Impact of Seasonality on Streamflow Estimating Performance

Abstract

Streamflow estimation is crucial for the management and sustainability of water resources. These estimations provide essential information for effective planning, utilization, and conservation of water resources. Understanding changes in water regimes due to climate change is possible with streamflow forecasts. These forecasts are an important tool to assess the impacts of climate change on water resources and to develop appropriate adaptation strategies. In this study, the predictability of the monthly streamflow of Üstünler observation station D16A015 in Konya Closed Basin (KCB) was studied with the Generalized Regression Neural Networks (GRNN) method. For this purpose, six GRNN models including different input combinations were established. The effect of seasonality on the prediction success of the models was also evaluated. The success of GRNN models in flow forecasting was evaluated using four metrics: root mean square error (RMSE), mean absolute error (MAE), determination coefficient (R2 ), and Nash-Sutcliffe efficiency coefficient (NSE). The results showed that GRNN models in which monthly time steps are included in the input parameter are more successful. The most successful monthly streamflow forecasts were obtained with RMSE=0.496 m3 /s, MAE=0.822 m3 /s, R2 =0.665, and NSE=0.660 in the M1 scenario where monthly average temperature (T), monthly total precipitation (P) and monthly time steps (MTS) were used as input.

Su kaynaklarının yönetimi ve sürdürülebilirliği için nehir akım tahmini oldukça önemlidir. Bu tahminler, su kaynaklarının etkili bir şekilde planlanması, kullanılması ve korunması için temel bir bilgi sağlar. İklim değişikliği nedeniyle su rejimlerindeki değişiklikleri anlamak, nehir akım tahminleri ile mümkündür. Bu tahminler, iklim değişikliğinin su kaynakları üzerindeki etkilerini değerlendirmek ve uygun adaptasyon stratejilerini geliştirmek adına önemli bir araçtır. Bu çalışmada Konya Kapalı Havzasındaki (KCB) D16A015 nolu Üstünler gözlem istasyonunun aylık akımlarının Genelleştirilmiş Regresyon Sinir Ağları (GRNN) metodu ile tahmin edilebilirliği çalışılmıştır. Bu amaçla farklı input kombinasyonlarını içeren 6 GRNN modeli kurulmuştur. Kurulan modellerde mevsimsellik etkisinin tahmin başarısındaki etkisi de değerlendirilmiştir. Akım tahmininde GRNN modellerinin başarısı karekök ortalama karesel hata (RMSE), ortalama mutlak hata (MAE), determinasyon katsayısı (R2 ) ve Nash–Sutcliffe verimlilik katsayısı (NSE) olmak üzere dört metrik kullanılarak değerlendirilmiştir. Elde edilen sonuçlar aylık zaman adımlarının input parametresine dahil edildiği GRNN modellerinin daha başarılı olduğunu göstermiştir. Aylık akım tahmininde en başarılı tahmin RMSE=0.496 m3 /s, MAE= 0.822 m3 /s, R2 =0.665 ve NSE=0.660 değerleri ile aylık ortalama sıcaklık (T), aylık toplam yağış (P) ve aylık zaman adımlarının (MTS) input olarak kullanıldığı M1 senaryosunda elde edilmiştir.