Research Article
BibTex RIS Cite

The Evaluation of Different Artificial Intelligence Methods in Determination of Tigris Basin’s Rainfall Runoff Relationship

Year 2021, , 300 - 311, 30.06.2021
https://doi.org/10.35193/bseufbd.885644

Abstract

Rainfall-runoff process, most important component of the hydrologic cycle, has a significant place in hydrologic analysis and engineering of water resources. Recently, artificial intelligence methods which are in demand due to bringing successful outcomes to complex problems are preferred in modelling of hydrological events as in many fields. In this study, monthly average streamflow values that belongs to two stations which is inside of the boundary of the Tigris basin, is tried to determine by using precipitation data which has been obtained from meteorological observation stations. Rainfall-runoff relationship was evaluated by setting up for used stations with Adaptive Neuro-Fuzzy Inference System (ANFIS), Artificial Neural Network (ANN), Gene Expression Programming (GEP) and Multiple Linear Regression (MLR). It was seen that GEP performed better performance compared to other methods between observed streamflow and estimated streamflow at one of the used stations. At another station, it was observed that ANFIS is rather successful at predict the streamflow with high sensitive. The outcomes not only corroborate the feasibility of the intelligence methods, but also show the usability of GEP that is a mathematical method to determine the rainfall-runoff relationship.

References

  • He, Z., Wen, X., Liu, H., & Du, J. (2014). A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology, 509, 379-386.
  • Kasiviswanathan, K., He, J., Sudheer, K., & Tay, J. (2016). Potential application of wavelet neural network ensemble to forecast stream flow for flood management. Journal of Hydrology, 536, 161-173.
  • Aytek, A., Asce, M., & Alp M. (2008). An application of artificial intelligence for rainfall-runoff modelling. Journal of Earth System Science, 117(2), 145-155.
  • El-shafie, A., Mukhlisin, M., Najah, A. & Taha, M. (2011). Performance of artificial neural network and regression techniques for rainfall-runoff prediction. International Journal of the Physical Sciences, 6(8), 1997-2003.
  • Kisi, O., Shiri, J., & Tombul, M. (2013). Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51, 108-117.
  • Gümüş, V., Soydan, N., Si̇msek, O., Aköz, M., & Kırkgöz, M. (2016). Yağıs-Akış İlişkisinin Belirlenmesinde Farklı Yapay Sinir Ağı Yöntemlerinin Karşılaştırılması. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 28(1), 37-50.
  • Akrami, S., El-Shafie, A., & Jaafar, O. (2013). Improving Rainfall Forecasting Efficiency Using Modified Adaptive Neuro-Fuzzy Inference System (MANFIS). Water Resources Management, 27(9), 3507-3523.
  • Nourani, V. (2017). An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology, 544, 267-277.
  • Yaseen, Z.M., Ebtehaj, I., Bonakdari, H.,Deo, R.C., Danandeh Mehr, A.,Mohtar, W.H.M.W.,Diop, L.,El-Shafie, A., Singh, V.P. (2017). Novel approach for streamflow forecasting using a hybrid ANFIS-FFA model. Journal of Hydrology, 554, 263-276.
  • Yüksek, Ö., Babacan, H., & Saka, F. (2018). Yağış-Akış Modellemesinde Optimum Yapay Sinir Ağı Yapısının Araştırılması, Türk Hidrolik Dergisi, 2(1), 31-37.
  • Tașar, B., Unes, F., & Varcin, H. (2019) Prediction of the Rainfall – Runoff Relationship Using NeuroFuzzy and Support Vector Machines. Air and Water – Components of the Environment Conference Proceedings, Cluj-Napoca, Romania, 237-246.
  • Calp, M. (2019). A Hybrid ANFIS-GA Approach for Estimation of Regional Rainfall Amount. Gazi University Journal of Science, 32(1), 145-162.
  • Keskin, L. (2020). Yağış – akış ilişkisinin yapay sinir ağları ve otoregresif hareketli ortalamalar modelleri ile tahmini. Yüksek Lisans Tezi. İskenderun Teknik Üniversitesi, Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
  • Özdemir, Y., Öziş, Ü., Baran, T., Demirci, N., Fıstıkoğlu, O. & Çanga, R. (2002). Firat-Dicle Havzasinin Türkiye, Suriye, Irak, İran’daki Su Potansiyeli. Türkiye Mühendislik Haberleri Dergisi, 420, 27-34.
  • Özbayoğlu, G., Özbayoğlu, A., & Özbayoğlu, M. (2008). Estimation of Hardgrove grindability index of Turkish coals by neural networks. International Journal of Mineral Processing, 85(4), 93-100.
  • Haykin, S. (1999). 23. Neural Networks A Comprehensive Foundation. Pearson Education, Hindistan, 823.
  • Citakoglu, H. (2015). Comparison of artificial intelligence techniques via empirical equations for prediction of solar radiation. Computers and Electronics in Agriculture, 118, 28-37.
  • Kutlu, B. & Badur, B. (2009).Yapay Sinir Ağları ile Borsa Endeksi Tahmini. İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü Dergisi, 63, 25-44.
  • He, Z., Wen, X., Liu, H., & Du, J. (2014). A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology, 509, 379-386.
  • Jang, J. (1993). ANFIS: adaptive-network-based fuzzy inference system. Transactions on Systems, Man, and Cybernetics, 23(3), 665-685.
  • Wang, Z., Palade, V., & Xu, Y. (2006). Neuro-Fuzzy Ensemble Approach for Microarray Cancer Gene Expression Data Analysis. 2006 International Symposium on Evolving Fuzzy Systems.
  • Wei, L. (2016). A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting. Applied Soft Computing, 42, 368-376.
  • Kisi, O., Shiri, J., & Tombul, M. (2013). Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51, 108-117.
  • Citakoglu, H., Babayigit, B., & Haktanir, N. (2020). Solar radiation prediction using multi-gene genetic programming approach. Theoretical and Applied Climatology, 142(3-4), 885-897.
  • Ferreira, C. (2001).Gene Expression Programming: a New Adaptive Algorithm for Solving. Problems. Complex Systems, 13(2), 87-129.
  • Okkan, U., Serbeş, Z., & Gedi̇k, N. (2018). MATLAB ile Levenberg-Marquardt algoritması tabanlı YSA uygulaması: Aylık yağış-akış modellemesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 351-362.

Dicle Havzasının Yağış Akış İlişkisinin Belirlenmesinde Farklı Yapay Zeka Yöntemlerinin Değerlendirilmesi

Year 2021, , 300 - 311, 30.06.2021
https://doi.org/10.35193/bseufbd.885644

Abstract

Hidrolojik döngünün en önemli bileşeni olan yağış-akış süreci, hidrolojik analiz ve su kaynakları mühendisliğinde önemli bir yer edinmektedir. Son zamanlarda, karmaşık problemlere başarılı sonuçlar getirmesi sebebiyle oldukça revaçta olan yapay zekâ yöntemleri, birçok alanda olduğu gibi hidrolojik olayların modellenmesinde de tercih edilmektedir. Bu çalışmada, Dicle Havzasının sınırları içerisinde bulunan iki istasyona ait aylık ortalama akım değerleri, meteoroloji gözlem istasyonlarından edinilen yağış verileri kullanılarak belirlenmeye çalışılmıştır. Kullanılan istasyonlar için Uyarlanabilir Nöro-Bulanık Çıkarım Sistemi (Adaptive Neuro-Fuzzy Inference System – ANFIS), Yapay Sinir Ağları (YSA), Gen Ekspresyon Programlama (GEP) ve Çoklu Doğrusal Regresyon (ÇDR) yöntemleri ile modeller kurulup yağış-akış ilişkisi değerlendirilmiştir. Kullanılan istasyonların birinde gözlemlenen akış ile tahmin edilen akış arasında, GEP’ in diğer yöntemlere kıyasla daha iyi performans sergilediği görülmüştür. Bir diğer istasyonda ise ANFIS’ in akışı tahmin etmede oldukça yüksek hassasiyet ile daha başarılı olduğu gözlenmiştir. Sonuçlar yağış-akış ilişkisini belirlemek için, yapay zekâ yöntemlerinin uygulanabilirliğini doğrulamakta aynı zamanda matematiksel bir yöntem olan GEP’in de kullanılabilirliğini göstermektedir.

References

  • He, Z., Wen, X., Liu, H., & Du, J. (2014). A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology, 509, 379-386.
  • Kasiviswanathan, K., He, J., Sudheer, K., & Tay, J. (2016). Potential application of wavelet neural network ensemble to forecast stream flow for flood management. Journal of Hydrology, 536, 161-173.
  • Aytek, A., Asce, M., & Alp M. (2008). An application of artificial intelligence for rainfall-runoff modelling. Journal of Earth System Science, 117(2), 145-155.
  • El-shafie, A., Mukhlisin, M., Najah, A. & Taha, M. (2011). Performance of artificial neural network and regression techniques for rainfall-runoff prediction. International Journal of the Physical Sciences, 6(8), 1997-2003.
  • Kisi, O., Shiri, J., & Tombul, M. (2013). Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51, 108-117.
  • Gümüş, V., Soydan, N., Si̇msek, O., Aköz, M., & Kırkgöz, M. (2016). Yağıs-Akış İlişkisinin Belirlenmesinde Farklı Yapay Sinir Ağı Yöntemlerinin Karşılaştırılması. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 28(1), 37-50.
  • Akrami, S., El-Shafie, A., & Jaafar, O. (2013). Improving Rainfall Forecasting Efficiency Using Modified Adaptive Neuro-Fuzzy Inference System (MANFIS). Water Resources Management, 27(9), 3507-3523.
  • Nourani, V. (2017). An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology, 544, 267-277.
  • Yaseen, Z.M., Ebtehaj, I., Bonakdari, H.,Deo, R.C., Danandeh Mehr, A.,Mohtar, W.H.M.W.,Diop, L.,El-Shafie, A., Singh, V.P. (2017). Novel approach for streamflow forecasting using a hybrid ANFIS-FFA model. Journal of Hydrology, 554, 263-276.
  • Yüksek, Ö., Babacan, H., & Saka, F. (2018). Yağış-Akış Modellemesinde Optimum Yapay Sinir Ağı Yapısının Araştırılması, Türk Hidrolik Dergisi, 2(1), 31-37.
  • Tașar, B., Unes, F., & Varcin, H. (2019) Prediction of the Rainfall – Runoff Relationship Using NeuroFuzzy and Support Vector Machines. Air and Water – Components of the Environment Conference Proceedings, Cluj-Napoca, Romania, 237-246.
  • Calp, M. (2019). A Hybrid ANFIS-GA Approach for Estimation of Regional Rainfall Amount. Gazi University Journal of Science, 32(1), 145-162.
  • Keskin, L. (2020). Yağış – akış ilişkisinin yapay sinir ağları ve otoregresif hareketli ortalamalar modelleri ile tahmini. Yüksek Lisans Tezi. İskenderun Teknik Üniversitesi, Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
  • Özdemir, Y., Öziş, Ü., Baran, T., Demirci, N., Fıstıkoğlu, O. & Çanga, R. (2002). Firat-Dicle Havzasinin Türkiye, Suriye, Irak, İran’daki Su Potansiyeli. Türkiye Mühendislik Haberleri Dergisi, 420, 27-34.
  • Özbayoğlu, G., Özbayoğlu, A., & Özbayoğlu, M. (2008). Estimation of Hardgrove grindability index of Turkish coals by neural networks. International Journal of Mineral Processing, 85(4), 93-100.
  • Haykin, S. (1999). 23. Neural Networks A Comprehensive Foundation. Pearson Education, Hindistan, 823.
  • Citakoglu, H. (2015). Comparison of artificial intelligence techniques via empirical equations for prediction of solar radiation. Computers and Electronics in Agriculture, 118, 28-37.
  • Kutlu, B. & Badur, B. (2009).Yapay Sinir Ağları ile Borsa Endeksi Tahmini. İstanbul Üniversitesi İşletme Fakültesi İşletme İktisadı Enstitüsü Dergisi, 63, 25-44.
  • He, Z., Wen, X., Liu, H., & Du, J. (2014). A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology, 509, 379-386.
  • Jang, J. (1993). ANFIS: adaptive-network-based fuzzy inference system. Transactions on Systems, Man, and Cybernetics, 23(3), 665-685.
  • Wang, Z., Palade, V., & Xu, Y. (2006). Neuro-Fuzzy Ensemble Approach for Microarray Cancer Gene Expression Data Analysis. 2006 International Symposium on Evolving Fuzzy Systems.
  • Wei, L. (2016). A hybrid ANFIS model based on empirical mode decomposition for stock time series forecasting. Applied Soft Computing, 42, 368-376.
  • Kisi, O., Shiri, J., & Tombul, M. (2013). Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51, 108-117.
  • Citakoglu, H., Babayigit, B., & Haktanir, N. (2020). Solar radiation prediction using multi-gene genetic programming approach. Theoretical and Applied Climatology, 142(3-4), 885-897.
  • Ferreira, C. (2001).Gene Expression Programming: a New Adaptive Algorithm for Solving. Problems. Complex Systems, 13(2), 87-129.
  • Okkan, U., Serbeş, Z., & Gedi̇k, N. (2018). MATLAB ile Levenberg-Marquardt algoritması tabanlı YSA uygulaması: Aylık yağış-akış modellemesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 351-362.
There are 26 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

Reşit Gerger 0000-0002-8654-4310

Veysel Gümüş 0000-0003-2321-9526

Selmin Dere 0000-0001-9768-2324

Publication Date June 30, 2021
Submission Date February 23, 2021
Acceptance Date May 1, 2021
Published in Issue Year 2021

Cite

APA Gerger, R., Gümüş, V., & Dere, S. (2021). Dicle Havzasının Yağış Akış İlişkisinin Belirlenmesinde Farklı Yapay Zeka Yöntemlerinin Değerlendirilmesi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(1), 300-311. https://doi.org/10.35193/bseufbd.885644