Estimation of Drought by Streamflow Drought Index (SDI) and Artificial Neural Networks (ANNs) in Ankara-Nallihan Region

In this study, it is aimed to predict drought in Nallihan region by using streamflow drought index and artificial neural network method which is a part of artificial intelligence approaches. The measured data of some meteorological stations (Nallihan, Beypazari, Mihaliccik, Catacik, Goynuk, Mudurnu, Seben and Eskisehir) in the Sakarya Basin and the Nallihan streamflow observation station between 1996 and 2015 were used to forecast 2015-2030 streamflow values. The correlation coefficient in the education and test stages of the ANN model was realized with a high consistency of 0.990 and 0.967, respectively. According to the mean absolute error method, the error performance values of ANN model are 0.19 for the training phase and 0.26 for the test phase. Cumulative streamflow series were created for the reference periods (k1, October-December; k2, October-March; k3, October-June; k4, October-September) and the streamflow drought index values were obtained using measured and predicted values. According to these values, mild droughts were more frequent between 1997-2015 and 2016-2030, but the number of moderate and severe droughts increased gradually. It is predicted that in the future, it may be seen in extreme arid periods in the region. Drought in the 6-month period between October and March is similar to the average of all periods for 1997-2015 and 2016-2030. The use of 6-month drought data for the streamflow drought index is expected to be useful in predicting future drought.

Ankara Nallıhan Bölgesinde Akarsu Kuraklık İndeksi Ve Yapay Sinir Ağları Kullanılarak Kuraklığın Tahmini

Bu çalışmada, yapay zekâ yaklaşımlarının bir parçası olan yapay sinir ağları ve akarsu kuraklık indeksi yöntemi kullanılarak, Nallıhan bölgesinde yaşanabilecek olası kuraklığın tahmin edilmesi amaçlanmıştır. Çalışmada, Sakarya Havzası’nda yer alan Nallıhan, Beypazarı, Mihalıççık, Çatacık, Göynük, Mudurnu, Seben ve Eskişehir meteoroloji istasyonları ve Nallıhan akım gözlem istasyonuna ait 1996-2015 yılları arasındaki veriler kullanılarak 2015-2030 yılları arasında oluşabilecek akımlar tahmin edilmiştir. ANN modelinin eğitim ve test aşamalarındaki korelasyon katsayısı sırası ile 0.990 ve 0.967 düzeyinde yüksek bir tutarlılıkla gerçekleşmiştir. ANN modelinin ortalama mutlak hata yöntemine göre hata performans değerleri, eğitim aşaması için 0.19 ve test aşması için 0.26’dır. Geçmiş ve YSA modeli kullanılarak elde edilen gelebilecek akım verileri kullanılarak su yılını oluşturan referans periyotlar (k1, Ekim-Aralık; k2, Ekim-Mart; k3, EkimHaziran; k4, Ekim-Eylül) için birikimli akım serileri oluşturulmuş ve akarsu kuraklık indeksi değerleri elde edilmiştir. Bu değerlere göre, 1997-2015 ve 2016-2030 arasında hafif kuraklık daha fazla görülmüş, ancak, orta şiddetli ve şiddetli kuraklıkların sayısı giderek artmıştır. Gelecekte bölgede, aşırı kurak dönemlerinde görülebileceği tahmin edilmektedir. Ekim-Mart arasındaki 6 aylık periyotta yaşanan kuraklıklar, 1997-2015 ve 2016-2030 yılları için benzer şekilde tüm periyotların ortalamasına yakın seyretmektedir. 6 aylık kuraklık verilerinin akarsu kuraklık indeksi için gelecekteki kuraklık tahmininde kullanılmasının faydalı olacağı düşünülmektedir.

PDF

___

Abarghouei HB, Kousari MR., Amin M, Zarch A. 2011. Prediction of Drought in Dry Lands Through Feedforward Artificial Neural Network Abilities. Arabian Journal of Geosciences. 6:1417-1433. DOI: 10.1007/s12517-011-0445-x.

Agana NA, Homaifar A. 2017. A Deep Learning Based Approach for Long-Term Drought Prediction. Southeast Conference. North Carolina. 30 March-02 April 2017,1-8.

Agnew CT. 1990. Spatial Aspects of Drought in The Sahel. Journal of Arid Environments, 18: 279–293. DOI: 10.1016/S0140-1963(18)30838-3

Agnew C T, Warren A. 1996. A Framework for Tackling Drought and Degradation. Journal of Arid Environments. 33: 309-320. DOI: 10.1006/jare.1996.0067

Akpolat O. 2014. Bakteri Buyumesinin Yapay Sinir Aglariyla Modellenmesi. Akademik Bilisim 2014. Mersin Universitesi, Mersin, 05 – 07 Subat 2014..2-6

Anli AS. 2014. Guneydogu Anadolu Bolgesinde Referans Bitki Su Tuketiminin (ETo) Zamansal Degisimi ve RDI Yontemiyle Meteorolojik Kuraklik Analizi. Tarim Bilimleri Dergisi. 20:248-260. DOI: 10.15832/tbd.82527

Apaydin H, Sonmez FK, Yildirim YE. 2004. Spatial Interpolation Techniques for Climate Data in The GAP Region in Turkey.

Climate Research 28(1): 31–40. DOI: 10.3354/cr028031 Bayir R. 2008. Yapay Zeka Teknikleri Dersi Ders Notlari. Karabuk Universitesi Elektronik ve Bilgisayar Egitimi bolumu, Karabuk.

Bacanli ÜG, Fırat M, Dikbaş F. 2008. Adaptive Neuro-Fuzzy Inference System for Drought Forecasting. Stochastic Environmental Research and Risk Assessment, 23:1143–1154. DOI: 10.1007/s00477-008-0288-5

Chantasut N, Charoenjit C, Tanprasert C. 2004. Predictive Mining of Rainfall Predictions Using Artificial Neural Networks for Chao Phraya River. Proceedings of Joint Conference The 4th Int. Con. of The Asian Federation of Information Technology in Agriculture and The 2nd World Con. on Computers in Agriculture and Natural Resources, Bangkok, Thailand. 9-12 August 2004, 117-122..

Ceylan A, Akgunduz S, Demirors Z, Erkan A, Cinar S, Ozevren E. 2009. Aridity Index Kullanilarak Türkiye’de Çölleşmeye Egilimli Alanlardaki Degisimin Belirlenmesi. I. Ulusal Kuraklık ve Çölleşme Sempozyumu. Konya. 16-18 Haziran 2009.

Cura T. 2008. Modern Sezgisel Teknikler ve Uygulamalari. İstanbul. Papatya Yayıncılık ISBN:9789756797792..

Dayal KS, Deo RC, Apan AA. 2016. Application of Hybrid Artificial Neural Network Algorithm for The Prediction of Standardized Precipitation Index. IEEE Region 10 Conference (TENCON). Singapore. 22-25 November 2016.2962-2966..

Demirer O, Ozdemir D, İnal M. 2010. Yapay Sinir Agları ile Kocaeli İlinin Puant Yuk Tahmini. EVK-2011 4.Enerji Verimliliği ve Kalitesi Sempozyumu. Kocaeli. 12-13 Mayıs 2011. 228-232.

Haykin S. 1999. Neural Networks: A Comprehensive Foundation. India. Englewood Cliffs, NJ. Pearson PrenticeHall. ISBN: 8178083000.

Illeperuma G, Sonnadara U. 2009. Forecasting Droughts Using Artificial Neural Networks. National Symposium on Disaster Risk Reduction & Climate Change Adaptation. Colombo. 7- 8 July 2009. 100-107.

Karakoc A, Tagil S. 2014. Izmir ve Ankara’da Yagis Paterni Ile Kuzey Atlantik Salinimi (Nao) Arasindaki Ilişki. Uluslararası Sosyal Araştırmalar Dergisi. 7 (30):148-157. https://www.researchgate.net/publication/269464873_Izmir_Ve_Ankara'da_Yagis_Paterni_Ile_Kuzey_Atlantik_Salinimi_NAO_Arasindaki_Iliski [30.11.2019]

Katip A. 2018. Meteorological Drought Analysis Using Artificial Neural Networks for Bursa City, Turkey. Applied Ecology and Environmental Research.16(3):3315-3332. DOI:10.15666/aeer/1603_33153332

Keyantash J, Dracup JA. 2002. The Quantification of Drought: An Evaluation of Drought Indices. Bulletin of American Meteorological Society, 83:1167–1180. DOI: 10.1175/1520-0477-83.8.1167

Maca P, Pech P. 2016. Forecasting SPEI and SPI Drought Indices Using the Integrated Artificial Neural Networks. Computational Intelligence and Neuroscience Journal. 14:1-17. DOI: 10.1155/2016/3868519

Maier HR, Dandy GC. 2000. Neural Networks for the Prediction and Forecasting of Water Resources Variables: A Review of Modelling Issues and Applications. Environmental Modelling & Software. 15:101–124. DOI: 10.1016/S1364-8152(99)00007-9

McKee TB, Doesken NJ, Kleist J. 1993. The Relationship of Drought Frequency and Duration of Time Scales. Presented at the Eighth Conference on Applied Climatology. American Meteorological Society. Anaheim CA. Jan 17-23 1993., 179-186.

Mehrotra K, Mohan CK, Ranka S. 1997. Elements of Artificial Neural Networks. U.S.A. Complex Adaptive Systems Series. The MIT Press.ISBN: 9780262133289 Morid S, Smakhtin V, Bagherzadeh K. 2007. Drought Forecasting Using Artificial Neural Networks and Time Series of Drought Indices. International Journal of Climatology. 27:2103-2111. DOI: 10.1002/joc.1498

Nalbantis I, Tsakiris G. 2009. Assessment of Hydrological Drought Revisited. Water Resources Management. 23 (5):881-897. DOI: 10.1007/s11269-008-9305-1

Ogucu MO. 2006. Yapay Sinir Aglari ile Sistem Tanima. Istanbul. PhD Thesis ITU.

Okman C. 1994. Hidroloji. Ankara.Ankara Üniversitesi Ziraat Fakültesi Yayinlari, 1388: 359 ISBN: 975482271 Oztemel, E. 2006. Yapay Sinir Aglari. Istanbul. Papatya Yayıncılık.ISBN: 9789756797396 Palmer WC. 1965. Meteorological Drought. US Department of Commerce, Weather Bureau. 45:58. https://www.ncdc.noaa.gov /temp-and-precip/drought/docs/palmer.pdf [12 October 2019]

Sonmez, AY., Kale, S, Ozdemir, RC, Kadak, AE. 2018. An Adaptive Neuro-Fuzzy Inference System (ANFIS) to Predict of Cadmium (Cd) Concentrations in the Filyos River, Turkey. Turkish Journal of Fisheries and Aquatic Sciences 18:1333-1343(2018), DOI: 10.4194/1303-2712-v18_12_01

Unlukara A, Yurekli, K, Anli AS, Ors İ. 2010. Kayseri İlinin RDI (Reconnaissance) Indeksine Gore Kurakliginin Degerlendirilmesi. Tarim Bilimleri Arastirma Dergisi, 3:13- 17. DOI: Wilhite DA. 1996. A Methodology for Drought Preparedness.

Natural Hazards. 13:229-252. DOI: 10.1007/BF00215817 Wilhite DA, Glantz MH. 1985. Understanding the Drought Phenomenon: The Role of Definitions. Water International. 10: 111-120. DOI: 10.1080/02508068508686328

Yu M, Li O, Hayes MJ, Svobodab MD, Heime RR. 2013. Are Droughts Becoming More Frequent or Severe in China Based on the Standardized Precipitation Evapotranspiration Index: 1951–2010?. International Journal of Climatology. 34:545- 558. DOI:10.1002/joc.3701

Yurekli K, Unlukara, A, Yıldırım M. 2010. Farklı Yaklaşımlarla Karaman Ilinin Kuraklık Analizi. Tarim Bilimleri Arastirma Dergisi, 3:19-23.