Askıda Katı Madde Konsantrasyonunun Tahmininde Yığma Modelleri ve Hiperparametre Optimizasyonunun Etkisi: Filyos Çayı Örneği

Authors : Rukiye Uzun Arslan, Berna Aksoy, İrem Şenyer Yapıcı

Pages : 97-108

View : 77 | Download : 67

Publication Date : 2025-07-21

Article Type : Research Paper

Abstract :Canlı yaşamının devamlılığı ve ekosistem dengesinin sürdürülebilirliği için hayati bir unsur olan su, çevresel ve insan kaynaklı faktörlerin etkisiyle fiziksel ve kimyasal özelliklerinde değişimlere uğrayabilmektedir. Su kalitesinin temel göstergelerinden biri olan askıda katı madde (AKM) konsantrasyonunun doğru bir şekilde tahmin edilmesi, sürdürülebilir su yönetimi açısından kritik öneme sahiptir. Bu çalışmada, Batı Karadeniz Havzası’ndaki Filyos Çayı Alt Havzası’na ait su kalitesi verileri kullanılarak, AKM konsantrasyonunun tahmini için yığma modeli temelli bir yaklaşım önerilmiştir. Modelde, temel model olarak rasgele orman (RO) ve gradyan artırma (GA) algoritmaları, meta-model olarak ise K-en yakın komşu (KNN), çok katmanlı algılayıcı (ÇKA), kategorik artırma (CatBoost), uyarlamalı artırma (AdaBoost) ve Torbalama (Bagging) algoritmaları kullanılmıştır. Model performansı, ortalama karesel hata (MSE), kök ortalama kare hatası (RMSE), ortalama mutlak hata (MAE), ortalama mutlak yüzde hata (MAPE) ve korelasyon katsayısı (R²) gibi metriklerle değerlendirilmiştir. Sonuçlara göre, en yüksek R² değeri (%87) RO-GA+CatBoost modeli tarafından elde edilmiştir. Bu model, diğer kombinasyonlara kıyasla daha düşük hata değerleri (MSE: 143.85, RMSE: 11.99, MAE: 9.03, MAPE: 0.21) ile en iyi tahmin performansını sergilemiştir. Hiperparametre optimizasyonu sürecinde Izgara Arama (Grid Search) ve Rasgele Arama (Randomized Search) yöntemleri kullanılarak modellerin performansı daha da iyileştirilmiştir. Özellikle RO-GA+CatBoost modeli, optimizasyon sonrası R² değerini %89’a çıkararak en yüksek performansı göstermiştir. Bu çalışma, doğru algoritma seçimi ve hiperparametre optimizasyonunun model performansını artırmada kritik bir rol oynadığını ortaya koymuştur. CatBoost ve KNN algoritmaları, uygun hiperparametre optimizasyon teknikleri (örneğin Grid Search veya Randomized Search) ile entegre edildiğinde, modelin tahmin doğruluğu üzerinde anlamlı bir iyileşme sağlamaktadır. Gerçekleştirilen optimizasyon süreçleri, modelin karar sınırlarını veri setinin yapısına daha iyi uyarlamasına olanak tanıyarak genelleme performansını artırmakta ve aşırı öğrenme riskini azaltmaktadır. Elde edilen bulgular, benzer regresyon problemlerinde algoritma seçimi ve optimizasyon adımlarının titizlikle planlanması gerektiğini ortaya koymaktadır.
Keywords : Askıda katı madde (AKM), hiperparametre optimizasyonu, makine öğrenmesi, regresyon analizi, su kalitesi

ORIGINAL ARTICLE URL