Yağış Miktarının Yapay Sinir Ağları ile Tahmini
Öz Özet- Yağış verilerinin öngörülebilir olması ve doğruya yakın şekilde tahmin edilebilmesi; mühendislik açısından birçok avantaj sağlayacak bir durumdur. Geçmiş yağış verileri yardımıyla bu öngörü işlemi belirli matematiksel denklemler sayesinde yapılabilmektedir. Kara kutu modeli olarak adlandırılan analiz sistemlerinde geçmiş veriler sayesinde oluşturulan modeller yardımıyla eksik veriler ve gelecekteki veriler tahmin edilebilmektedir. Günümüzde gerek alınan verimli sonuçlar gerekse kullanım kolaylığı ve hızı sebebiyle bir kara kutu modeli olan Yapay Sinir Ağları (YSA) bu öngörü modellemelerinde sıkça kullanılmaktadır. Bu çalışmada bir Yapay Sinir Ağı yöntemi olan İleri Beslemeli Geri Yayılım (İBGY) metodu yardımıyla yağış verileri tahmin edilmiştir ve sonuçlar çoklu doğrusal regresyon analizi sonuçları ile karşılaştırılmıştır. Tahmin modelleri hazırlanırken geçmiş yıllara ait yağış, nispi nem ve sıcaklık verileri birlikte kullanılmıştır. Hazırlanan birçok farklı modelden beş tanesi karşılaştırma amacıyla seçilmiştir. Çalışmada en iyi performansı 6 adet giriş verisi bulunan (sıcaklık, iki gün ötelenmiş nispi nem, bir gün ötelenmiş nispi nem, iki gün ötelenmiş yağış, bir gün ötelenmiş yağış) model 5 sergilemiş ve ileri beslemeli geri yayılım sinir ağının, çoklu doğrusal regresyon analizine göre daha başarılı sonuçlar verdiği görülmüştür.
___
- Bayazıt, M., Hidrolojik Modeller Ders Kitabı, İTÜ İnşaat Fakültesi Matbaası (Baskı 1), İstanbul, 1998.
- Cığızoğlu, H. K., ‘’Incorporation of ARMA models into flow forecasting by artificial neural networks,’’ Environmetrics, vol. 14(4), pp. 417- 427, 2003.
- Bodri L., Cermak, V., ‘’Prediction of Extreme Precipitation using a Neural Network Application to Summer Flood Occurence in Moravia,’’ Advences in Engineering Software, vol. 31, pp. 311-321, 1991.
- Tokar A. S. ve Johnson P. A., ‘’Rainfallrunoff Modelling Using Artificial Neural Networks,’’ Journal of Hydrologic Engineering, vol. 4, no. 3, pp. 232- 239, 1999.
- Applequist, S., Gahrs, G. E., Pfeffer, R. L., ‘’Comparison of Methodologies for Probabilistic Quantitative Precipitation Forecasting,’’ American Meteorological Society, vol. 17, pp. 783-799, 2002.
- Cığızoğlu, H. K., ‘’Application of the Generalized Regression Neural Networks to Intermittent Flow
- Forecasting and Estimation,’’ ASCE Journal Of Hydrologic Engineering, vol. 10, no. 4, pp. 336, 2005.
- Ramirez, M. C. V., Velho, H. F. C., Ferreira, N. J., ‘’Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region,’’ Journal of Hydrology, vol. 301, pp. 146-162, 2005.
- Partal, T., Kahya, E., Cığızoğlu, K., ‘’Yağış Verilerinin Yapay Sinir Ağları ve Dalgacık Dönüşümü Yöntemleri İle Tahmini,’’ İstanbul Teknik Üniversitesi Dergisi, vol. 7, no. 3, pp. 73-86, 2008.
- Aslay, F., Özen, Ü., ‘’Meteorolojik Parametreler Kullanılarak Yapay Sinir Ağları ile Toprak Sıcaklığının Tahmini,’’ Politeknik Dergisi, vol. 16, no. 4, pp. 139-145, 2013.
- Gemici, E., Ardıçlıoğlu, M., Kocabaş, F., “Akarsularda Debinin Yapay Zeka Yöntemleri ile Modellenmesi,” Erciyes Üniversitesi Fen bilimleri Enstitüsü Fen Bilimleri Dergisi, vol. 29 (2), pp. 135-143, 2013.
- Turhan, E. ve Çağatay, H. Ö., ‘’Eksik Akım Verilerinin Tahmin Modelinin Oluşturulmasında Yapay Sinir Ağlarının Kullanımı: Asi Nehri Demirköprü Akım Gözlem İstasyon Örneği,’’ Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol. 31, pp. 93-106, 2016.
- Uğur, A., Kınacı, A. C., ‘’Yapay Zeka Teknikleri ve Yapay Sinir Ağları Kullanılarak Web Sayfalarının Sınıflandırılması,’’ XI. ‘’Türkiye’de İnternet’’ Konferansı Bildirileri, TOBB Ekonomi ve Teknoloji Üniversitesi, pp. 363-367, Ankara. 21-23 Aralık 2006.
- Ülker, M., Civalek, Ö., ‘’Yapay Sinir Ağları ile Eksenel Yüklü Kolonların Burkulma Analizi,’’ Turkish J. Eng. Env. Sci, vol. 26, pp. 117-125, 2002.
- Yerdelen, C., ‘’Mevsimlik Kar Erimesinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi,’’ Sakarya
Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, vol. 21, pp. 3-4, 2006.
- Civalek, Ö., Plak ve Kabukların Nöro-Fuzzy Tekniği ile Lineer ve Non-Lineer Statik-Dinamik Analizi, Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ, 1998.
- Keleşoğlu Ö., Fırat A., ‘’İç Basınç Altında İnce Cidarlı Kabukların Yapay Sinir Ağları ile Çözümü,’’ Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 10, no. 3, pp. 447-451, 2006.
- Öztemel, E., Yapay Sinir Ağları, Papatya Yayıncılık (Baskı:1), İstanbul, 2003.
- Şen Z., Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları (Baskı: 1), İstanbul, 2004.
- Kişi Ö., ‘’Yapay Sinir Ağları ve Regresyon Teknikleri ile Filyos Çayı Akımlarının Tahmini,’’ IV.Hidroloji Kongresi, pp. 347 353, İstanbul, 23-25 Haziran 2004.
- Gümüş, V., Kavşut, M. E., Yenigün, K., ‘’Yağış Akış İlişkisinin Modellenmesinde YSA Kullanımının Değerlendirilmesi: Orta Fırat Havzası Uygulaması,’’ Bilimde Modern Yöntemler Sempozyumu, pp. 14-16, Ekim 2010.
- Özdamar, K., SPSS ile Biyoistatistik, Kaan Kitabevi (Baskı:1), Eskişehir, 2001.
- Demir, P., S. Aral, S., ‘’Kars İli Süt Sanayi İşletmelerinde Üretim ve Sanayi Entegrasyonunun Ekonomiş ve Sosyo-Ekonomik Analizi,’’ Kafkas Üniversitesi Veterinerlik Fakültesi Dergisi, vol. 16, no. 4, pp. 585-592, 2010.
- http://www.dsi.gov.tr/toprak-ve-su-kaynakları/ (Erişim: Mayıs 2017).
- Arı, A., Berberler, B. E., ‘’Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı,’’ ACTA INFOLOGICA, vol 1 no, 2, pp. 55-73, 2017.