Büyükyıldız, MeralKoycegız, Cihangir2025-07-102025-07-1020251309-1751https://doi.org/10.17780/ksujes.1502136https://search.trdizin.gov.tr/en/yayin/detay/1302623/effect-of-seasonal-trend-decomposition-on-machine-learning-based-suspended-sediment-load-prediction-performancehttps://hdl.handle.net/20.500.13091/10176Sedimentin tahmin edilmesi, su kaynakları yönetimi için hayati önem taşımaktadır. Bu çalışmada, Kızılırmak Nehri'nin Bulakbaşı istasyonundaki askıda sediment yükünün (SSL) makine öğrenmesi tabanlı tahmin performansı araştırılmıştır. Ayrıca mevsimsel ayrıştırmanın tahmin performansı üzerindeki etkisi incelenmiştir. Bu doğrultuda, Destek Vektör Makinesi (SVM), Adaptif Boosting (AdaBoost) ve Genelleştirilmiş Regresyon Sinir Ağı (GRNN) algoritmaları SSL tahmini için kullanılmıştır. Hiperparametre optimizasyonu için Grid Search (GS) algoritması tercih edilmiştir. Mevsimsel bileşen, Mevsimsel-Trend ayrıştırması LOESS (STL) yöntemi kullanılarak elde edilmiştir. Akış (Qt), akış gecikmesi (Qt-1) ve SSL'nin mevsimsel bileşeni (S-SSLt) kullanılarak altı girdi kombinasyonu oluşturulmuştur. Bulgulara göre AdaBoost (M6-NSEEğitim=0,914, M4-NSETest=0,765), SVM (M6-NSEEğitim=0,912, M6-NSETest=0,863) ve GRNN (M6-NSEEğitim=0,912, M4-NSETest=0,834) modelleri oldukça tutarlı sonuçlar üretmiştir. Test aşamasında, SVM-M6 (R2=0,893, NSE=0,863) çeşitli değerlendirme ölçütlerine göre en başarılı modeldir. SSL'nin mevsimsel bileşeninin eklendiği son üç girdi kombinasyonunun genel olarak performansı artırdığı da gözlemlenmiştir. En başarılı model olan test aşamasındaki SVM için mevsimsel bileşenin olmadığı kombinasyonda (M3) R2=0,873, NSE=0,820 ve mevsimsel bileşenin olduğu kombinasyonda (M6) R2=0,893, NSE=0,863 değerleri elde edilmiştir.eninfo:eu-repo/semantics/openAccessArticle10.17780/ksujes.1502136