In the face of mounting global challenges stemming from population growth and climate fluctuations, the sustainable management of water resources emerges as a paramount concern. This scientific endeavor casts its gaze upon the Upper Euphrates basin, homing in on the Tunceli Munzur water sub-basin and the Sakarya Basin’s Kütahya Porsuk Stream Beşdeğirmen rivers. The investigation unfolds through the intricate analysis of daily average flow data, total daily precipitation, and daily average air temperature values, with the objective of unraveling the complexities of future water potential estimation. Central to our exploration are a series of well-established techniques including linear regression (LR), support vector regression (SVR), decision tree (DT), random forest (RF), and extra trees regression (ETR). We employ these methodologies diligently to decipher patterns woven within the dataset, fostering an informed understanding of water dynamics. To ascend the pinnacle of estimation accuracy, we introduce a groundbreaking hybrid approach, wherein the enigmatic wavelet transform (WT) technique assumes a pivotal role. Through systematic stratification of our dataset into training, validation, and test sets, comprising roughly 65%, 15%, and 20% of the data, respectively, a comprehensive experiment takes shape. Our results unveil the formidable performance of the ETR method, achieving a striking 88% estimation accuracy for the Porsuk Stream Beşdeğirmen, while the RF method garners a commendable 85.2% success rate for the Munzur water Melekbahçe. The apex of innovation unfolds within our hybrid model, a harmonious fusion of methodologies that transcends their individual capacities. This composite entity elevates estimation success rates by a remarkable 20% for the Munzur water Melekbahçe and an appreciable 11% for the Porsuk Stream Beşdeğirmen. This amalgamation culminates in an extraordinary overall success rate of 97.7%. Our findings transcend mere insights, resonating as guiding beacons for navigating the intricate maze of water resource management in an era marked by uncertainties. This study underscores the indispensability of advanced mathematical paradigms and machine learning frontiers, fortifying the bedrock of sustainable water resource management for the generations to come. By harnessing the fusion of federated learning and a constellation of innovative techniques, we endeavor to illuminate the path towards deciphering the complex tapestry of water resource estimation and management, facilitating a resilient and enduring aquatic world.

Su yeryüzünün %75’ini kaplamaktadır ve bu oran toplam dünya kütlesinin sadece yaklaşık 4500 de 1’ini oluşturmaktadır. Dünya üzerindeki bütün canlıların varlığını sürdürebilmesi için gerekli olan en temel maddelerden biri sudur. Ayrıca su tarımsal faaliyetlerle, ekonomiyle, sağlıkla, enerji kaynaklarının kullanımı ve hijyen gibi unsurlarla karmaşık bir ilişki içinde bulunmaktadır. İklim değişiklikleri ve artan nüfus ile paralel olarak gelecek yıllarda su kaynaklarımızın yetersiz kalması, yaşanması olası başlıca büyük problemlerdendir. Temiz su kaynaklarının korunması ve geliştirilmesi, canlı yaşamı açısından büyük önem taşımaktadır. Mevcut su potansiyelinin tasarruflu kullanılması su ve kullanımının verimli hale getirilmesi gerekmektedir. Buna dayanarak mevcut suyun ne kadarını kullanılabileceği ve gelecekte su potansiyelinin ne derece değişeceğini önceden tahmin etmek su planlaması yapılması açısından şarttır. Akım ölçümleri gözlem istasyonlarında günlük olarak yapılmaktadır. Bu verilere dayalı olarak, matematik modellerle ve makine öğrenmesi sistemleri ile tahmin çalışmaları yapılabilmektedir. Bu araştırmada inceleme bölgesi olarak seçilen Yukarı Fırat havzası Tagar çayı Küçükkumluk ve Sakarya Havzası Kütahya Porsuk çayı Porsuk Çiftliği istasyonuna ait günlük ortalama akım, bölgeye ait günlük toplam yağış miktarı ve günlük ortalama hava sıcaklığı değerleri birlikte analiz edilmiş ve inceleme istasyonlarına ait nehir akım hızı tahmini yapılmıştır. Akış tahmini için Lineer Regresyon (Linear Regression-LR), Destek Vektör Regresyonu (Support Vector Regression-SVR), Karar Ağaçları (Decision Tree- DT), Rasgele Orman (Random Forest- RF) ve Ekstra Ağaçlar Regresyon (Extra Tree Regressor- ETR) yöntemleri uygulanmıştır. Ayrıca, uygulanan modellerin her birinin başarı performansları artırmak amacıyla Dalgacık Dönüşümü (Wavelet Transform- WT) kullanarak hibrit bir yöntem geliştirilmiştir. Veri setinin yaklaşık % 65’i eğitim, %15 doğrulama ve % 20’si test verisi olarak ayrılmıştır. Tagar Çayi Küçükkumluk için %70.8 ve Porsuk çayı Porsuk Çiftliği için %67.67 oranıyla ETR en başarılı tahmin yöntemi olarak saptanmıştır. Geliştirilen hibrit modelin tahmin başarısını bütün yöntemler için başarı oranını arttırmış; en yüksek artış oranlarını Tagar çayi Küçükkumluk için %20.82, Porsuk çayı Porsuk Çiftliği için %30.64 oranında artarak SVR yönteminde elde edilmiş; En başarılı yöntem olarak ETR yöntemi olup sırası ile %89.61 ve %86.39 oranlarında başarı elde edilmiştir. Üstel düzleştirme yöntemi ileri dönük 2030 yılına kadar tahmin değerleri elde edilmiştir.

Canlı yaşamının devam etmesi için gerekli olan en temel maddelerden biri sudur. Gelecekte ve günümüzde nüfus artışına yanıt verebilecek temiz su kaynaklarının korunması ve geliştirilmesi, gerekliliği büyük önem arz etmektedir. Su insanoğlunun enerji ihtiyacını karşılayan ve hayatta kalmasını sağlayan en temel kaynaklardan birisidir. Mevcut su potansiyelinin tasarruflu kullanılması su ve kullanımının verimli hale getirilmesi gerekmektedir. Nehir akım hızı zaman serisi kullanılarak ileriye dönük su potansiyeli tahmini yapılabilmektedir. Akım gözlem istasyonlarında günlük ölçümler yapılmaktadır. Bu verilere dayalı olarak, matematik modellerle ve makine öğrenmesi sistemleri ile tahmin çalışmaları yürütülmektedir. Bu çalışmada inceleme bölgesi olarak seçilen Çatalca Istıranca nehrine ait günlük ve aylık ortalama akım, bölgeye ait günlük toplam yağış miktarı ve günlük ortalama hava sıcaklık değerleri göz önüne alınmıştır. İstatistiksel olarak 2004-2020 inceleme dönemine ait, günlük ortalama akım 2.97 m3/s, günlük toplam yağış 2.73 (mm=kg/m2) ve ortalama hava sıcaklığı değeri 12.57 °C olarak saptanmıştır. Makine öğrenme yöntemlerinden Lineer Regresyon, Destek Vektör, Karar Ağacı, Rasgele Orman, Ekstra Ağaçlar, Dalgacık yöntemleri kullanarak akarsu akış miktarının zamanla değişimi tahmin edilmiştir. Uygulanan modellerin başarı performansları karşılaştırılmış, akış miktarı tahmininde Ekstra Ağaçlar (%90.48) ve Rasgele Orman (%88.96) diğer yöntemlere göre daha başarılı bulunmuştur.

Water resource management increasingly requires allocation methods that address rising demand, climate variability, and operational inefficiency. This study proposes an elite-transfer hybrid Genetic Algorithm–Particle Swarm Optimization framework for constrained water allocation under a weighted-sum scalarization model. The model combines four normalized objectives: minimizing water shortage, an operational cost coefficient, and allocation imbalance while maximizing utilization efficiency through an equivalent minimization term. A bidirectional elite-transfer mechanism links GA-based global exploration with PSO-based local refinement. The framework was evaluated using two capacity-constrained surrogate scenarios anchored to hydrometeorological records from Türkiye: Melekbahçe station (E21A033) in the Upper Euphrates Basin and Beşdeğirmen station (E12A003) in the Sakarya Basin. Daily streamflow records supported scenario construction, while precipitation and air-temperature data characterized local conditions. The proposed method was compared with standalone GA and standalone PSO, Differential Evolution, Grey Wolf Optimizer, a scalarized NSGA-II, adapted Kao–Zahara and Garg GA–PSO hybrids, and a no-elite ablation. All methods used the same objective formulation, normalization bounds, constraint-repair procedure, equal objective weights, tuning protocol, paired random seeds, and a budget of 10,000 objective-function evaluations. Performance was assessed through 30 paired runs per scenario. The proposed framework achieved the lowest mean scalar fitness values—0.1670 for Melekbahçe and 0.1752 for Beşdeğirmen—and reached the predefined convergence region after averages of 4587 and 4780 evaluations, respectively. All fitness and convergence improvements remained significant after Holm correction. Paired rank-biserial correlations ranged from 0.957 to 1.000 against the seven general comparators and were 0.824 and 0.781 against the no-elite ablation. The findings support the framework under the tested surrogate scenarios but do not establish Pareto-front dominance or universal superiority. Future work should examine measured operational data, additional basins, dynamic scheduling, alternative weights, and Pareto-based extensions.

This study investigates monthly streamflow prediction in the Karamandere Creek basin by comparing five supervised machine learning models, namely Decision Tree, Linear Regression, Extra Trees, Random Forest, and Support Vector Regression, across three feature representations: raw hydro meteorological inputs, db4 wavelet features, and Symlet (sym8) wavelet features. The objective is to evaluate whether multiresolution wavelet decomposition improves predictive performance for nonlinear and nonstationary hydrological time series. Across all models, wavelet based feature extraction improved generalization performance relative to the baseline configuration. Among the evaluated wavelet families, Symlet produced the strongest overall results, outperforming both db4 and raw input representations across all algorithms.Empirical results show that Random Forest with Symlet features achieved the highest test performance, with an R² of 0.92, followed by Extra Trees with an R² of 0.91. Support Vector Regression exhibited the largest relative improvement, with test R² increasing from 0.65 to 0.88 after wavelet transformation, suggesting that kernel based models benefit from frequency aware feature representations. Linear Regression remained the weakest model, although its performance improved from 0.62 to 0.73 with Symlet features. The baseline Decision Tree showed overfitting, with a training R² of 0.99 and a test R² of 0.78, while Symlet based preprocessing improved the test R² to 0.87 and reduced the generalization gap.These findings indicate that wavelet enhanced learning improves predictive accuracy and robustness in monthly streamflow forecasting. This study provides an empirical comparison of how wavelet family choice affects predictive performance on a real basin dataset. The results support the integration of hybrid wavelet machine learning approaches into data driven streamflow forecasting systems and provide a basis for extending such models toward real time and uncertainty aware hydrological prediction frameworks.

Accurate monthly streamflow prediction is essential for effective water-resource planning and basin-scale hydrological management. This study develops and evaluates a hybrid wavelet–machine learning framework for one-month-ahead streamflow prediction in the Karamandere Creek Basin, Türkiye. Multiresolution features derived from Discrete Wavelet Transform using Daubechies (db4) and Symlet (sym8) wavelets were integrated with five supervised learning algorithms, including Decision Tree, Linear Regression, Random Forest, Extra Trees, and Support Vector Regression. Daily streamflow, precipitation, and temperature observations collected from January 2005 to September 2020 were aggregated into 189 monthly records. After constructing the one-month lagged predictor and future streamflow target, the final supervised dataset consisted of 187 prediction cases. The cases were chronologically divided into 151 development observations and 36 independent test observations covering October 2017 to September 2020. Model development incorporated expanding-window walk-forward validation, while predictive performance was evaluated using the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE). Across the independent test period, wavelet-derived representations improved predictive performance compared with corresponding raw-input configurations for all evaluated algorithms. Random Forest combined with sym8-derived features achieved the highest performance (R² = 0.92, RMSE = 1.72 m³/s, and MAE = 0.95 m³/s), followed by Extra Trees (R² = 0.91). Support Vector Regression exhibited the largest relative improvement, increasing its test R² from 0.65 with raw predictors to 0.88 with sym8-derived features. Although sym8-based representations provided better performance than db4 under the evaluated experimental conditions, this finding should be interpreted as evidence specific to the tested wavelet configurations rather than general superiority of the Symlet family. The results are limited by the single-basin application, relatively short monthly record, and absence of multi-site external validation. Further investigations using larger datasets, additional catchments, and broader wavelet comparisons are required to assess the transferability of the proposed framework.