Water pollution, Water engineering
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İklim değişikliğinin neden olduğu hidrometeorolojik değişkenlik, hidrolojik zaman serilerinin modellenmesini zorlaştırmakta ve geleneksel yöntemler karmaşık zamansal ilişkileri yakalamakta yetersiz kalmaktadır. Bu çalışmada, günlük akış tahmini için Uzun Kısa Süreli Bellek (LSTM) tabanlı ve Parçacık Sürü Optimizasyonu (PSO) ve Rüya Optimizasyon Algoritması (DOA) algoritmalarıyla optimize edilmiş hibrit bir LSTM-PSO-DOA modeli önerilmiştir. Bu çalışmada, optimizasyon katmanlarının performansa katkısı, Sarsı, Kürtün ve Koşmasat istasyonlarından elde edilen günlük akış verileri kullanılarak değerlendirilmiştir. Performans değerlendirmesi, Kök Ortalama Kare Hatası (RMSE), Ortalama Mutlak Hata (MAE), Belirleme Katsayısı (R²), Nash-Sutcliffe Verimliliği (NSE), Kling-Gupta Verimliliği (KGE) ve bir sapma faktörünü içeren çok kriterli bir çerçeve kullanılarak gerçekleştirilmiştir. Araştırma sonuçları, Sarsı'nda LSTM modelinin 0,0608 RMSE ve 0,8423 R² değerine, LSTM-PSO modelinin 0,0601 RMSE ve 0,8460 R² değerine ulaştığını, LSTM-PSO-DOA modelinin ise 0,0591 RMSE ve 0,8510 R² değerleriyle en iyi sonuçları verdiğini göstermiştir. Kürtün'de en düşük hata, 0,6262 RMSE ve 0,7893 R² ile LSTM modeliyle elde edildi; LSTM-PSO modeli daha düşük performans gösterdi ve LSTM-PSO-DOA modeli daha dengeli sonuçlar üretti. Koşmasat durumunda, LSTM 0,1223 RMSE ve 0,8745 R², LSTM-PSO 0,0584 RMSE ve 0,9712 R² elde ederken, LSTM-PSO-DOA 0,0555 RMSE ve 0,9740 R² ile en yüksek doğruluğa ulaşarak önerilen yaklaşımın üstünlüğünü gösterdi.
Özet (Çeviri)
Hydrometeorological variability caused by climate change makes modeling hydrological time series challenging, and traditional methods are insufficient for capturing complex temporal relationships. In this study, a hybrid LSTM-PSO-DOA model optimized with Long Short-Term Memory (LSTM) based and Particle Swarm Optimization (PSO) and Dream Optimization Algorithm (DOA) algorithms is proposed for daily flow forecasting. In this study, the contribution of optimization layers to performance was evaluated using daily flow data from Sarsı, Kürtün, and Koşmasat stations. Performance evaluation was carried out using a multi-criteria framework including Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Coefficient of Determination (R²), Nash-Sutcliffe Efficiency (NSE), Kling-Gupta Efficiency (KGE), and a bias factor. The research results showed that in Sarsı, the LSTM model achieved RMSE of 0.0608 and R² of 0.8423, the LSTM-PSO model achieved RMSE of 0.0601 and R² of 0.8460, while the LSTM-PSO-DOA model yielded the best results with RMSE of 0.0591 and R² of 0.8510. In Kürtün, the lowest error was obtained with the LSTM model with RMSE of 0.6262 and R² of 0.7893, the LSTM-PSO model showed lower performance, and the LSTM-PSO-DOA model produced more balanced results. In the case of Koşmasat, LSTM achieved RMSE 0.1223 and R² 0.8745, LSTM-PSO achieved RMSE 0.0584 and R² 0.9712, while LSTM–PSO–DOA achieved the highest accuracy with RMSE0.0555 and R² 0.9740, demonstrating the superiority of the proposed approach.
Benzer Tezler
- Forecasting streamflow in Asi River using long-short term memory networks
Uzun-kısa süreli bellek ağları kullanarak Asi Nehri'nde akım tahmini
EBRU TARIM
Yüksek Lisans
İngilizce
2021
İnşaat MühendisliğiHasan Kalyoncu Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADEM YURTSEVER
DR. ÖĞR. ÜYESİ HÜSEYİN ÇAĞAN KILINÇ
- Makine öğrenmesi kullanılarak hidrolojik modelleme: fırtına deresi örneği
A hydrologi̇c modelli̇ng based on machi̇ne learni̇ng: firtina stream case
ENSAR EFENDİ CELEPCİ
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiBolu Abant İzzet Baysal ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BAYRAK
DR. ÖĞR. ÜYESİ ŞAFAK KAYIKÇI
- Yapay zeka teknikleri kullanarak pik nehir akımı ve yağış tahmini
Prediction of peak stream flow and rainfall using artificial intelligence techniques
EMRE ALTUNTAŞ
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiErciyes Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. LEVENT LATİFOĞLU
- Reconstruction of river flows by era5 reanalysis dataset and long short-term memory models
Era5 reanalı̇z verı̇ setı̇ ve uzun kısa sürelı̇ bellek modellerı̇ ı̇le nehı̇r akımlarının yenı̇den oluşturulması
İSMAİL ÜNLÜTÜRK
Yüksek Lisans
İngilizce
2024
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ERCAN
- Fırat- Dicle havzası için yapay zeka teknikleri ile günlük nehir akımı tahmini
Application of soft computing techniques in river flow modeling in the case of Euphrates-Tigris basin
SEFA NUR YEŞİLYURT
Yüksek Lisans
Türkçe
2022
İnşaat MühendisliğiErzincan Binali Yıldırım Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN YILDIRIM DALKILIÇ