Fatih SEKENDUR, Ali ÜNLÜKARA, Bilal CEMEK

Kayseri İli Günlük Referans Evapotranspirasyonun (ET0) Yapay Sinir Ağlarıyla Tahmin Edilmesi

Evapotranspirasyon (ET) hidrolojik döngünün temel bileşenlerinden biridir. Bitkilerin sulama programlamasının yapılabilmesi için günlük bazda bitki su tüketimi verisine ihtiyaç duyulmaktadır. Bu çalışmada günlük referans evapotranspirasyonun (ET0) Yapay Sinir Ağları Yöntemi (YSA) kullanılarak tahmin edilmesi amaçlanmıştır. Kayseri ili ET0 belirlenmesinde kullanılan veriler (günlük minimum ve maksimum bağıl nem, minimum ve maksimum sıcaklıklar, rüzgâr hızı, güneşlenme şiddeti ve güneşlenme süresi), Meteoroloji Genel Müdürlüğünden 2010-2017 yılları için temin edilmiştir. 2010-2015 arası günlük meteorolojik veriler eğitim verisi, 2016-2017 arası günlük veriler ise test verisi olarak kullanılmıştır. İklim verileri göz önüne alınarak 11 farklı YSA Modeli oluşturulmuştur. En iyi sonuçlar; rüzgâr, minimum ve maksimum bağıl nem, minimum ve maksimum sıcaklık, güneşlenme şiddeti, güneşlenme süresi ve günlük zaman indisi parametrelerinin kullanıldığı modelde, belirleme katsayısı (R2)= 0.998 olarak belirlenmiştir. İkinci en iyi performans güneşlenme şiddeti, buhar basıncı açığı, ortalama sıcaklık, rüzgar ve günlük zaman indisi kombinasyonunun kullanıldığı modelde belirleme katsayısı=0.997 olarak belirlenmiştir. Çalışmada en az parametrenin kullanıldığı(nispi güneşlenme süresi, buhar basıncı açığı ve günlük zaman indisi) ve en düşük performansın alındığı modelde belirleme katsayısı= 0.950 olarak belirlenmiştir. Çalışma sonucu YSA modellerinin Kayseri ili günlük ET0 hesaplamalarında başarılı sonuçlar verdiği, daha az veri kombinasyonları kullanılarak oluşturulan YSA modellerinin dahi FAO 56 Penman-Monteith yöntemiyle elde edilen ET0 değerlerine yakın sonuçlar verdiği görülmüştür.

Anahtar Kelimeler:

Yapay sinir ağları (YSA), Levenberg-Marquardt (LM), Referans evapotranspirasyon (ET0), FAO 56 Penman-Monteith

PDF

___

Allen, R.G., Pereira, L.S., Raes, D., and Smith, M., 1998.Crop Evapotranspiration Guidelines for Computing Crop Water Requirements.FAOIrrigation and Drainage, PaperNo. 56, Food and Agriculture Organization of the United Nations, Rome. Antonopoulos, V.Z, and Antonopoulos, A.V., 2017. Daily reference evapotranspiration estimates by artificial neural networks technique and empirical equations using limited input climate variables. Computers and Electronics in Agriculture 132: 86-96.
Brutsaert, W.H., 1982.Evaporation into the Atmosphere, Reidel Dordrecht.
Dohnal, J.,2004. Using of Levenberg-Marquardt method in identification by neural networks, In Student EEICT 2004. Student EEICT 2004. Brno: Ing. Zdeněk Novotný CSc., 2004, pp. 361 - 365, ISBN 80-214-2636-5 . Fausset, L.V., 1994.Fundamentals of Neural Networks Architectures, Algorithms and Applications.Prentice Hall Upper Saddle River, NJ. Ferrari, S., Jensenius, M.,2008. A constrained optimization approach to preserving priorknowledge during incremental training, IEEE Trans. Neural Netw., Cilt: 19, No: 6, 996–1009.
Haykin, S., 2001. Neural Networks - A Comprehensive Foundation, Second Edition, Pearson Education, India.
Jensen, ME., Burman, R.D., and Allen, R.G., 1990.Evapotranspiration and Irrigation Water Requirements.ASCE Manuals and Reports on Engineering PracticesNo. 70. ASCE: New York, NY.
Kisi, O., 2007. Evapotranspiration modelling from climatic data using a neural computing technique. Hydrol Process, 21: 1925-1934.
Kisi, O., 2016. Evapotranspiration estimation using six different multi-layer perceptron algorithms. Irrigation and Drainage Systems Engineering 5:2.
Khosravi, Z.M.H., Barghinia, S., and Ansarimehr, P.,2006. New momentum adjustment technique for Levenberg-Marquardt neural network used in short term load forecasting in Proc. of 21st International Power System Conference (PSC 2006), Tehran, Iran.
Kumar, M., Raghuwanshi, N.S., Singh, R., Wallender, W.W., and Pruitt, W.O.,2002. Estimating evapotranspiration using artificial neural network, J Irrig Drain Eng -Asce. 128:224–233.
Landeras, G., Ortiz-Barredo, A., and Lopez, J.J, 2008. Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain). Agricultural Water Management 95: 553-565.
Naoum, S., and Tsanis, I.K., 2003. Hydroinformatics in evapotranspiration estimation. Environmental Modelling & Software18: 261–271.
Öztemel, E., 2016. Yapay Sinir Ağları, 3. Baskı, Papatya Bilim Yayınları, İstanbul.
Taymoor, A., 2008. Application of Radial Basis Function Neural Networks for Reference Evapotranspiration Prediction.
Trajkovic, S., 2005. Temperature-based approaches for estimating reference evapotranspiration. ASCE Journal of Irrigation and DrainageEngineering,131: 316–323.
Wilamowski, B.M., and Yu, H.,2010. Improved computation for Levenberg–Marquardt training. IEEE Transactions on Neural Networks , Cilt: 21, No: 6, 930-937.

Erciyes Tarım ve Hayvan Bilimleri Dergisi-Cover

Yayın Aralığı: Yılda 2 Sayı
Başlangıç: 2018
Yayıncı: Erciyes Üniversitesi

Arşiv