Utilization of stochastic, artificial neural network, and wavelet combined models for monthly streamflow

Abstract

The development of various models to estimate hydrological variables, such as precipitation and runoff is significant regarding handling the water-related problems in the future. This study investigates the performances of Artificial Neural Network (ANN), Auto-Regressive Integrated Moving Average (ARIMA), Wavelet-ARIMA (WARIMA), and WARIMA-ANN models for monthly streamflow forecasting. These models were utilized in two stations of the Susurluk basin in Turkey. In this regard, first, the streamflow data were decomposed into components by wavelet transformation for the WARIMA and WARIMA-ANN models. After that, runoff predictions were performed for each model. As comparison criteria, Root Mean Square Error (RMSE), Kling Gupta Efficiency (KGE), and Nash Sutcliffe Efficiency (NSE) were taken into consideration. As a result, it was obtained that WARIMA and WARIMA-ANN models performed better than the ARIMA and ANN models, particularly. In addition, it was seen that wavelet transformation improved the performance of ARIMA and ARIMA-ANN models, obviously.

Yağış ve akış gibi hidrolojik verilerin tahmini için farklı modellerin geliştirilmesi gelecekte su ile ilgili problemlerle mücadele edebilmek açısından önemlidir. Bu çalışma, Yapay Sinir Ağı (ANN), Otoregresif Bütünleşik Hareketli Ortalama (ARIMA), Dalgacık-ARIMA (WARIMA) ve WARIMA-ANN modellerinin aylık akım tahmin performanslarını araştırmaktadır. Bu modeller, Türkiye’nin Susurluk havzasındaki iki istasyonda uygulanmıştır. Bu bağlamda, ilk olarak akış verileri WARIMA ve WARIMA-ANN modelleri için dalgacık dönüşümü ile bileşenlerine ayrılmıştır. Daha sonra, her bir model için akış tahminleri gerçekleştirilmiştir. Karşılaştırma ölçütü olarak, Hataların Ortalama Karakökü (RMSE), Kling-Gupta Verimliliği (KGE) ve Nash Sutcliffe Verimliliği (NSE) göz önünde bulundurulmuştur. Sonuç olarak, WARIMA ve WARIMA-ANN modellerinin, özellikle ARIMA ve ANN modellerine göre daha iyi performans gösterdiği tespit edilmiştir.Buna ek olarak, dalgacık dönüşümünün ARIMA ve ARIMA-ANN modellerinin performansını geliştirdiği belirgin şekilde görülmüştür.