VEYSEL GÜMÜŞ, N. Göksu SOYDAN, OĞUZ ŞİMŞEK, M.Sami AKÖZ, M. Salih KIRKGÖZ

Yağış-Akış İlişkisinin Belirlenmesinde Farklı Yapay Sinir Ağı Yöntemlerinin Karşılaştırılması

Bir drenaj havzası üzerindeki yağış-akış ilişkisinin doğru belirlenmesi önemli bir konudur. Son yıllarda Yağış-Akış ilişkisinin modellenmesinde, Yapay Sinir Ağları, Genetik Algoritma ve Bulanık Mantık gibi Yapay Zeka Yöntemleri yaygın bir şekilde kullanılmaktadır. Bu çalışmada, Orta Fırat Havzasında bulunan 2157 numaralı akım gözlem istasyonuna ait aylık ortalama akım verileri ile 17204 numaralı yağış gözlem istasyonuna ait aylık toplam yağış verileri arasındaki ilişki yapay sinir ağları metotlarından İleri Beslemeli Geri Yayınım Sinir Ağı (İBGYSA), Genelleştirilmiş Regresyon Yapay Sinir Ağı (GRYSA) ve Radyal Tabanlı Yapay Sinir Ağı (RTYSA) ile araştırılmış ve ardından bu sonuçlar daha klasik bir yöntem olan Çoklu Doğrusal Regresyon (ÇDR) yöntemi ile karşılaştırılmıştır. Akım ve yağış verilerinin girdi olarak kullanıldığı bu çalışmada yeni akım değerleri tahmin edilmiştir. Çalışma sonunda kullanılan tüm yapay sinir ağı yöntemlerinin ÇDR yöntemine göre daha iyi sonuç verdiği görülmüştür. RTYSA yöntemiyle tahmin edilen akım değerlerinin, kullanılan diğer yapay sinir ağı yöntemleriyle tahmin edilen değerlere kıyasla gözlenen akım değerlerine daha iyi yakınsadığı belirlenmiştir

Comparison of Different Artificial Neural Networks for Rainfall-Runoff Modeling

The correct estimation of rainfall-runoff relationship on a drainage basin is an important issue. In recent years, artificial intelligence methods such as; Artificial Neural Networks (ANN), Genetic Algorithms (GA), and Fuzzy Logic (FL) are used in modeling the rainfall-runoff relations. In this paper the relations between the average monthly flow data from the flow observation station numbered as 2157 and the monthly total rainfall data from the rainfall observation station numbered as 17204 located in the Central Euphrates river basin are investigated by using the feed-forward back-propagation neural network (FFBPNN), generalized regression neural networks (GRNN) and radial based artificial neural networks (RBANN). The results are compared using Multi Linear Regression (MLR) method. New flow values are estimated by this procedure that uses the flow and rainfall data as input. Results of the study show that, all the artificial neural networks models used in this study is found to be better results according to MLR results. It is determined that, RBANN model converges the observed flow values better than the other artificial neural networks models used in this study

PDF

___

1. Todini, E. (1988). “Rainfall-runoff modelling - past, present and future.” J. Hydrology 100, 341–352.
2. Dragan, A., SAVIC, Godfrey, A. W., JAMES, W. D. (1999). “A Genetic Programming Approach to Rainfall-Runoff Modelling Water Resources Management.” 13: 219–231, 1999.
3. Gümüş, V., Kavşut, M. E., Yenigün, K. (2011). “Yağış-Akış Đlişkisinin Modellenmesinde YSA Kullanımının Değerlendirilmesi: Orta Fırat Havzası Uygulaması.” New World Sciences Academy, 6(1), 1A0160.
4. Okkan, U., Mollamahmutoğlu, A. (2010). “Yiğitler Çayı Günlük Akımlarının Yapay Sinir Ağları ve Regresyon Analizi ile Modellenmesi.” Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 1302-3055.
5. Tokar, A. S., Markus, M. (2000). “PrecipitationRunoff Modeling Using Artificial Neural Networks and Conceptual Models.” J. Hydrol. Eng., 5:156-161.
6. Kişi, Ö., Shiri, J., Tombul, M. (2013). “Modeling Rainfall-Runoff Process Using Soft Computing Techniques.” Computers & Geosciences, 51, 108-117.
7. Partal, T., Kahya, E., Cığızoğlu, K. (2008). “Yağış Verilerinin Yapay Sinir Ağları ve Dalgacık Dönüşümü Yöntemleri ile Tahmini.” ĐTÜ Dergisi/d mühendislik, cilt:7, sayı:3, 73- 85.
8. Okkan, U., Dalkılıç, H. Y. (2012). “Radyal Tabanlı Yapay Sinir ağları ile Kemer Barajı Aylık Akımlarının Modellenmesi.” ĐMO Teknik Dergi, 5957-5966, Yazı:379, Teknik Not.
9. Çobaner, M., Ünal, B., Kişi, Ö. (2009). “Suspended Sediment Concentration Estimation by and Adaptive Neuro-Fuzzy.” Journal of Hydrology, 367, 52-61.
10. Meteoroloji, (2012), Aylık Yağış Verileri, http://www.tumas.dmi.gov.tr/wps/portal/
11. EĐEĐ, (2000). Su Akımları Yıllığı, Elektrik Đşleri Etüd Đdaresi, Ankara.
12. Lippman, R. (1987). “ An Introduction to Computing with Neural Nets.” IEEE ASSP Mag., 4, 4-22.
13. Marquardt, D. (1963). “An Algorithm for Least Squares Estimation of Non-Linear Parameters.” Journal of the Society for Industrial and Applied Mathematics, 11(2), 431-441.
14. Kişi, Ö. (2004). “Yapay Sinir Ağları ve Regresyon Teknikleri ile Filyos Çayı Akımlarının Tahmini.” IV. Hidroloji Kongresi, 23-25 Haziran, 347-353, Đstanbul, Türkiye.
15. Broomhead, D., Lowe, D. (1988). “Multivariable Functional Đnterpolation and Adaptive Networks.” Complex Systems, 2, 6, 568-576.
16. Specht, D. F. (1991). “A General Regression Neural Networks.” IEEE Transactions on Neural Networks, 2(6), 568-576.
17. Alpar, R. (2003). “Uygulamalı Çok Değişkenli Đstatistiksel Yöntemlere Giriş 1.” Ankara, Türkiye.
18. Van Ooyen, A. ve Nienhuis, B. (1992). "Improving the convergence of the back propagation algorithm". Neural Networks, 5, 465-471.
19. Cobaner, M., Seckin, G. ve Kisi, O. (2008) "Initial assessment of bridge backwater using an artificial neural network approach". Canadian Journal of Civil Engineering, 35, 500-510.