Abstract Accurate forecasting of lake level time series (LLTS) is an important but challenging problem with major economic, social and environmental implications. However, in recent years, the level of uncertainty in the existing LLTS forecast methods has increased significantly due to climate change, therefore, the need to develop more accurate models. The main research question for this study is whether it is necessary to use nonlinear methods in LLTS modeling or if linear methods can produce as accurate and reliable forecast tools. We introduce a new linear-based forecast method for LLTS using spectral analysis, seasonal standardization, and stochastic terms. The application of the new LLTS forecast method is tested on two case study Lakes, including the Van Lake, in Turkey and the Michigan-Huron Lake, in North America. A two-step preprocessing techniques based on standardization and differencing was used for the Van Lake, and spectral analysis and differencing was employed for the Michigan-Huron Lake. We then compared the accuracy and uncertainty of the proposed linear method with an artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) methods. The uncertainty of the new linear LLTS forecast model was ±0.00455 and ±0.00264 for the Van Lake and the Michigan-Huron Lake, respectively, compared to ±0.00625 and ±0.00766 for the ANN and the ANFIS (respectively) at the Van Lake and ±0.00312 and ±0.00319 for the ANN and the ANFIS (respectively) at the Michigan-Huron Lake.

中文翻译：

---

一种用于模拟湖泊水位波动的可靠线性方法

摘要 湖泊水位时间序列 (LLTS) 的准确预测是一个重要但具有挑战性的问题，具有重大的经济、社会和环境影响。然而，近年来，由于气候变化，现有 LLTS 预测方法的不确定性水平显着增加，因此需要开发更准确的模型。本研究的主要研究问题是是否有必要在 LLTS 建模中使用非线性方法，或者线性方法是否可以产生准确可靠的预测工具。我们使用谱分析、季节性标准化和随机项为 LLTS 引入了一种新的基于线性的预测方法。新 LLTS 预测方法的应用在两个案例研究湖泊进行了测试，包括土耳其的凡湖和北美的密歇根休伦湖。范湖采用基于标准化和差分的两步预处理技术，密歇根-休伦湖采用光谱分析和差分。然后，我们将所提出的线性方法的准确性和不确定性与人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS) 方法进行了比较。Van Lake 和密歇根-休伦湖的新线性 LLTS 预测模型的不确定性分别为 ±0.00455 和 ±0.00264，而 Van Lake 的 ANN 和 ANFIS（分别）为 ±0.00625 和 ±0.00766，并且 ±密歇根-休伦湖的 ANN 和 ANFIS（分别）为 0.00312 和 ±0.00319。然后，我们将所提出的线性方法的准确性和不确定性与人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS) 方法进行了比较。Van Lake 和密歇根-休伦湖的新线性 LLTS 预测模型的不确定性分别为 ±0.00455 和 ±0.00264，而 Van Lake 的 ANN 和 ANFIS（分别）为 ±0.00625 和 ±0.00766，并且 ±密歇根-休伦湖的 ANN 和 ANFIS（分别）为 0.00312 和 ±0.00319。然后，我们将所提出的线性方法的准确性和不确定性与人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS) 方法进行了比较。Van Lake 和密歇根-休伦湖的新线性 LLTS 预测模型的不确定性分别为 ±0.00455 和 ±0.00264，而 Van Lake 的 ANN 和 ANFIS（分别）为 ±0.00625 和 ±0.00766，并且 ±密歇根-休伦湖的 ANN 和 ANFIS（分别）为 0.00312 和 ±0.00319。