Sürdürülebilir su kaynakları sağlamak için akış tahmini gereklidir. Son zamanların popüler programları arasında yer alan makine öğrenmesi (ML), nehir akışlarını tahmin etmede giderek daha önemli hale gelmiştir. Makine öğrenmesi bu alanda uzun süredir kullanılmaktadır ancak, tahmin kalitesindeki iyileşme halen devam etmektedir. Bu çalışmada, Seyhan Havzası üzerinde yer alan Göksu Himmetli ve Körkün Hacılı akım ölçüm istasyonlarının performansı, GWO (Gri Kurt Algoritması) entegre edilmiş Kapalı Tekrarlayan Birim (GRU) ile oluşturulan hibrit model kıyas modeli olan (GRU) ve Liner Regresyon modeli ile karşılaştırılmıştır. Çalışmada Göksu Himmetli istasyonunun zaman aralığı 2002-2011 yılları arasındadır. Körkün istasyon verileri ise 2003-2012 yılları arasındadır. Veri setleri günlük akış değerlerinden oluşmaktadır. Modelin performansını doğrulamak için, verilerin ilk %80'i eğitim için, verilerin kalan %20'si ise test için kullanıldı. Gözlemlenen ve tahmin edilen akış verileri karşılaştırılarak hangi modelin daha iyi sonuç verdiği incelenmiştir. İstatiksel değerlendirme kriterleri olarak RMSE, MAE, MAPE, R2 ve STD kullanılmıştır. Tüm değerlendirme kriterleri incelendiğinde hibrit modelin performansının başarılı olduğu görülmüştür.

Flow forecasting is necessary to ensure sustainable water resources. Machine learning (ML), which is among the popular programs of recent times, has become more and more important in predicting river flows. Machine learning has been used in this field for a long time, but the quality of prediction is still improving. In this study, the performance of Göksu Himmetli and Körkün Hacılı flow measurement stations located on the Seyhan Basin were compared with the hybrid model benchmark model (GRU) and Liner Regression model created with GWO (Grey Wolf Algorithm) integrated Gated Repetitive Unit (GRU). In the study, the timespan of Göksu Himmetli station is between 2002-2011. The timespan of the Körkün station is between 2003-2012. The data sets consist of daily flow values. To validate the performance of the model, the first 80% of the data was used for training and the remaining 20% of the data was used for testing. Observed and predicted flow data were compared and it was examined which model gave promise results. RMSE, MAE, MAPE, R2 and STD were used as statistical evaluation criteria. When all evaluation criteria were examined, it was seen that the performance of the hybrid model was successful.