ÖZNİTELİK SEÇİM METOTLARININ AKARSU AKIŞ TAHMİNİNDE ARAŞTIRILMASI VE UYGULANMASI

Abstract

Bu çalışmada büyük bir su havzasındaki akış istasyonlarının veri odaklı modellerinin oluşturulması istenildiğinde, havzada bulunan farklı türlerden pek çok istasyon içerisinden giriş değişkeni seçimi – öznitelik seçimi – problemine yoğunlaşılmıştır. Mevcut literatürde kullanılan yöntemler ile sınırlı sayıda istasyonun modellenmesinde (<4), yine sınırlı sayıda (<20) özniteliğin bulunduğu bir veri kümesi içerisinden seçim yapılmaktadır. Çalışılmış problemin çözümünde kullanılmaları durumunda ise, ciddi anlamda zaman ve hesaplama maliyeti gerektirmektedirler. Dolayısıyla, büyük bir havzanın modellenmesi istenilen bir durumda, öznitelik seçimi için yetersiz kalmaktadırlar. Çalışmada istasyonlar arasındaki coğrafi mesafenin bir metrik olarak kullanılması fikrine dayanan “Baloncuk Seçimi” isminde yeni bir öznitelik seçim algoritması önerilmiştir. Algoritmanın performansının değerlendirilebilmesi için, Avusturya’ ya ait 540 akış istasyonunu yapay sinir ağları kullanılarak modellenmiştir. Öznitelik seçim algoritmasının her bir modellenecek istasyon için akış, su seviyesi, yağış, yeni kar ve toplam kar derinliği türünden 2412 istasyona ait gözlemlenmiş değerlerin birer günlük gecikmeli değerleri arasından seçim yapması gerekmektedir. Önerilen algoritma yardımı ile öznitelik kümesinin kardinalitesi önemli ölçüde azaltılmıştır (<22). Baloncuk seçimi algoritması, sıralı ileri yönlü (sequnetial forward selection) algoritması ile etkileşimli bir biçimde çalışması ile de öznitelik seçim işlemi gerçekleştirilmiştir. Hibrit yöntemin tahmin edici performansı ile karşılaştırılabilmek için Filtre Sıralama (Filter Rank) metodu seçilmiştir. Her iki yöntemin performanslarının karşılaştırılabilmesi için determinasyon katsayısı, Nash-Sutcliffe Efficiency ve percent bias performans ölçer olarak kullanılmıştır. Sonuçlar önerilen hibrit algoritmanın filtre sıralama algoritmasına üstünlüğünü göstermektedir. Tez yeni bir öznitelik seçim algoritması önermenin yanı sıra, büyük bir havzanın seçilmiş bir makine öğrenmesi metodunun ile modellenebilmesi için bir yöntem sunar ve bu şartlar altında bir öznitelik seçim algoritmasının sahip olması gereken bazı becerileri ortaya koyar.