Günümüzde artan küresel talepler ve iklim değişikliği gibi faktörlerin su kaynakları üzerinde yarattığı yoğun baskı nedeniyle su kaynaklarının sürdürülebilir yönetimi büyük önem kazanmıştır. Enerji, tarım ve ekosistem gibi farklı sektörlerin suya olan talebinin artması, mevcut kaynakların etkin, adil ve bilim temelli yöntemlerle yönetilmesini zorunlu kılmaktadır. Bu kapsamda, Su-Enerji-Gıda-Ekosistem (SEGE) Bağı yaklaşımı, bir sektörde alınan kararların diğer sektörleri kaçınılmaz biçimde etkilediği bütüncül bir yönetim anlayışı sunmaktadır. Sürdürülebilir su yönetimi, yalnızca bu sektörler arasında denge kurmayı değil, aynı zamanda bu dengeyi etkileyen ödünleşmelerin havza ölçeğinde sayısal olarak değerlendirilmesini gerektirmektedir. Bu tez çalışması, bütünleşik ve çok amaçlı su kaynakları yönetimini destekleyecek optimizasyon tabanlı bir modelleme çerçevesinin geliştirilmesini amaçlamaktadır. Bu doğrultuda tasarlanan Sürdürülebilir Su Optimizasyon Aracı (SUWO), simülasyon, optimizasyon ve çok kriterli karar analizi bileşenlerini bir araya getiren, Python tabanlı açık kaynaklı bir karar destek aracı özelliği taşımaktadır. SUWO, farklı iklim ve yönetim senaryoları altında hidroelektrik enerji üretimi, tarımsal sulama ve çevresel akış gereksinimleri arasındaki etkileşimleri analiz etmeyi ve bu hedefler arasındaki ödünleşmeleri nicel biçimde incelemeyi mümkün kılmaktadır. Böylece SUWO, karar vericilere optimizasyon temelli sürdürülebilir su yönetimini destekleyen, şeffaf ve geliştirilebilir bir bilimsel araç sunmaktadır. SUWO'nun yapısı, simülasyon, optimizasyon, veri analizi ve senaryo değerlendirme süreçlerinin bütüncül bir biçimde bir araya getirildiği bir sistem olarak tasarlanmıştır. Model, su kaynaklarının fiziksel işleyişini kütle dengesi ve su bütçesi ilkelerine dayanarak temsil ederken; hidroelektrik enerji üretimi, sulama suyu temini ve çevresel akış gereksinimleri arasındaki etkileşimleri sayısal olarak simüle etmektedir. Optimizasyon süreci, Çok Amaçlı Genetik Algoritmaların (ÇAGA) uygulanmasıyla farklı hedefler arasında en uygun çözüm kümelerinin belirlenmesini sağlamaktadır. SUWO'da optimizasyon işlemleri için PyMoo kütüphanesi kullanılmıştır. Kütüphane, algoritmaların yapılandırılması, performans analizleri ve Çok Kriterli Karar Verme (ÇKKV) senaryoları gibi birçok özelliğe sahiptir. Veri işleme ve analiz aşamaları, model sonuçlarının değerlendirilmesi, performans ölçütlerinin hesaplanması ve alternatif yönetim stratejilerinin karşılaştırılması için kullanılmaktadır. Ayrıca, senaryo değerlendirme sürecine entegre edilen ÇKKV yaklaşımı, farklı yönetim öncelikleri ve paydaş taleplerinin birlikte analiz edilmesine olanak tanımaktadır. Model, optimizasyon sürecinde Hiperhacim (HV), Geliştirilmiş Ters Jenerasyon Mesafesi (IGD⁺), İteratif IGD (∅), Yayılım Performans Ölçütü (YPÖ), Homojenlik Performans Ölçütü (HPÖ) ve Baskın Olmayan Çözüm Üretim Oranı (BOÇÜO) gibi çok sayıda performans ölçütü kullanarak yakınsama ve çeşitliliği değerlendirmektedir. Çalışmada uygulama alanı olarak Sakarya Havzası seçilmiştir. Yaklaşık 58.000 km² yüzölçümüne sahip olan havza, Türkiye'nin en büyük ve sosyoekonomik açıdan en önemli su kaynaklarından biri olma özelliğini taşımaktadır. Sakarya Havzası, hidroelektrik enerji üretimi, tarımsal sulama, içme suyu temini ve çevresel akışların sürdürülmesi gibi birbirinden farklı su kullanım biçimlerini bünyesinde barındırmaktadır. Havza üzerinde Sarıyar, Gökçekaya, Yenice, Gürsöğüt ve Kargı barajları ile hidroelektrik santraller (HES) sıralı bir sistem oluşturarak suyun yönetilmesinde kritik bir rol oynamaktadır. Üst Sakarya, Porsuk ve Orta Sakarya alt havzalarında geliştirilen büyük ölçekli sulama projeleri bölgenin tarımsal üretimine katkı sağlamaktadır. Havza aynı zamanda Ankara ve İstanbul gibi büyük kentlerin su güvenliği açısından stratejik bir öneme sahiptir. Ankara'nın içme suyunun önemli bir bölümü bu havzadan sağlanmakta, ayrıca havza, İstanbul'a yönelik acil su transfer kapasitesine de sahip bulunmaktadır. Artan enerji talebi, genişleyen sulama alanları ve periyodik kuraklıklar, Sakarya Nehri'nin rejimini ve ekolojik dengesini doğrudan etkilemektedir. Bu durum, Sakarya Havzası'nı çok amaçlı bir optimizasyon modelinin test edilmesi için ideal bir örnek alan haline getirmektedir. Geliştirilen aracın test edilmesi amacıyla, SUWO-Sakarya Nehri Havzası (SUWO-SNH) modeli kurulmuştur.

Modelin girdileri, uzun dönemli yağış, sıcaklık ve akım gözlemlerinin yanı sıra baraj işletme verileri ve sulama sistemlerinin teknik özelliklerinden oluşmaktadır. Üç farklı hidrolojik durum (yağışlı, normal ve kurak) için senaryolar tanımlanmış ve model her bir durumda test edilmiştir. Modelde üç temel amaç fonksiyonu optimize edilmektedir. Bu amaçlar havza genelinde; hidroelektrik enerji üretimi ve sulama arz güvenilirliğinin maksimize edilmesi ve ekolojik sapmanın minimize edilmesi olarak belirlenmiştir. Simülasyonlar su bütçesi, baraj depolama kısıtları ve sektörel su talep sınırları gibi kısıtlar altında değerlendirilmiştir. Model ÇAGA kullanılarak, NSGA-II ve NSGA-III algoritmalarıyla optimize edilmiştir.Yönetim senaryoları belirlenirken ÇKKV yöntemiyle farklı paydaş öncelikleri dikkate alınarak alternatif stratejilerin göreceli üstünlükleri analiz edilmiştir. Bu kapsamda, Enerji Maksimizasyonu, Sürdürülebilir Sulama, Dengeli Yönetim ve Ekolojik Koruma olmak üzere dört farklı yönetim senaryosu tanımlanmıştır. Modelde baraj işletmelerinin uygun bir şekilde gerçekleştirilebilmesi amacıyla ceza fonksiyonları kullanılmıştır. Bu sayede baraj işletmelerinde minimum, maksimum ve periyot sonu hedeflerden sapmalar cezalandırılmıştır. Bu süreçte modele uygun ceza katsayıları belirlenmiştir. Analiz sonuçları, enerji üretimi, tarımsal sulama ve ekolojik hedefler arasında güçlü ödünleşmeler bulunduğunu göstermektedir. Enerji odaklı senaryolarda toplam hidroelektrik enerji üretimi 1.909 GWh (NSGA-II) ve 1.887 GWh (NSGA-III) seviyelerine ulaşırken, sulama arz güvenilirliği 0,87-0,89 düzeyine gerilemiştir. Buna karşın sulamaya öncelik veren senaryolarda bu oran 1,00 seviyesine çıkmış, ancak enerji üretimi yaklaşık %20 azalmıştır. Kurak yıllarda hidroelektrik enerji üretimi 1.272 GWh'ye, sulama güvenilirliği ise 0,86'ya düşmüştür. Algoritmaların performans karşılaştırmalarında, NSGA-II'nin daha geniş Pareto çözüm çeşitliliği (HV=4,053) ve daha yüksek baskın olmayan çözüm üretme oranıyla (NDSGR=0,924) öne çıktığını; NSGA-III'ün ise daha hızlı yakınsama (%1,9) ve daha homojen çözüm dağılımı sağladığını göstermektedir. Model sonuçlarında çevresel akış yönetimi kapsamında Çevresel Yönetim Sınıfları (A-F) değerlendirilmiştir. Bu sınıflar, bir nehir ekosisteminin korunma düzeyini temsil etmektedir; A sınıfı doğal akış koşullarına en yakın, diğer bir deyişle en yüksek ekolojik koruma düzeyini ifade ederken, F sınıfı ekolojik olarak en çok değişime uğramış koşulları ifade etmektedir. Modelde referans akım olarak belirlenen bu sınıflarla sonuçlar değerlendirilmiştir. Yapılan analizlerde, ekolojik kısıtların sıkılaştırılması enerji üretimini azaltırken, sulama güvenilirliğini artırmış; böylece enerji, tarım ve ekosistem hedefleri arasındaki dengenin nasıl değiştiği açık biçimde ortaya konmuştur. Çevresel yönetim sınıflarının sıkılaştırılması, enerji üretimini 1.882 GWh'den 1.763 GWh'ye düşürürken, sulama güvenilirliğini 0,90'dan 1,06'ya çıkarmış ve ekolojik sapmayı 0,08'den 5,46'ya yükseltmiştir. Bu durum, enerji, tarım ve ekosistem hedefleri arasında kaçınılmaz bir çatışma olduğunu açık biçimde ortaya koymaktadır. SUWO, açık kaynaklı ve modüler yapısı sayesinde farklı havzalara kolayca uyarlanabilir bir araçtır. Bu yönüyle, araştırmacılara ve karar vericilere şeffaf ve geliştirilebilir bir analiz ortamı sağlamaktadır. Ayrıca, ÇKKV yöntemlerinin entegrasyonu, farklı paydaşların önceliklerine göre yönetim stratejilerinin değerlendirilmesine olanak tanımaktadır. Sonuç olarak bu çalışmada, hidrolojik simülasyonla evrimsel çok amaçlı optimizasyonu birleştiren yenilikçi bir su yönetimi aracı geliştirilmiştir. SUWO, sürdürülebilir su kaynakları planlaması için bilimsel, esnek ve tekrarlanabilir bir karar destek sistemidir. Gelecekte, iklim değişikliği senaryolarının, ekonomik analizlerin ve makine öğrenmesi tabanlı modellerin SUWO'ya entegre edilmesiyle modelin hem öngörü gücü hem de uygulama alanı genişletilebilir. Bu yönüyle SUWO, enerji, tarım ve ekosistem hedeflerini bütüncül biçimde ele alan, sürdürülebilir su yönetişimi için güçlü bir metodolojik temel sunmaktadır.

Sustainable management of water resources has become a central challenge in the twenty-first century as a result of growing global water demand, rapid urbanization, and the accelerating effects of climate change. Increasing competition between water-using sectors, such as energy generation, agricultural irrigation, and ecosystem conservation, necessitates the adoption of integrated and scientifically informed decision-support frameworks. The interlinked structure of the Water-Energy-Food-Ecosystem (WEFE) Nexus implies that decisions in one domain inevitably affect the others. Therefore, sustainable management requires not only balancing competing objectives but also quantifying the trade-offs among them within a basin-wide and dynamic perspective. This research aims to develop an optimization-based modeling framework that enhances integrated and multi-objective water resources management. The resulting system, named as the Sustainable Water Optimization Tool (SUWO), was designed as a Python-based, open-source decision-support platform that integrates simulation, optimization, and multi-criteria evaluation. The tool allows users to explore trade-offs between hydropower generation, agricultural irrigation, and environmental flow requirements under varying climatic and management scenarios. Through this approach, SUWO bridges the gap between hydrological process simulation and optimization-based decision-making, offering a robust and transparent methodology for sustainable water allocation. The SUWO framework consists of four primary components: (1) a hydrological simulation module, (2) an optimization engine, (3) a data management and analysis system, and (4) a scenario evaluation interface. The hydrological module represents the physical behavior of reservoirs, irrigation systems, and environmental flow requirements through mass balance and dynamic allocation equations. The optimization engine employs Multi-Objective Genetic Algorithms (MOGAs), specifically the Non-dominated Sorting Genetic Algorithm II (NSGA-II) and the Non-dominated Sorting Genetic Algorithm III (NSGA-III), to identify optimal sets of solutions along the Pareto front. The SUWO structure was implemented using modular and object-oriented programming principles. Python's flexibility enabled seamless integration of hydrological equations, penalty functions, and statistical evaluation metrics. The model includes submodules such as simulation.py, problem.py, analysis.py, and post_processing.py, which collectively manage water balance calculations, performance indicator assessments, and visualization of optimization results. The optimization framework was developed using the PyMoo library in Python, which provides a comprehensive set of tools for evolutionary multi-objective optimization and integrated decision-analysis modules. Within SUWO, PyMoo facilitated the implementation of MOGAs and also supported Multi-Criteria Decision Making (MCDM) analysis for evaluating alternative management scenarios. Performance evaluation employed several convergence and diversity metrics, namely Hypervolume (HV), Modified Inverted Generational Distance (IGD+), Spread Performance Measure (SPM), Uniformity Performance Measure (UPM), and Non-dominated Solution Generation Rate (NDSGR). These indicators were used to assess both the quality and robustness of the optimization process. Each optimization run involved an extensive number of function evaluations, ensuring statistical reliability and meaningful comparison of the algorithmic performances. The Sakarya River Basin (SRB) was selected as the application domain for SUWO. As one of Türkiye's largest and most socioeconomically important basins, SRB covers an area of approximately 58,000 km². It hosts a diverse set of water uses, including hydropower generation, agricultural irrigation, domestic water supply, and environmental flow maintenance. The basin encompasses a cascade system of major reservoirs and hydroelectric power plant (HEPPs), such as Sarıyar, Gökçekaya, and Yenice. Notably, the newer HEPPs, Gürsöğüt and Kargı, were recently incorporated into this system. The basin's water resources are critical for its extensive agricultural sector, with major irrigation projects in areas like the Upper Sakarya, Porsuk, and Orta Sakarya Sub Basins. Furthermore, the SRB is strategically important for the water security of the megacities of Ankara and Istanbul, as the basin supplies drinking water to Ankara and supporting inter-basin transfer capacity for emergency supply to Istanbul. The SRB faces complex management challenges resulting from rapid agricultural expansion, increasing energy demand, and periodic droughts, making it a strategic testbed for multi-objective optimization. The SRB faces complex management challenges resulting from rapid agricultural expansion, increasing energy demand, and periodic droughts. In addition, climate variability and anthropogenic pressures have disrupted natural flow regimes, threatening downstream ecosystems. These conditions make the basin a strategic testbed for evaluating multi-objective optimization approaches. In order to run SUWO the following input data; long-term precipitation, temperature, and flow records, together with operational characteristics of reservoirs and irrigation schemes were provided to the model. Three hydrological scenarios, namely wet, normal, and dry, were defined to assess SUWO's performance under different water availability conditions.

Taken together, these achievements lay a solid foundation for the future development of open-source, data-driven decision-support tools that can be applied to other river basins and resource systems worldwide. Ultimately, SUWO represents a significant step toward advancing sustainable water governance by equipping researchers and policymakers with a scientifically rigorous, flexible, and extensible analytical platform. With further enhancement through the integration of climate change projections, automated calibration methods, and expanded cross-sectoral linkages, the tool holds strong potential to support national and international efforts toward achieving integrated, adaptive, and resilient water resources management. Despite its advantages, several challenges remain. The performance of genetic algorithms depends heavily on parameter tuning and penalty function calibration. The iterative calibration process used in this study, though effective, was time-consuming and computationally intensive. Future research will therefore focus on developing an automated calibration module capable of dynamically adjusting penalty weights based on convergence patterns. Another limitation lies in the deterministic representation of hydrological inputs. Incorporating stochastic or climate-driven inflow scenarios derived from global climate models (GCMs) and regional downscaling would improve the reliability of long-term planning. Likewise, integrating economic cost-benefit analysis and environmental valuation functions could extend SUWO's applicability to sustainability assessment and policy analysis. Potential improvements also include the incorporation of machine learning-based surrogate modeling to reduce computational demand associated with repetitive simulations, and the coupling of SUWO with advanced visualization dashboards for interactive scenario comparison and more accessible stakeholder engagement.

Three primary objectives were optimized simultaneously within SUWO: Maximization of hydropower generation and of irrigation supply reliability, and minimization of ecological deviation (quantifying the deviation of simulated flows from environmental flow requirements). These objectives were subject to physical, hydrological, and operational constraints, including storage-elevation relationships, mass balance equations, and sectoral water demand limits. To explore trade-offs, several management scenarios were established: the Energy Maximization Scenario, the Sustainable Irrigation Scenario, the Balanced Management Scenario, and the Environmental Conservation Scenario. Each scenario was evaluated using both NSGA-II and NSGA-III algorithms. Optimization parameters such as population size, crossover rate, and mutation rate were determined for both algorithms. In addition, the implementation of penalty functions was essential to ensure constraint feasibility and promote realistic system behavior within the optimization structure. An iterative calibration process was used to fine-tune four key parameters for the SUWO-SRB model. These parameters control the magnitude and application of penalties for violating constraints, those related to reservoir levels. General penalty scaling factor (k_(scale )) controls the overall magnitude of the penalty function, essentially acting as a general weight to scale the severity of all constraints; its determined value range was 10⁻⁷ - 10⁻⁶. Minimum storage deviation coefficient (c_min) specifically penalizes solutions that allow the reservoir water level to drop below the required minimum operating level, with a calibrated value range of 0,9 - 2,0. Conversely, maximum storage deviation coefficient (c_max) penalizes solutions that raise the reservoir water level above the specified maximum operating level, also showing a calibrated value range of 0,9 - 2,0. Finally, target storage deviation coefficient (c_target) is critical for system reliability as it penalizes deviations from the desired end-of-period storage or target level, and its effective value range was found to be 0,9 - 10. This rigorous calibration ensured stable convergence, significantly improved solution robustness against operational constraint violations, and enhanced the overall performance of the multi-objective optimization framework. The results revealed clear trade-offs among the objectives. Under the Energy Maximization Scenario, total hydropower generation reached 1,909 GWh (NSGA-II) and 1,887 GWh (NSGA-III). However, the average irrigation supply ratio decreased to 0.87 and 0.89, respectively, indicating reduced agricultural water reliability. Conversely, the Sustainable Irrigation Scenario achieved nearly full irrigation satisfaction (1.00 for NSGA-II and 0.99 for NSGA-III) but reduced total hydropower output by approximately 20 percent. Environmental indicators showed that higher energy production tended to increase ecological deviation, while irrigation-oriented management resulted in more balanced ecological conditions. Under dry hydrological scenarios, hydropower generation fell to 1,272 GWh, and irrigation reliability declined to 0.86, illustrating the system's vulnerability to drought. The HV metric highlighted the superior performance of NSGA-II, with a final HV of 4.053, representing a 21 percent improvement compared to NSGA-III's 3.341. However, NSGA-III achieved a lower IGD+ value of 0.014, suggesting closer approximation to the ideal Pareto front, though with slightly reduced robustness. The Running IGD curves indicated convergence after approximately 600,000 function evaluations for both algorithms. Additional performance indicators supported these observations. NDSGR was 0.924 for NSGA-II and 0.501 for NSGA-III, confirming NSGA-II's greater solution diversity. The SPM and UPM results showed that NSGA-III achieved more uniform solution distribution and faster convergence, while NSGA-II maintained better overall diversity. A comparison of computational efficiency indicated that NSGA-III completed runs about 1.9 percent faster, a modest but notable advantage for large-scale optimization problems. At the system scale, the SUWO-SRB model effectively captured interactions among energy, irrigation, and ecological components. For example, stricter ecological flow constraints (Environmental Management Classes A to F) increased ecological deviation from 0.08 to 5.46, while slightly improving irrigation reliability (0.90 to 1.06). However, total hydropower generation decreased from 1,882 GWh to 1,763 GWh across these classes, reflecting the inherent conflict between ecological preservation and energy efficiency. The results emphasize the importance of adopting a Nexus-based perspective in basin-scale water management. Rather than optimizing single sectors, SUWO promotes a balanced approach that quantifies the consequences of prioritizing one objective over another. This analytical framework enables policymakers to evaluate the economic, environmental, and social trade-offs of alternative strategies with quantitative evidence. Moreover, the open-source and modular design of SUWO ensures its applicability beyond the Sakarya Basin. By allowing researchers to customize data structures, adding new objectives, and connecting external models through Python APIs, SUWO provides a flexible foundation for future interdisciplinary research. The integration of MCDM methods enhance the interpretability of results, offering a structured means to rank or select preferred management strategies according to stakeholder priorities. This makes SUWO particularly valuable in participatory decision-making contexts, where competing interests must be reconciled transparently. The research established a modular, transparent, and replicable modeling architecture that embodies the principles of integrated water resources management. This flexible structure enables future adaptation of the model to different river basins, datasets, and policy contexts, ensuring long-term usability and transferability. Furthermore, the study highlighted the comparative strengths of the NSGA-II and NSGA-III algorithms in basin-scale optimization problems. While NSGA-II provided broader Pareto diversity and more robust convergence across multiple runs, NSGA-III exhibited faster convergence and greater uniformity in solution distribution. These findings contribute valuable methodological insight into the algorithmic selection and tuning processes for large-scale water optimization models. In addition, the research quantified the intricate sectoral and environmental trade-offs that emerge under diverse hydrological and management scenarios. The results clearly illustrated how prioritizing one objective, such as maximizing hydropower production or irrigation reliability, can influence ecological flow stability and basin-wide sustainability. This quantitative assessment provides decision-makers with a transparent and evidence-based framework to evaluate the implications of competing management strategies.