Akademik Veri Yönetim Sistemi
3 rd International Symposium of Engineering Applications on Civil Engineering and Earth Sciences 2021 (IEACES2021), Karabük, Türkiye, 22 - 24 Eylül 2021, ss.36-44
t Su canlı yaşamının devamının sağlanabilmesi için zorunlu olan doğal kaynakların başında gelmektedir.
Bu nedenle su kaynaklarının yönetimi, su talebinin karşılanması, tarım ve endüstri faaliyetleri, sel ve kuraklık
gibi doğal afetlerin engellenmesi, bu afetlere karşı önlem alınması gibi durumlar oldukça önemlidir. Nehir
akımı tahmini de bu faaliyetlerin gerçekleştirilebilmesi için araştırılmaya ve geliştirilmeye ihtiyaç duyan bir
konu haline gelmiştir. Ancak nehir akımı için tek bir yöntem mevcut değildir, bu nedenle de daha iyi sonucun
elde edilebilmesi için sürekli olarak yeni yöntemler geliştirilmekte veya mevcut yöntemler geliştirilmektedir. Bu
çalışmada da Dicle Havzasında yer alan üç istasyona ait akım verileri için öncelikle oto-korelasyon durumu
incelenmiş sonrasında da zayıf tahmin modellerinin bir araya gelmesi ile güçlü karar ağalarının oluşturulduğu
Gradient Boosting algoritması (Gradient Boosting Machine- GBM) ve GBM algoritmasının çeşitli
düzenlemeler ile optimize edilmiş hali olan Extreme Gradient Boosting (XGBoost) algoritmaları kıyaslanmıştır.
Ayrıca XGBoost ve GBM algoritmalarının hiperparametreleri optimize edilerek hem aşırı öğrenme (overfitting)
sorununu ortadan kaldırmaya hem de en iyi sonuca ulaşılmaya çalışılmıştır. Model performaslarının
değerlendirilmesi için ise en sık kullanılan ve doğruluğu test edilmiş olan metrikler olan RMSE (Root Mean
Square Error), MAE (Mean Absolute Error) ve korelasyon katsayısı R kullanılmıştır. Bu metriklerin hepsi
model performansı için eşit düzeyde anlamlılık ifade ettiği için rank analizi yapılarak en iyi model yapısının ve
veri kombinasyonun bulunması amaçlanmıştır. Yapılan çalışma sonucunda her iki algoritmanın da nehir akımı
modellemesi için yeterli olduğu ancak XGBoost modelinin daha iyi performans gösterdiği sonucuna
ulaşılmıştır.