Su Akışı ve Su Kalitesi İndeksi (WQI) Tahmini için Uzun Kısa Süreli Bellek (lSTM) Derin Öğrenme Algoritmasının Uygulanması

Abstract

Dünyanın oluşumundan bu yana su kaynakları, doğal yaşam ve insan varlığı için hayati bir öneme sahiptir. Tüm canlılar bu kaynaklara bağımlı olarak yaşamlarını sürdürmektedir. Ancak günümüzde su kaynakları, küresel ısınma, doğal afetler ve insan kaynaklı etkenler nedeniyle ciddi tehditlerle karşı karşıyadır. Hızlı sanayileşme, artan fabrika sayısı ve bilinçsiz su kullanımı, mevcut suyun miktarını ve kalitesini önemli ölçüde olumsuz etkilemektedir. Su kaynakları yalnızca içme amacıyla değil; tarım, balıkçılık ve rekreasyonel faaliyetler gibi birçok alanda da kritik öneme sahiptir. Bu nedenle, söz konusu kaynakların doğru ve sürdürülebilir kullanımı için küresel ölçekte, özel modeller ve çerçevelerle desteklenen çalışmalar yürütülmektedir. Debi ölçümü; biyolojik ve meteorolojik süreçlerin anlaşılması, endüstriyel deneylerin yürütülmesi ve hidrolik modellemelerin gerçekleştirilmesinde önemli bir rol oynamaktadır. Ayrıca, yıllar içinde su akışındaki değişimlerin izlenmesi, kayıp ya da artışların erken tespitiyle uzun vadeli sürdürülebilirlik adına önlem alınmasını mümkün kılmaktadır. Bu tezde, debi tahmini ve Su Kalitesi İndeksi (WQI) öngörüsü için LSTM tabanlı Derin Öğrenme yaklaşımı sunulmuştur. Ayrıca, bölgesel su kalitesi değerlendirmesi için özgün bir model mimarisi önerilmiştir. Bu yöntem, hem yüksek doğrulukta debi tahmini sağlamakta hem de yenilikçi ve yerelleştirilmiş bir su kalitesi değerlendirme yaklaşımı sunmaktadır. Her iki görevde elde edilen güçlü sonuçlar, karmaşık zaman serisi desenlerini yakalama konusunda LSTM'nin başarısını ve özelleştirilmiş modelimizin sürdürülebilir su yönetimi için etkili çözümler sunduğunu ortaya koymaktadır.

Since the formation of the world, water resources have been essential for natural life and human survival. All living beings depend on these resources, yet they now face serious threats due to global warming, natural disasters, and human-driven factors. Rapid industrialization, the increasing number of factories, and unconscious water consumption have significantly degraded both the quantity and quality of available water. Beyond serving as drinking water, these resources are vital for agriculture, aquaculture, and recreational activities like swimming. Consequently, global efforts are being made to ensure their correct and sustainable use, supported by models and frameworks designed to optimize water resource management and protection. Flow rate measurement plays a crucial role in understanding biological and meteorological processes, conducting experiments in industrial settings, and executing hydraulic models. Additionally, tracking flow rate over time helps identify losses or surpluses, allowing early intervention for long-term sustainability. This thesis presents a Deep Learning-based approach using the LSTM model for flow rate estimation and Water Quality Index (WQI) prediction. Our methodology achieves high accuracy in flow forecasting and proposes an innovative method for assessing water quality. The successful performance in both tasks highlights the potential of LSTM in handling complex time-series data, offering a robust solution to environmental monitoring challenges. These findings affirm the capability of Deep Learning, especially LSTM, to foster sustainable water resource management through intelligent and adaptive systems.