Abstract
The discharge of a river is one of the most important parameters of the hydraulic and hydrological studies such as hydropower production, canal design, irrigation, basin management. Each basin has different climate and geological characteristics which influence the regional infiltration capacity and runoff. The aim of this study is to estimate the average annual flow rates of ungauged locations on the Tigris River Basin. In total, eleven machine learning methods were applied to the long-term average annual discharge and the drainage area data of 34 flow measurement stations (FMS). Among all methods employed here, the conventional regression analysis was found to be the most successful test with a correlation coefficient (R2 value) of 0.96. The equation of the best fitted linear line represents the relationship between the drainage area and the discharge. The results of this study are expected to enable the prediction of the average annual flow rate of any sub-basin of the Tigris River.
Abstract
Herhangi bir nehrin akım parametrelerinin bilinmesi, enerji üretimi, kanal tasarımı, sulama, havza planlama projeleri ve diğer hidrolik ve hidrolojik çalışmalarda hayati önem arz etmektedir. Her havzanın kendine has iklim durumu, yağış koşulları ve zemin yapısı olduğu için sızma (infiltrasyon) ve akış parametreleri de haliyle farklı olmaktadır. Bu çalışmanın amacı, Dicle havzası üzerinde, akım ölçüm istasyonu bulunmayan alt havzaların yıllık ortalama debi değerlerinin, yağış alanının bir fonksiyonu olarak belirlenmesidir. Bu kapsamda, uzun dönem yıllık ortalama akım ve yağış alanı verileri bulunan 34 adet akım ölçüm istasyonuna (FMS) 11 adet yapay öğrenme metodu uygulanmıştır. Klasik regresyon analizi, 0,96 korelasyon değeri (R2) ile en başarılı test olarak elde edilmiş ve havza için debi ve yağış alanı arasındaki ilişkiyi gösteren lineer bir denklem türetilmiştir. Bu çalışma ile Dicle nehrinin alt havzalarında ve akım ölçüm istasyonu bulunmayan yerlerde yıllık ortalama debi tahmini yapılabilecektir.
Details
| Other ID | JA95KZ34DT |
|---|---|
| Journal Section | Makaleler |
| Authors | |
| Publication Date | December 28, 2016 |
| Submission Date | February 1, 2016 |
| Published in Issue | Year 2016 Volume: 6 Issue: 2/2 |
This work is licensed under a Creative Commons Attribution 4.0 International License.