In the presented study, a daily rainfall-runoff model with fewer parameters was developed through the integration of artificial neural network and genetic algorithms available from various artificial intelligence techniques onto a conceptual hydrologic model. The integration of artificial intelligence within the context of the study was achieved on the daily rainfall-runoff model, GR4J (Génie Rural à 4 paramètres Journalier) that is known to be a deterministic, lumped and continuous parametric model. GR4J is a daily rainfall-runoff model which consists of storage and routing elements in its structure while having 4 model parameters as X1, X2, X3 and X4.The study started with the integration of Artificial Neural Networks (ANN) onto the parametric rainfall-runoff model. With the help of this integration, the parameter number of GR4J model was decreased from 4 to 1 and the nonlinear flow routing scheme in the model was modelled with artificial neural networks. Through such integration, a higher model performance was achieved while substantially limiting the number of model parameters.Besides, the automatic calibration of the model parameters by means of genetic algorithms (GA) was performed in the study by integrating these GAs onto the GR4J-ANN integrated model. The resulting GR4J-ANN-GA integrated model including quite few model parameters and having the capability of automatic calibration for its parameters was implemented in the Murat, Selendi, Deliiniş, Demirci, Gördes, Medar and Yiğitler subbasins of the Gediz river basin for exploring the modelling performances. The results indicated that there is considerable increase in the modelling performance as an outcome of the ANN and GA integration with the GR4J model.In conclusion, the study figured out that it is possible to potentially facilitate the calibration by decreasing the number of model parameters through the integration of artificial intelligence techniques such as ANN and GA with conceptual hydrologic models, while indicating that estimation performances can be increased with the use of integrated models as a whole.

Sunulan çalışmada, kavramsal bir hidrolojik modele yapay zeka tekniklerinden yapay sinir ağları ve genetik algoritmalar entegre edilerek, daha az parametreye sahip yeni bir günlük yağış akış modeli geliştirilmiştir. Çalışma kapsamında gerçekleştirilen yapay zeka entegrasyonu, deterministik, ortalanmış, sürekli bir parametrik model olan GR4J (Génie Rural à 4 paramètres Journalier) günlük yağış akış modeli üzerinde gerçekleştirilmiştir. GR4J günlük yağış akış modeli yapısında biriktirme ve öteleme elemanları bulunduran ve X1, X2, X3 ve X4 olmak üzere 4 model parametresine sahip günlük yağış akış modelidir.Çalışmada kapsamında GR4J parametrik yağış akış modeline ilk olarak yapay sinir ağlarının (YSA) entegrasyonu gerçekleştirilmiştir. Yapay sinir ağı entegrasyonunda, GR4J modelinin parametre sayısı 4'ten 1'e indirilmiş ve model içersindeki doğrusal olmayan akım öteleme süreci yapay sinir ağları ile modellenmiştir. Söz konusu bu entegrasyon ile modelin parametre sayısı önemli ölçüde azalırken tahmin performansı önemli ölçüde arttırılmıştır.Çalışma ayrıca, GR4J-YSA entegre modeline genetik algoritmalar (GA) da entegre edilerek model parametrelerinin otomatik olarak GA sayesinde kalibre edilmesi sağlanmıştır. Son derece az parametreye sahip ve parametrelerini otomatik olarak kalibre edebilen GR4J-YSA-GA entegre modeli Gediz havzasının Murat, Selendi, Deliiniş, Demirci, Gördes, Medar ve Yiğitler althavzalarında uygulanarak model performansları incelenmiştir. Uygulama sonuçları, GR4J modeline YSA ve GA entegrasyonunun model performanslarını önemli ölçüde arttırdığı göstermiştir.Sonuç olarak sunulan çalışmada, kavramsal hidrolojik modellere YSA ve GA gibi yapay zeka tekniklerinin entegre edilmesiyle, model parametre sayılarının azaltılarak kalibrasyon sürecinin hızlandırılabileceği ve buna karşılık entegre modellerle model tahmin performanslarının arttırılabileceği gösterilmiştir.