Standardize yeraltı suyu indisinin makine öğrenmesi ve veriayrıştırma teknikleri kullanılarak modellenmesi

Çalışma kapsamında Erzincan ilindeki yeraltı suyu indisi (SGI) değerlerinin tahmini için Tekil Spektrum Analizi (SSA), Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (ANFIS), Kategorik Artırma (CatBoost), Evrişimsel Sinir Ağı (CNN), Otokodlayıcı (Autoencoder), Derin Sinir Ağı (DNN), Kapılı Tekrarlayan Birim (GRU) ve Uzun Kısa Süreli Bellek (LSTM) modelleri kullanılmıştır. SSA veri ayrıştırma tekniği ile yenilikçi derin öğrenme ve makine öğrenmesi yaklaşımları birleştirilerek SGI tahmin performansı üzerine etkisi değerlendirilmiştir. SSA ile yağış, rölatif nem, sıcaklık ve gecikmeli SGI değerlerine ait trend, mevsimsellik, döngüsellik ve gürültü gibi farklı bileşenlere ayırılmış ve bu bileşenler AI modellerine sunularak hibrit yaklaşımlar kurulmuştur. Model performansı çeşitli istatistiksel metriklere ve grafiklere göre analiz edilmiştir. Sonuç olarak tüm alt bileşenlerin AI modeline girdi olarak kullanılması ile kurulan hibrit yaklaşımlar aylık SGI tahmin doğruluğunu çoğunlukla artırırken, 12 aylık SGI tahminlerini ise artış ve azalışlar gözlenmiştir. Ayrıca gürültü bileşenlerinin atılarak kurulan SGI tahmin performansının ve modelin genelleme yeteneğinin arttığı dikkat çekmiştir. Ek olarak yapay sinir ağları ve bulanık mantık sistemlerini birleştiren hibrit ANFIS yaklaşımının yeraltı suyu kuraklığının en iyi tahmin eden model olduğunun ortaya çıkarmaktadır. Tahmin modellerinde en etkili parametrenin ortaya çıkarılması için ANFIS tahmin çıktılarına Sobol duyarlılık analizi uygulanmıştır. Buna göre SGI 1 (t) değerlerinin tahmininde rölatif nem ve SGI-1 (t-1) değerlerin en yüksek etkiye sahip olduğu saptanmıştır. Anahtar Kelimeler: derin öğrenme, kuraklık, standardize yeraltı suyu indisi, sobol duyarlılık analizi, tahmin

In this study, Singular Spectrum Analysis (SSA), Adaptive Neural Fuzzy Inference System (ANFIS), Categorical Boosting (CatBoost), Convolutional Neural Network (CNN), Autoencoder, Deep Neural Network (DNN), Gated Recurrent Unit (GRU) and Long Short Term Memory (LSTM) models were used to predict groundwater index (SGI) values in Erzincan province. The SSA data parsing technique was combined with innovative deep learning and machine learning approaches to evaluate its impact on SGI forecast performance. With SSA, rainfall, relative humidity, temperature and lagged SGI values are separated into different components such as trend, seasonality, cyclical components and noise, and these components are presented to artificial intelligence models and hybrid approaches are established. Model performance is analyzed according to various statistical metrics and graphs. As a result, hybrid approaches with all sub-components as inputs to the artificial intelligence model mostly increase the monthly SGI forecast accuracy, while increases and decreases are observed in the 12-month SGI forecasts. It was also noted that the SGI prediction performance and generalization ability of the model increased by removing noise components. In addition, it is revealed that the hybrid ANFIS approach combining artificial neural networks and fuzzy logic systems is the best predictor of groundwater drought. In order to reveal the most effective parameter in the prediction models, Sobol sensitivity analysis was applied to ANFIS prediction outputs. Accordingly, relative humidity and SGI-1 (t-1) values were found to have the highest effect on the prediction of SGI-1 (t) values. Keywords: deep learning, drought, standardized groundwater index, sobol sensitivity analysis, forecasting