AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ

Anıl Utku; Yavuz Canbay; Berat Büyükbesnili; Ebubekir Samet Gözübenli

EN TR

A NEW HYBRID CNN-LSTM BASED DEEP LEARNING MODEL FOR PREDICTING URBAN WATER CONSUMPTION AFTER A DISASTER

Abstract

The effective and sustainable management of water resources is of critical importance, particularly in cities where infrastructure damage has occurred following a disaster. In this study, water consumption was estimated using a univariate time series model that reflects post-disaster conditions, based on urban water consumption data from the province of Kahramanmaraş. The dataset was obtained from the KASKİ database, and the scope of the analysis was limited to the central districts of Onikişubat and Dulkadiroğlu to improve data quality. The performance of the proposed hybrid CNN-LSTM prediction model was compared with LR, DT, RF, XGBoost, LSTM, and CNN models. Model performance was evaluated using MAE, RMSE, and R² metrics. Experimental results demonstrate that the CNN-LSTM hybrid model achieves the highest prediction accuracy by jointly modeling nonlinear patterns and time series dynamics. The study highlights that deep learning-based and hybrid approaches offer significant potential for urban water management and decision-support processes under conditions where post-disaster data irregularities are present.

Keywords

AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ

Abstract

Su kaynaklarının etkin ve sürdürülebilir yönetimi, özellikle afet sonrası altyapı hasarlarının yaşandığı kentlerde kritik bir öneme sahiptir. Bu çalışmada, Kahramanmaraş iline ait kentsel su tüketim verileri kullanılarak, afet sonrası koşulları yansıtan tek değişkenli bir zaman serisi kurgusunda su tüketim tahmini gerçekleştirilmiştir. Veri seti, KASKİ veri tabanından elde edilmiş ve veri kalitesini artırmak amacıyla analiz kapsamı Onikişubat ve Dulkadiroğlu merkez ilçeleri ile sınırlandırılmıştır. Önerilen hibrit CNN-LSTM tahmin modelinin performansı LR, DT, RF, XGBoost, LSTM ve CNN modelleri ile karşılaştırılmıştır. Modellerin performansları MAE, RMSE ve R² metrikleri kullanılarak değerlendirilmiştir. Deneysel sonuçlar, CNN-LSTM hibrit modelinin doğrusal olmayan örüntüleri ve zaman serisi dinamiklerini birlikte modelleyerek en yüksek tahmin doğruluğunu sağladığını göstermektedir. Çalışma, afet sonrası veri düzensizliklerinin bulunduğu koşullarda, derin öğrenme tabanlı ve hibrit yaklaşımların kentsel su yönetimi ve karar destek süreçleri açısından önemli bir potansiyel sunduğunu ortaya koymaktadır.

Keywords

References

Aktuğ, A., & Topal, K. H. (2025). İstanbul’un Su Tüketiminin Tahmininde Derin Öğrenme Ve Hibrit Model Yaklaşımı: Arıma, Mlp Ve Arıma-Mlp Hibrit Modelleri. Trakya Üniversitesi Sosyal Bilimler Dergisi, 27(Ierfm 2025 Özel Sayı), 59–80. https://doi.org/10.26468/Trakyasobed.1517258
Aliağaoğlu, A., & Mirioğlu, G. (2019). Balıkesir Şehrinde Su Tüketimi: Coğrafi Bir Yaklaşım. Coğrafi Bilimler Dergisi, 17(2), 260–280. https://doi.org/10.33688/Aucbd.593693
Avcil, F., Işık, E., İzol, R., Büyüksaraç, A., Arkan, E., Arslan, M. H., Aksoylu, C., Eyisüren, O., & Harirchian, E. (2024). Effects Of The February 6, 2023, Kahramanmaraş Earthquake On Structures İn Kahramanmaraş City. Natural Hazards, 120(3), 2953–2991. https://doi.org/10.1007/S11069-023-06314-1
Azgınoğlu, N., Gül, E., & Taşyürek, M. (2025). Spatial Segregation-Based Machine Learning Approach For Water Consumption Forecasting. 2025 33rd Signal Processing And Communications Applications Conference (Sıu), 1–4. https://doi.org/10.1109/Sıu66497.2025.11112466
Band, S. S., Janizadeh, S., Chandra Pal, S., Saha, A., Chakrabortty, R., Melesse, A. M., & Mosavi, A. (2020). Flash Flood Susceptibility Modeling Using New Approaches Of Hybrid And Ensemble Tree-Based Machine Learning Algorithms. Remote Sensing, 12(21), 3568. https://doi.org/10.3390/Rs12213568
Başakın, E. E., Özger, M., & Ünal, N. E. (2019). Gri Tahmin Yöntemi İle İstanbul Su Tüketiminin Modellenmesi. Politeknik Dergisi, 22(3), 755–761. https://doi.org/10.2339/Politeknik.422727
Bayrakçı, H. C., Çiçekdemir, R. S., & Özkahraman, M. (2021). Tarım Arazilerinde Harcanan Su Miktarını Yapay Zekâ Teknikleri Kullanarak Belirlenmesi1. Düzce Üniversitesi Bilim Ve Teknoloji Dergisi, 9(6), 237–250. https://doi.org/10.29130/Dubited.1015690
Borah, G. (2025). Urban Water Stress: Climate Change Implications For Water Supply İn Cities. Water Conservation Science And Engineering, 10(1), 20. https://doi.org/10.1007/S41101-025-00344-5

Canbay, P., & Hüseyin, T. A. Ş. (2022). Yapıların Isıtma Ve Soğutma Yükünün Yapay Zeka İle Tahmini. International Journal Of Pure And Applied Sciences, 8(2), 478–489. https://doi.org/10.29132/ijpas.1166227
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The Coefficient Of Determination R-Squared İs More İnformative Than Smape, Mae, Mape, Mse And Rmse İn Regression Analysis Evaluation. Peerj Computer Science, 7, E623. https://doi.org/10.7717/Peerj-Cs.623
Coşkun, S. (2022). Bursa Kentinde Su Kıtlığının İklim Değişikliği Ve Nüfus Senaryoları Açısından Makine Öğrenmesi Kullanılarak İncelenmesi. Yüksek Lisans Tezi. Uludağ Üniversitesi Sosyal Bilimler Enstitüsü Coğrafya Anabilim Dalı, Bursa.
Ersoy, Z. B. (2021). Dinamik Su Bütçesi Modeline Makine Öğrenmesi Entegrasyonu İle Aylık Akış Tahminlerinin İyileştirilmesi. Yüksek Lisana Tezi. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü İnşaat Mühendisliği Anabilim Dalı, Balıkesir.
Gajowniczek, K., & Ząbkowski, T. (2021). Interactive Decision Tree Learning And Decision Rule Extraction Based On The Imbtreeentropy And Imbtreeauc Packages. Processes, 9(7), 1107. https://doi.org/10.3390/Pr9071107
Gao, J. (2024). R-Squared (R 2 ) – How Much Variation İs Explained? Research Methods İn Medicine & Health Sciences, 5(4), 104–109. https://doi.org/10.1177/26320843231186398
Görenekli, K., & Gülbağ, A. (2024). Comparative Analysis Of Machine Learning Techniques For Water Consumption Prediction: A Case Study From Kocaeli Province. Sensors, 24(17), 5846. https://doi.org/10.3390/S24175846
Güney, İ., & Selvi, İ. H. (2023). Makine Öğrenmesi Yöntemleriyle Anormal İçme Suyu Tüketimlerinin Tespit Edilmesi Ve Tahmin Modellerinin Geliştirilmesi. Journal Of Intelligent Systems: Theory And Applications, 6(2), 159–173. https://doi.org/10.38016/Jista.1226528
Hodson, T. O. (2022). Root-Mean-Square Error (Rmse) Or Mean Absolute Error (Mae): When To Use Them Or Not. Geoscientific Model Development, 15(14), 5481–5487. https://doi.org/10.5194/Gmd-15-5481-2022
John, B. I. (2023). Data-Driven Resource Optimization Approaches Enhancing Capacity Planning, Labor Utilization, Material Efficiency And Continuous İmprovement Across Manufacturing Project Lifecycles. Gsc Advanced Research And Reviews, 17(3), 220–236. https://doi.org/10.30574/Gscarr.2023.17.3.0467
Karagöz, K., & Özkubat, G. (2024). Manisa Kentsel Su Tüketiminin Öntahmini. Dicle Akademi Dergisi, 4(1), 1–27. https://doi.org/10.61964/Dade.1441853
Kubek, D., & Więcek, P. (2025). Hybrid Demand Forecasting İn Fuel Supply Chains: Arıma With Non-Homogeneous Markov Chains And Feature-Conditioned Evaluation. Energies, 18(22), 6044. https://doi.org/10.3390/En18226044
Kumar, P. (2021). Water Quality Assessments For Urban Water Environment. Water, 13(12), 1686. https://doi.org/10.3390/W13121686
Malashin, I., Tynchenko, V., Gantimurov, A., Nelyub, V., & Borodulin, A. (2024). Applications Of Long Short-Term Memory (Lstm) Networks İn Polymeric Sciences: A Review. Polymers, 16(18), 2607. https://doi.org/10.3390/Polym16182607
Maulud, D., & Abdulazeez, A. M. (2020). A Review On Linear Regression Comprehensive İn Machine Learning. Journal Of Applied Science And Technology Trends, 1(2), 140–147. https://doi.org/10.38094/Jastt1457
Maurya, S. P., Singh, P. K., Ohri, A., & Singh, R. (2020). Identification Of İndicators For Sustainable Urban Water Development Planning. Ecological Indicators, 108, 105691. https://doi.org/10.1016/J.Ecolind.2019.105691
Önen, F., Aslan, B., & Hamidi, N. (2018). Diyarbakır Kenti içmesuyu ihtiyacının genetik ifadeli programlama ile modellenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(2), 859-870. https://izlik.org/JA36DD72SW
Roy, A. (2025). Effect Of Climate-Related Disasters On Consumption: Theory And Evidence From Bangladesh. Asian Development Review, 42(01), 259–287. https://doi.org/10.1142/S0116110525500076
Sahin, E. K. (2020). Assessing The Predictive Capability Of Ensemble Tree Methods For Landslide Susceptibility Mapping Using Xgboost, Gradient Boosting Machine, And Random Forest. Sn Applied Sciences, 2(7), 1308. https://doi.org/10.1007/S42452-020-3060-1
Saleh, E. (2021). Yarı-Nemli İklim Koşullarında Sürdürülebilir Su Yönetimi İçin Derin Öğrenme Kullanılarak Referans Bitki Su Tüketiminin Tahmin Edilmesi. Yüksek Lisana Tezi. Uludağ Üniversitesi Fen Bilimleri Enstiüsü Biyosistem Mühendisliği Anabilim Dalı. Bursa
Song, X., Liu, Y., Xue, L., Wang, J., Zhang, J., Wang, J., Jiang, L., & Cheng, Z. (2020). Time-Series Well Performance Prediction Based On Long Short-Term Memory (Lstm) Neural Network Model. Journal Of Petroleum Science And Engineering, 186, 106682. https://doi.org/10.1016/J.Petrol.2019.106682
Strielkowski, W., Vlasov, A., Selivanov, K., Muraviev, K., & Shakhnov, V. (2023). Prospects And Challenges Of The Machine Learning And Data-Driven Methods For The Predictive Analysis Of Power Systems: A Review. Energies, 16(10), 4025. https://doi.org/10.3390/En16104025
Taşan, S., & Taşan, M. (2023). Yarı Nemli Bir Bölgede Günlük Referans Bitki Su Tüketiminin Tahmini İçin Üç Farklı Makine Öğrenimi (Ysa, Rt Ve Gpr) Modellerinin Geliştirilmesi Ve Karşılaştırılması. Anadolu Journal Of Agrıcultural Scıences. https://doi.org/10.7161/Omuanajas.1211716
Yildiz, Tz., & Aytekin, T. (2019). Bölgesel Veriler Üzerinde Yapilan Kisa Dönem Su Talep Tahmini. 27th Signal Processing And Communications Applications Conference. IEEE.
Zarrin, Z., Hamidi, O., Amini, P., & Maryanaji, Z. (2024). Predicting The Pulse Of Urban Water Demand: A Machine Learning Approach To Deciphering Meteorological İnfluences. Bmc Research Notes, 17(1), 221. https://doi.org/10.1186/S13104-024-06878-6

Details

Primary Language

Turkish

Subjects

Deep Learning

Journal Section

Research Article

Authors

Anıl Utku ^*
0000-0002-7240-8713
Türkiye

Yavuz Canbay
0000-0003-2316-7893
Türkiye

Berat Büyükbesnili
0009-0005-8370-0612
Türkiye

Ebubekir Samet Gözübenli
0009-0004-2895-3492
Türkiye

Publication Date

September 3, 2026

Submission Date

March 24, 2026

Acceptance Date

April 24, 2026

Published in Issue

Year 2026 Volume: 29 Number: 3

IZ

https://izlik.org/JA57TD84HY

Cite

RIS / Bibtex

APA

Utku, A., Canbay, Y., Büyükbesnili, B., & Gözübenli, E. S. (2026). AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 29(3), 1198-1212. https://izlik.org/JA57TD84HY

AMA

1.Utku A, Canbay Y, Büyükbesnili B, Gözübenli ES. AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ. KSU J. Eng. Sci. 2026;29(3):1198-1212. https://izlik.org/JA57TD84HY

Chicago

Utku, Anıl, Yavuz Canbay, Berat Büyükbesnili, and Ebubekir Samet Gözübenli. 2026. “AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 (3): 1198-1212. https://izlik.org/JA57TD84HY.

EndNote

Utku A, Canbay Y, Büyükbesnili B, Gözübenli ES (September 1, 2026) AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 3 1198–1212.

IEEE

[1]A. Utku, Y. Canbay, B. Büyükbesnili, and E. S. Gözübenli, “AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ”, KSU J. Eng. Sci., vol. 29, no. 3, pp. 1198–1212, Sept. 2026, [Online]. Available: https://izlik.org/JA57TD84HY

ISNAD

Utku, Anıl - Canbay, Yavuz - Büyükbesnili, Berat - Gözübenli, Ebubekir Samet. “AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29/3 (September 1, 2026): 1198-1212. https://izlik.org/JA57TD84HY.

JAMA

1.Utku A, Canbay Y, Büyükbesnili B, Gözübenli ES. AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ. KSU J. Eng. Sci. 2026;29:1198–1212.

MLA

Utku, Anıl, et al. “AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, vol. 29, no. 3, Sept. 2026, pp. 1198-12, https://izlik.org/JA57TD84HY.

Vancouver

1.Anıl Utku, Yavuz Canbay, Berat Büyükbesnili, Ebubekir Samet Gözübenli. AFET SONRASI KENTSEL SU TÜKETİM TAHMİNİNDE HİBRİT CNN-LSTM TABANLI YENİ BİR DERİN ÖĞRENME MODELİ. KSU J. Eng. Sci. [Internet]. 2026 Sep. 1;29(3):1198-212. Available from: https://izlik.org/JA57TD84HY