Kuraklığın Yapay Sinir Ağları ile Analizi: Adıyaman Örneği

Yıl 2019, Cilt: 4 Sayı: 1, 25 - 32, 25.03.2019

Fatih Tufaner İsmail Dabanlı Abdurrahman Özbeyaz

Öz

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.

Anahtar Kelimeler

Adıyaman, yağış, kuraklık, kuraklık analizi, yapay sinir ağları

Kaynakça

• 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.