Kuraklığın Yapay Sinir Ağları ile Analizi: Adıyaman Örneği

Kuraklığın analizi, kuraklık yönetimi için önemli bir bileşendir. Kuraklık genellikle su ihtiyacının karşılanamaması veya su kıtlığı olarak ortaya çıkmaktadır. Kuraklığa karşı önlem alabilmek ve kuraklık afetini yönetebilmek için kuraklık parametrelerinin iyi bilinmesi ve izlenmesi büyük önem taşımaktadır. Bu çalışmada, toplumu yakından ilgilendiren kuraklığın incelenmesi hedeflenmiştir. Bu amaçla, Yapay Sinir Ağlarının (YSA) kuraklık analizinde kullanılabilirliği araştırılmıştır. Ayrıca, kuraklık analizi standart yağış indeksi (SYİ) ile gerçekleştirilmiş ve elde edilen sonuçlar yapay sinir ağları yöntemi ile karşılaştırılmıştır. Özellikle son yıllarda Adıyaman’da dönemsel kuraklıklar yaşanmaktadır. Kuraklık analizi için Adıyaman meteoroloji merkez istasyonu verileri kullanılmıştır. Bu çalışmada, sırasıyla determinasyon katsayısı (R2) ve ortalama karesel hata (OKH) (0.9967, 0.9989, 0.9999 ve 1.6189 x 10-5, 1.1699 x 10-5, 7.3229 x 10-7) değerlerine göre YSA 1, YSA 3 ve YSA 12 tahmin sonuçlarının, SYİ 1, SYİ 3 ve SYİ 12 sonuçlarına oldukça yakın olduğu tespit edilmiştir. Sonuçlar, YSA modellemesinin SYİ analizinin davranışını etkili bir şekilde öngörebileceğini ve simüle edebileceğini göstermiştir.

___

  • Chattopadhyay, S., (2007). Feed forward Artificial Neural Network model to predict the average summer-monsoon rainfall in India. Acta Geophysica 55, 369-382.
  • Deo, R.C., Şahin, M., (2015). Application of the artificial neural network model for prediction of monthly standardized precipitation and evapotranspiration index using hydrometeorological parameters and climate indices in eastern Australia. Atmospheric research 161, 65-81.
  • DPT, (2001). Sekizinci Beş Yıllık Kalkınma Planı: Su Havzaları, Kullanımı ve Yönetimi, Özel İhtisas Komisyonu Raporu DPT:2555 -ÖİK:571Ankara, Türkiye.
  • Keskin, M.E., Taylan, E.D., Kuuml, D., (2011). Meteorological drought analysis using artificial neural networks. Sci Res Essays 6, 4469-4477.
  • Kızılelma, M., Karabulut, M., (2015). Yozgat ve çevresinde kuraklık analizi. I. Uluslararası Bozok Sempozyumu, 5-7.
  • Logan, K., Brunsell, N., Jones, A., Feddema, J., (2010). Assessing spatiotemporal variability of drought in the US central plains. Journal of Arid Environments 74, 247-255.
  • Masinde, M., (2014). Artificial neural networks models for predicting effective drought index: factoring effects of rainfall variability. Mitigation and adaptation strategies for global change 19, 1139-1162.
  • McKee, T.B., Doesken, N.J., Kleist, J., (1993). The relationship of drought frequency and duration to time scales, Proceedings of the 8th Conference on Applied Climatology. American Meteorological Society Boston, MA, pp. 179-183.
  • Nash, J.E., Sutcliffe, J.V., (1970). River flow forecasting through conceptual models part I—A discussion of principles. J Hydrol 10, 282-290.
  • Saada, N., Abu-Romman, A., (2017). Multi-site Modeling and Simulation of the Standardized Precipitation Index (SPI) in Jordan. Journal of Hydrology: Regional Studies 14, 83-91.
  • Sattari, M.T., Yürekli, K., Ünlükara, A., (2011). Karaman İlinde Yapay Sinir Ağları Yaklaşımı Kullanılarak Kuraklığın Tahmini. Tarım Bilimleri Araştırma Dergisi, 4 (1): 7-13.
  • Shah, R., Bharadiya, N., Manekar, V., (2015). Drought index computation using standardized precipitation index (SPI) method for Surat District, Gujarat. Aquatic Procedia 4, 1243-1249.
  • Wu, X., Hongxing, C., Flitman, A., Fengying, W., Guolin, F., (2001). Forecasting monsoon precipitation using artificial neural networks. Adv. Atmos. Sci 18, 950-958.
  • Yetmen, H., (2013). Van Gölü Havzası’nın Kuraklık Analizi. 21. Yüzyılda Eğitim Ve Toplum Eğitim Bilimleri ve Sosyal Araştırmalar Dergisi 2.5.