Integrating hybrid boosting machine learning models for enhanced streamflow projections acroos CMIP6 SSP climate scenarios: A hydrological perspective
Hibrit boosting makine öğrenmesi modellerinin entegre edilmesiyle CMIP6 SSP iklim senaryoları kapsamında geliştirilmiş akım projeksiyonları: Hidrolojik bir bakış
- Tez No: 970705
- Danışmanlar: PROF. DR. AYTAÇ GÜVEN
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İklim değişikliği koşullarında etkili su kaynakları yönetimi giderek daha fazla doğru hidroloji tahminlere bağlı hale gelmektedir. Bu çalışma, aylık akım tahminini geliştirmek amacıyla Ridge Regresyonu, Destek Vektör Makineleri (SVM) ve Gen İfade Programlama (GEP) gibi geleneksel yöntemlerle CatBoost, LightGBM, XGBoost ve Random Forest (RF) gibi gelişmiş makine öğrenimi (ML) modellerini karşılaştırmaktadır. Temel hedef, tek bir modele bağımlı kalmadan tahmin doğruluğunu artırmaktır. Performans, geçmiş verilere dayanarak RMSE, MAE ve NSE gibi istatistiksel ölçütlerle değerlendirilmiştir. Boosting algoritmaları, özellikle LightGBM, geleneksel modellere ve RF'ye kıyasla daha yüksek doğruluk göstermiştir. Ancak en iyi sonuçlar, her ay için en doğru modeli seçen hibrit yaklaşımla elde edilmiştir; bu da model esnekliğinin avantajını ortaya koymuştur. Bu sonuçlara dayanarak, NorESM2 iklim modelinden elde edilen verilerle desteklenen CMIP6 iklim senaryoları altında hibrit model kullanılarak geleceğe yönelik akım projeksiyonları yapılmıştır. Senaryolara göre değişen eğilimler, iklim değişikliğinin hidrolojik etkilerine dair önemli içgörüler sunmuştur. Bu çalışma, hibrit stratejilerle birden fazla ML tekniğinin birleştirilmesinin ve iklim projeksiyonlarının entegrasyonunun tahmin performansını artırmadaki potansiyelini vurgulamaktadır. Bulgular, iklim dirençli su yönetimi alanında çalışan araştırmacılar ve karar vericiler için pratik değer taşımaktadır.
Özet (Çeviri)
Effective water resource management increasingly depends on accurate hydrologic forecasting, especially under climate change. This study explores monthly streamflow prediction using both traditional methods such as Ridge Regression, Support Vector Machines (SVMs), and Gene Expression Programming (GEP) and advanced machine learning (ML) models, including CatBoost, LightGBM, XGBoost, and Random Forest (RF). The primary goal is to improve forecast accuracy without relying on a single model. Performance was assessed using historical data through metrics like RMSE, MAE, and NSE. Boosting algorithms, particularly LightGBM, showed superior accuracy over traditional models and RF. However, the best results were achieved through a hybrid approach that selected the most accurate model for each month, demonstrating the advantage of model flexibility. Building on this, future streamflow projections were generated using the hybrid model under CMIP6 climate scenarios with input from the NorESM2 climate model. These projections revealed varying discharge trends across scenarios, offering important insights into the hydrological impacts of climate change. This study highlights the potential of combining multiple ML techniques through a hybrid strategy and incorporating climate projections to enhance forecasting performance. The findings offer practical value for researchers and decision-makers working on climate-resilient water management.
Benzer Tezler
- Akilli ulaşim sistemlerinde trafik akışı tahmini için LSTM ve gradyan yükseltme ile hibrit bir topluluk yaklaşımı
A hybrid ensemble approach with LSTM and gradient boosting for traffic flow prediction in intelligent transportation systems
SUFIAN HAMID SALIH AL JUMAILI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDÜL KADİR GÖRÜR
- Kentsel genişlemenin makine öğrenmesi yöntemleri ile irdelenmesi
Investigation of urban expansion using machine learning methods
ZELALEM GETACHEW AYALKE
Doktora
Türkçe
2025
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. AZİZ ŞİŞMAN
- Improvıng the predıctıon of oıl and gas productıon usıng artıfıcıal ıntellıgence algorıthms
Yapay zeka algoritmalarını kullanarak petrol ve gaz üretim tahminlerinin iyileştirilmesi
AZHAR NAJI MUHAJIR ALYAHYA
Yüksek Lisans
İngilizce
2025
EnerjiSakarya ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. GÜLÜZAR ÇİT
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- WRF modeli ve makine öğrenmesi kullanılarak rüzgar enerjisi üretiminin tahmini: Akhisar bölgesi uygulaması
Wind energy production forecasting using WRF model and machine learning: A case study for the Akhi̇sar region
MELİKE ANDUV
Yüksek Lisans
Türkçe
2026
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ