Drought modeling and forecasting using emerging deep learning techniques
Yeni gelişen derin öğrenme tekniklerini kullanarak kuraklık modelleme ve tahmini
- Tez No: 885244
- Danışmanlar: DOÇ. DR. ALI DANANDEH MEHR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Antalya Bilim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Kuraklık, su kıtlığına yol açan uzun kurak dönemlerle tanımlanan, dünya su güvenliği ve ekosistem dayanıklılığı açısından önemli bir sorundur. Kuraklıkların stokastik tekrarı ve şiddetli sosyoekonomik etkileri nedeniyle, etkili su kaynakları yönetimi için kesin kuraklık modellemesi ve tahminleri gerekmektedir. Bu nedenle, kuraklık tahmin modellerinin tahmin doğruluğunu artırmak için sığ ve derin makine öğrenme tekniklerinin verimliliğinin araştırılması gerekmektedir. Bu makale sığ çok katmanlı algılayıcı (MLP) modelinin verimliliğini iki derin modelle araştırıyor ve karşılaştırıyor: iki gizli katmanlı MLP (bundan sonra TMLP olarak anılacaktır) ve Uzun Kısa Süreli Bellek (LSTM). Bu amaçla, kutsal şehir Kerbela yakınındaki uzun vadeli (1950'den 2024'e kadar) ızgara tabanlı aylık Standartlaştırılmış Yağış Evapotranspirasyon Endeksi (SPEI) veri kümeleri alındı ve tüm modelleri eğitmek ve test etmek için kullanıldı. Veri kıtlığı olan bu şehirdeki kuraklığın zamansal değişimini temsil etmek için yakındaki grid veri setlerinin aritmetik olarak ortalaması alındı. Temsili veri kümesi daha sonra eğitim ve test veri kümelerine ayrıldı. Bir ay sonraki SPEI tahmin senaryoları için optimum tahmin ediciler, SPEI ve gecikmeli vektörleri arasındaki karşılıklı bilgi yoluyla belirlendi. Araştırma başlangıçta nöron sayısını 1'den 10'a kadar değiştiren tek bir gizli katmanlı MLP modeli kullandı ve nöron sayısı arttıkça performansın arttığını (daha düşük RMSE ve daha fazla NSE) ve en iyi sonuçların 5 nöronda olduğunu buldu. Nöron sayısı 20'ye çıkarıldığında 14 nöronla maksimum verim elde edildi. İkinci bir gizli katman eklendiğinde, ilk katmanda 9, ikinci katmanda ise 6 nöron en iyi sonuçları verdi. Bu, aşırı uyumu önlemek ve performansı en üst düzeye çıkarmak için, nöron sayısı ve model karmaşıklığının dengelenmesine bağlı olan dikkatli hiperparametre ayarlaması ihtiyacını vurgulamaktadır. Karşılaştırmalı bir analizde araştırma, verilerdeki sıralı bağımlılıkları yakalamak için LSTM modellerini kullandı. 50 birimlik tek bir katmanın ardından gelen yoğun bir katmandan oluşan LSTM modeli, sıralı verileri tahmin etmede güçlü bir performans sergileyerek eğitim seti için 0,3631'lik bir RMSE ve 0,8427'lik bir NSE'ye ve eğitim seti için 0,3915'lik bir RMSE'ye ve 0,7881'lik bir NSE'ye ulaştı. test seti. Ancak sonuçlar, 14 gizli nörona sahip sığ MLP'nin, derin TMLP ve LSTM benzerlerinden biraz daha iyi performans gösterdiğini gösterdi. Bu nedenle, veri uzunluğu ve özellikleri dikkate alındığında, çalışılan alanda SPEI modellemesi için karmaşık derin öğrenme modellerinin kullanılması önerilmemektedir. Araştırmamız, LSTM modelleri gibi derin öğrenme metodolojilerinin uzun vadeli bağımlılıkları ve zamansal korelasyonları etkili bir şekilde yakalayabildiğini, sığ MLP gibi daha basit modellerin ise belirli senaryolarda daha iyi performans sağlayabildiğinin altını çiziyor. Bulgular, optimum tahmin performansı için uygun model mimarilerinin ve hiperparametrelerin seçilmesinin önemini vurgulamaktadır. Bu çalışmadan elde edilen bilgiler, paydaşların su kıtlığının ekosistemler, tarım ve toplum üzerindeki etkilerini daha iyi tahmin etmelerine ve azaltmalarına yardımcı olacak ve proaktif kuraklık yönetimi ve uyum önlemlerine katkıda bulunacaktır.
Özet (Çeviri)
Drought is a significant challenge to world water security and ecosystem resilience, defined by long dry periods leading to water scarcity. Because of the stochastic recurrence and severe socioeconomic impacts of droughts, precise drought modeling and forecasting are required for effective water resource management. Hence, exploring the efficiency of shallow and deep machine learning techniques to enhance predictive accuracy of drought forecasting models is necessary. This article investigates and compares the efficiency of a shallow multilayer perceptron (MLP) model with two deep models: a two-hidden layer MLP (hereafter TMLP) and Long Short-Term Memory (LSTM). To this end, long-term (1950 to 2024) grid-based monthly Standardized Precipitation Evapotranspiration Index (SPEI) datasets near the holy city of Karbala were retrieved and used to train and test all the models. The nearby grid data sets were averaged arithmetically to represent the temporal variation of drought across this data-scarce city. The representative dataset was then separated into training and testing datasets. The optimum predictors for one-month ahead SPEI forecasting scenarios were determined via mutual information between SPEI and its lagged vectors. The research initially used a single hidden layer MLP model, varying the number of neurons from 1 to 10, and found that performance improved (lower RMSE and greater NSE) as the number of neurons increased, with the best results at 5 neurons. When the range of neurons was expanded to 20, maximum efficiency was attained with 14 neurons. Adding a second hidden layer, 9 neurons in the first layer and 6 in the second produced the greatest results. This emphasizes the need for careful hyperparameter adjustment to prevent overfitting and maximize performance, which depends on balancing the number of neurons and model complexity. In a comparative analysis, the research utilized LSTM models to capture sequential dependencies in the data. The LSTM model, with a single layer of 50 units followed by a dense layer, demonstrated robust performance in predicting sequential data, achieving an RMSE of 0.3631 and an NSE of 0.8427 for the training set and an RMSE of 0.3915 and an NSE of 0.7881 for the testing set. However, the results showed that the shallow MLP with 14 hidden neurons slightly outperformed its deep TMLP and LSTM counterparts. Thus, the use of complex deep learning models is not suggested for SPEI modeling in the studied area, given the data length and characteristics. Our research underscores that while deep learning methodologies like LSTM models can effectively capture long-term dependencies and temporal correlations, simpler models like the shallow MLP can provide better performance in certain scenarios. The findings highlight the importance of selecting suitable model architectures and hyperparameters for optimal prediction performance. Understandings from this study will help stakeholders better predict and mitigate the effects of water shortages on ecosystems, agriculture, and society, contributing to proactive drought management and adaptation measures.
Benzer Tezler
- Hydrological modeling and forecasting using HEC-HMS soil moisture accounting for a snow dominated basin in Turkey
Türkiye'de kar ağırlıklı bir havzada HEC-HMS toprak nemi yöntemi kullanılarak hidrolojik modelleme ve tahmin
BAHLAKOANA DANIEL KIKINE
Yüksek Lisans
İngilizce
2017
İnşaat MühendisliğiAnadolu Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYNUR ŞENSOY ŞORMAN
- Çoruh Havzası'nda çok kriterli hidrolojik modelleme ve tahmin çalışması
Multi criteria hydrological modeling and forecasting study in Coruh basin
YUSUF OĞULCAN DOĞAN
Yüksek Lisans
Türkçe
2018
İnşaat MühendisliğiAnadolu Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ARDA ŞORMAN
- Dağlık Fırat havzasında ensemble tahmin sistemine dayalı hidrolojik modelleme
Hydrological modeling based on ensemble prediction system in the mountainous Euphrates basin
MUSTAFA CANSARAN ERTAŞ
Yüksek Lisans
Türkçe
2014
Mühendislik BilimleriAnadolu Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYNUR ŞENSOY ŞORMAN
- Drought prediction based on meteorological data using ensemble machine learning techniques
Topluluk tabanlı makine öğrenmesi teknikleri kullanılarak meteorolojik verilere dayalı kuraklık tahmini
ERTUĞRUL ÖZÜPEK
Yüksek Lisans
İngilizce
2024
MatematikGebze Teknik ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. NURİ ÇELİK
- Yukarı Aras Havzası'nda otomatik kalibrasyon yöntemi ile çok kriterli hidrolojik modelleme ve tahmin çalışması
Multi criteria hydrological modelling and forecasting study in upper aras basin
DİDEM ÖZKAN
Yüksek Lisans
Türkçe
2020
İnşaat MühendisliğiEskişehir Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ ARDA ŞORMAN