Regresyon ve Yapay Sinir Ağları Yöntemleri ile Akarsularda Askıda Katı Madde Konsantrasyonu Tahmini

Abstract

Bu çalışmada bir akarsu havzasında takibi yapılan askıda katı madde (AKM) konsantrasyonu kapsamında, mansap verilerinden memba değerlerinin tahmin edilebilirliği hem regresyon analizinin doğrusal, üs, üstel ve kuadratik fonksiyonlara uygulanması hem de yapay sinir ağları (YSA) yöntemi ile araştırılmıştır. Kullanılan veriler Sera Deresi Havzası’nda (Trabzon) seçilen sekiz gözlem istasyonunda Haziran 2019-Mart 2020 döneminde 40 kez gerçekleştirilen örnekleme çalışmaları kapsamında elde edilmiş AKM verileridir. İstasyonlar memba (ilk dördü) ve mansap (son dördü) olarak iki gruba ayrılmıştır. Mansap verilerinin %50’si (iki istasyon) eğitim, %25’i (bir istasyon) doğrulama ve kalan %25’i (bir istasyon) test aşamasında kullanılmıştır. Farklı bağımsız değişken kombinasyonlarına sahip iki model oluşturulmuş olup ilk modelde (M1) sadece AKM verileri, diğer modelde (M2) ise AKM verilerinin yanı sıra örnekleme tarihlerine ait ay ve hafta bilgileri sayısallaştırılmış ve kullanılmıştır. Modellerin ve yöntemlerin tahmin performanslarının değerlendirilmesinde ortalama karesel hatanın karekökü, ortalama mutlak hata ve Nash-Sutcliffe (NS) verimlilik katsayısı olmak üzere üç farklı istatistik kullanılmıştır. Regresyon analizinde en iyi tahmin sonuçları üs fonksiyondan elde edilmiş olup YSA yönteminin regresyon analizine kıyasla daha iyi sonuçlar verdiği belirlenmiştir. Her iki yöntemde de M2 genel olarak daha iyi bir performans göstermiştir. YSA yönteminde M1 ve M2’den hesap edilen NS verimlilik katsayıları eğitim veri seti için sırasıyla 0.980 ve 0.997 ve test veri seti için ise 0.978 ve 0.978 olarak hesaplanmıştır. Bu değerler ile AKM modelleme çalışmalarında, gerçek verilerin ait olduğu tarih bilgilerinin bağımsız değişken olarak kullanımının model performansını olumlu etkileyeceği anlaşılmıştır. Bu çalışma kapsamında, akarsu havzalarının mansap tarafı AKM verilerinden memba tarafı AKM değerlerinin başarılı bir şekilde tahmin edilebileceği sonucuna ulaşılmıştır.

Keywords

• Askıda Katı Madde
• Regresyon Analizi
• Sera Deresi Havzası
• Yapay Sinir Ağları

Estimation of Total Suspended Solids Concentration in Streams Using Regression and Artificial Neural Networks Methods

Abstract

In this study considering total suspended solids (TSS) parameter monitored in a stream watershed, the predictability of upstream values from downstream data was investigated using regression analysis, which were applied to linear, power, exponential, and quadratic functions, and artificial neural networks (ANNs) method. The data were obtained within the scope of sampling studies carried out 40 times between June 2019 and March 2020 at eight monitoring stations selected in the Sera Stream Watershed (Trabzon). The monitoring stations were divided into two groups as upstream, the first four, and downstream, the last four, stations. Half of downstream data (two stations) was used for training, a quarter (one station) for validation, and the rest (one station) for testing. Two models with different combinations of independent variables were established. In the first model (M1), only the TSS values, and in the other model (M2), the month and week information of the sampling dates were digitized and used as independent variables, in addition to the TSS values. Root mean square error, mean absolute error, and Nash-Sutcliffe (NS) efficiency coefficient statistics were used to evaluate the model and method performances. Compared to other functions, the power one had the best estimation results in the regression analysis. On the other hand, the ANNs method gave better results than the regression analysis. In both methods, M2 performed better overall. In the ANNs method, the NS efficiency coefficients obtained from M1 and M2 were calculated as 0.980 and 0.997, respectively, for the training, and 0.978 and 0.978, respectively, for the testing data sets. Considering the efficiency values, it has been understood that the use of date information as an independent variable will positively affect the model performance in the stream TSS modeling studies. Within the scope of this study, it has been concluded that upstream TSS values can be successfully estimated from downstream TSS data in stream watersheds.

Keywords

• Total Suspended Solids
• Regression Analysis
• Sera Stream Watershed
• Artificial Neural Networks

References

1. Atieh M., Mehltretter S.L., Gharabaghi B., Rudra R., (2015), Integrative neural networks model for prediction of sediment rating curve parameters for ungauged basins, Journal of Hydrology, 531, 1095-1107.
2. Bayazıt M., (1981), Hidrolojide istatistik yöntemler, İTÜ Matbaası, Gümüşsuyu, İstanbul, 223ss.
3. Bayazıt M., Yeğen Oğuz B., (2005), Mühendisler için istatistik, Birsen Yayınevi, İstanbul, 197ss.
4. Bayram A., Kankal M., (2015), Artificial neural network modeling of dissolved oxygen concentration in a Turkish Watershed, Polish Journal of Environmental Studies, 24(4), 1507-1515.
5. Bayram A., Kankal M., Onsoy H., (2012), Estimation of suspended sediment concentration from turbidity measurements using artificial neural networks, Environmental Monitoring and Assessment, 184(7), 4355-4365.
6. Bayram A., Kankal M., Tayfur G., Onsoy H., (2014), Prediction of suspended sediment concentration from water quality variables, Neural Computing and Applications, 24(5), 1079–1087.
7. Beret B., (1955), Sera heyelanı, Türk Coğrafya Dergisi, 13-14, 155-161.
8. DSİ, (2017), Devlet Su İşleri Genel Müdürlüğü, 2017 Faaliyet Raporu, https://cdniys.tarimorman.gov.tr/api/File/GetFile/425/ KonuIcerik/759/1107/DosyaGaleri/dsi-2017-faaliyet-raporu.pdf, [Erişim 08 Kasım 2022].

9. Gaur S., Mishra A., Gupta A., Jain A., Dave A., Eslamian S., Dwivedi S.B., Graillot D., (2021), Application of artificial neural network model for the prediction of suspended sediment load in the Large River, Water Resources, 48(4), 565-575.
10. Gulbag A., Temurtas F., Yusubov I., (2008), Quantitative discrimination of the binary gas mixtures using a combinational structure of the probabilistic and multilayer neural networks, Sensors and Actuators B: Chemical, 131(1), 196-204.
11. Guo F., Zhang J., Zhu A.X., Zhang Z., Zhang H., (2021), An assimilation simulation approach for the suspended sediment concentration in Inland Lakes using a hybrid perturbation generation method. Water Resources Management, 35(6), 2007-2022.
12. Hacısalihoğlu S., (1995), Trabzon Sera Deresi yağış havzasında farklı arazi kullanımı altındaki toprakların bazı fiziksel kimyasal ve hidrolojik özellikleri üzerine araştırmalar, Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, Trabzon.
13. Heddam S., (2016), New modelling strategy based on radial basis function neural network (RBFNN) for predicting dissolved oxygen concentration using the components of the Gregorian calendar as inputs: case study of Clackamas River, Oregon, USA, Modeling Earth Systems and Environment, 2, 167. doi: 10.1007/s40808-016-0232-5.
14. Isik S., (2013), Regional rating curve models of suspended sediment transport for Turkey. Earth Science Informatics, 6(2), 87-98.
15. Kisi O., (2005), Suspended sediment estimation using neuro-fuzzy and neural network approaches, Hydrological Sciences Journal, 50(4), 683-696.
16. Kisi O., (2010), River suspended sediment concentration modeling using a neural differential evolution approach, Journal of Hydrology, 389(1-2), 227-235.
17. Kisi O., Ozkan C., Akay B., (2012), Modeling discharge-sediment relationship using neural networks with artificial bee colony algorithm, Journal of Hydrology, 428, 94-103.
18. Kisi O., Zounemat-Kermani M., (2016), Suspended sediment modeling using neuro-fuzzy embedded fuzzy c-means clustering technique, Water Resources Management. 30(11), 3979-3994.
19. Kohonen T., (1988), An Introduction to Neural Computing, Neural Networks, 1, 3-16.
20. Kushwaha D.P., Kumar D., (2017), Modeling suspended sediment concentration using multilayer feedforward artificial neural network at the outlet of the watershed, International Journal of Agricultural Engineering, 10(2), 302-313.
21. Mete B., (2020), Tersip bentlerinin askıda katı madde taşınımına etkilerinin incelenmesi: Sera Deresi Havzası (Trabzon) örneği, Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, Trabzon.
22. Mete B., Baki O.T., Bayram A., (2022), Sera Deresi Havzasında (Trabzon) askıda katı madde hareketinin incelenmesi ve değerlendirilmesi, Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 27(1), 419-436.
23. MGM, (2022a), İllerimize ait genel istatistik verileri, Meteoroloji Genel Müdürlüğü, https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=A&m=TRABZON, [Erişim 08 Kasım 2022].
24. MGM, (2022b), Meteorolojik parametrelerin Türkiye analizi, Meteoroloji Genel Müdürlüğü, https://www.mgm.gov.tr/ veridegerlendirme/yillik-toplam-yagis-verileri.aspx, [Erişim 08 Kasım 2022].
25. Partovian A., Nourani V., Alami M.T., (2016), Hybrid denoising-jittering data processing approach to enhance sediment load prediction of muddy rivers, Journal of Mountain Science, 13(12), 2135-2146.
26. Sadeghi S.H.R., Mizuyama T., Miyata S., Gomi T., Kosugi K., Fukushima T., Mizugaki S., Onda Y., (2008), Development, evaluation and interpretation of sediment rating curves for a Japanese small mountainous reforested watershed. Geoderma, 144(1-2), 198-211.
27. Samantaray S., Sahoo A., (2021), Prediction of suspended sediment concentration using hybrid SVM-WOA approaches, Geocarto International, 37(19), 5609-5635.
28. Sari V., dos Reis Castro N.M., Pedrollo O. C., (2017), Estimate of suspended sediment concentration from monitored data of turbidity and water level using artificial neural networks, Water Resources Management, 31(15), 4909-4923.
29. Singh V.K., Kumar D., Kashyap P.S., Kisi O., (2018), Simulation of suspended sediment based on gamma test, heuristic, and regression-based techniques. Environmental Earth Sciences, 77(19), 1-14.
30. Tachi S.E., Ouerdachi L., Remaoun M., Derdous O., Boutaghane H., (2016), Forecasting suspended sediment load using regularized neural network: Case study of the Isser River (Algeria), Journal of Water and Land Development, (29), 75-81.
31. TÜİK, (2022), Türkiye İstatistik Kurumu, Adrese dayalı nüfus kayıt sistemi veri tabanı, https://cip.tuik.gov.tr/, [Erişim 08 Kasım 2022].
32. URL-1, (2010), Bakanlar Kurulu Kararı, Karar Sayısı: 2010/291, Resmi Gazete Tarih: 24 Nisan 2010, Sayı: 27561, https://www.resmigazete.gov.tr/eskiler/2010/04/20100424-4.htm, [Erişim 08 Kasım 2022].
33. Ülke A., Özkul S., Tayfur G., (2011), Ampirik yöntemlerle Gediz Nehri için askıda katı madde yükü tahmini, Teknik Dergi, 22(107), 5387-5407.
34. Wieprecht S., Tolossa H.G., Yang C.T., (2013), A neuro-fuzzy-based modelling approach for sediment transport computation, Hydrological Sciences Journal, 58(3), 587-599.
35. Yadav A., Chatterjee S., Equeenuddin S.K., (2018), Prediction of suspended sediment yield by artificial neural network and traditional mathematical model in Mahanadi river basin, India, Sustainable Water Resources Management, 4(4), 745-759.
36. Yang C.T., (1996), Sediment transport theory and practice, McGraw-Hill, USA.
37. Zounemat-Kermani M., Kisi O., Adamowski J., Ramezani-Charmahineh A., (2016), Evaluation of data driven models for river suspended sediment concentration modeling, Journal of Hydrology, 535, 457-472.