Taşkın Debilerinin Yapay Sinir Ağları İle Modellenmesi: Örneksel Bölge Çalışması-Batı Karadeniz Havzası

Öz

Su yapılarının boyutlandırılması ve taŞkınların zararlarınnın azaltılmasında en sık kullanılan yöntemlerden biri taŞkın frekans analizidir. TaŞkın frekans analizi ile elde edilen bilgiden yararlanarak tasarıma esas olan maksimum debi, güvenilir olarak hesaplanmakta ve ayrıca hidrolojik bilgi olmayan yerlerde dahi tasarım değerleri belirlenebilmektedir. ÇalıŞmada Batı Karadeniz Havzası akım gözlem istasyonlarına ait taŞkın değerlerine karŞılık her istasyona ait kot, alan, enlem, boylam ve tekerrür periyotları kullanılarak modeller geliŞtirilmiŞtir. ÇalıŞmanın amacı havzanın tamamı için tek bir model önerebilmektir. ÇalıŞmada, Batı Karadeniz Havzasında yer alan akım kayıt uzunlukların 14 ile 43 yıl arasında değiŞen 21 adet akım gözlem istasyonunun yıllık maksimum değerleri kullanılmıŞtır. Sonuçta, gelecekte gelebilecek maksimum debiyi tahmin etmede kullanılabilecek modeller arasında Çoklu Doğrusal Regresyon (ÇDR), Çoklu Doğrusal Olmayan Regresyon (ÇDOR), ve Yapay Sinir Ağları (YSA) incelenmiŞ ve eldeki mevcut veriyi en iyi tahmin eden model olarak YSA önerilmiŞtir

Anahtar Kelimeler

• Taşkın Frekans Analizi, Çoklu Doğrusal Regresyon, Yapay Sinir Ağları

Modelling Flood Discharge Using Artificial Neural Network: Case Study-The Middle Black Sea Watershed

Öz

Flood frequency analysis is one of the most widely used methods in reduction of the flood damages and also in the design of hydraulic structures. By using the flood frequency analysis, maximum discharge used in projects are reliably calculated, and also it can be determined for ungaged stations. In this study, predictive models were developed based on elevation, area, altitude, longitude and return periods corresponding to the flood values of discharge gauges of Middle Black Sea Watershed. The main purpose is to propose a single model for the whole basin. The annual maximum discharge records of 21 gauging stations having 14 to 43 years record period, are used. Consequently, the methods to forecast the maximum possible discharge in the future as Multiple Linear Regression (MLR), Multiple Nonlinear Regression (MNLR) and Artificial Neural Network (ANN) were evaluated and ANN was proposed as the model that predicted the best the observed data in present study

Anahtar Kelimeler

• Flood Frequency Analysis, Multiple Linear Regression, Neural Networks

Kaynakça

1. 1. Hsu, K., Gupta, H.V. ve Sorooshian, S.,. “Artificial neural network modelling of the rainfall runoff process”, Water Resoırces Research, 31, 2517-2530. 1995
2. 2. Mason, J.C., Price, R.K. ve Tem’me, A., (1996). “A neural network model of rainfall runoff using radial basis functions”, Journal of Hydraulic Research, 34, 4, 537-548.
3. 3. Minns, A.W. ve Hall, M.J., (1996). “Artificial neural networks as rainfall runoff models” Hydrological Sciences Journal, 41, 3, 399-417.
4. 4. Fernando, D.A.K. ve Jayawardena, A.W., (1998). “Runoff forecasting using RBF networks with OLS algorithm”, Journal of Hydrologic Engineering 3, 3, 203- 209.
5. 5. Alp, M. Ve Cigizoglu, H. K. (2004). “Farklı yapay sinir ağı metodları ile yağıĢ-akıĢ iliĢkisinin modellenmesi”. Ġtü mühendislik dergisi, Cilt:3, Sayı:1, 80-88.
6. 6. Tokar, A.S. ve Johnson, P.A., (1999). “Rainfallrunoff modelling using artificial neural Networks”, Journal of Hydrologic Engineering, 4, 3, 232-239.
7. 7. Campolo, M., Andreussi, P. ve Soldati, A., (1999a). “River flood forecasting with a neural network model”, Water Resources Research, 35, 1191- 1197. 8. Campolo, M., Soldati, A. ve Andreussi, P., (1999b). “Forecasting river flow rate during low flow periods using neural Networks”, Water Resources Research, 35, 11, 3547-3552. 9. Ranjithan, S., Eheart, J.W. ve Garrett, J.H., (1993). “Neural network-based screening for groundwater reclamation under uncertainity”, Water Resources Research, 29, 3, 563-574. 10. Rogers, L.L. ve Dowla, F.U., (1994). “Optimization of groundwater remediation using artificial neural networks with parallel solute transport modelling”, Water Resources Research, 30, 2, 457-481. 11. Raman, H. ve Sunilkumar, N., (1995). “Multivariate modelling of water resources time series using artificial neural Networks”, Hydrological Sciences Journal, 40, 2, 145-163. 12. Boogaard, H., Gautam, D.K. ve Mynett, A.E., (1998). “Auto-regressive neural networks for the modelling of time series”, Hydroinformatics Conference, Copenhagen.
8. 13. See, L. ve Openshaw, S., (1998). “Using soft computing techniques to enhance flood forecasting on the river Ouse”, Hydroinformatics Conference, Copenhagen.

9. 14. Lange, N., (1998). “Advantages of unit hydrograph derivation by neural Networks”, Hydroinformatics Conference, Copenhagen.
10. 15. Hall, M.J. ve Minns, A.W., (1998). “Regional flood frequency analysis using artificial neural Networks”, Hydroinformatics Conference, Copenhagen.
11. 16. Djebbar, Y. ve Alila, Y., (1998). “Neural network estimation of sanitary flows”, Hydroinformatics Conference, poster presantation, Copenhagen.
12. 17. Cığızoğlu, H.K., (2002a). “Suspended sediment estimation and forecasting using artificial neural Networks”, Turkish Journal of Engineering & Environmental Sciences, 26, 15-25. 18. Cığızoğlu, H.K., (2002b). “Suspended sediment estimation for rivers using artificial neural networks and sediment rating curves”, Turkish Journal of Engineering & Environmental Sciences, 26, 27-36.
13. 19. Brikundavyi, S., Labib, R., Trung, H.T. ve Rousselle, J., (2002). “Performance of neural networks in daily streamflow forecasting”, Journal of Hydrologic Engineering, 7, 5, 392-398.
14. 20. Cığızoğlu, H.K., (2003a). “Incorporation of ARMA models into flow forecasting by artificial neural Networks”, Environmetrics, 14, 4, 417-427.
15. 21. Cığızoğlu, H.K., (2003b). “Estimation, forecasting and extrapolation of flow data by artificial neural networks”, Hydrological Sciences Journal, 48, 3, 349-361. 22. Lippman, R, (1987) “An Introduction to Computing With Neural Nets”, IEEE ASSP Mag., 4, 4-22.
16. 23. Marquardt, D., (1963) “An algorithm for least squares estimation of nonlinear parameters”, J.Soc.Ind.Appl.Math., pp.431-441, 1963
17. 24. KiĢi, Ö., (2004) “Yapay Sinir Ağları ve Regresyon Teknikleri ile Filyos Çayı Akımlarının Tahmini”, IV.Hidroloji Kongresi, 23-25 Haziran, 347-353, Ġstanbul, Türkiye
18. 25. Alpar, R. (2003) “Uygulamalı Çok DeğiĢkenli Ġstatistiksel Yöntemlere GiriĢ 1”, Ankara, Türkiye.