Evaporation Estimation of Eğirdir Lake Using Wavelet Transform Technique and Adaptive Neuro-Fuzzy Inference System

Abstract

Evaporation can be defined as the transfer of water from the earth to the atmosphere. Accurate estimation of the amount of evaporation is of great importance, especially in arid periods and regions. Since evaporation is a complex and nonlinear hydrological process, it is difficult to obtain a reliable formula that can represent data groups in evaporation estimation. For this reason, wavelet transform (W), adaptive neuro-fuzzy inference system (ANFIS), and multilinear regression (MLR) methods were used to estimate the amount of evaporation in Lake Eğirdir in this study. Firstly, various ANFIS and MLR models have been developed with parameters effective on evaporation phenomena. R2 values of the most appropriate ANFIS and MLR models were obtained as 0,738 and 0,666 for test sets, respectively. Then, the same input parameters were decomposed into sub-series by the wavelet transform technique and these sub-series were used as input parameters in W-ANFIS and W-MLR models. The R2 value of the test set of the W-ANFIS model is 0,777 and the R2 value of the test set of the W-MLR model is 0,749. As a result of all the models developed, it was seen that the wavelet transform technique increased results of ANFIS and MLR models and the W-ANFIS model gave the most appropriate result.

Keywords

• Evaporation
• Wavelet transform
• ANFIS
• Multi linear regression
• Eğirdir Lake

Dalgacık Dönüşüm Tekniği ve Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi ile Eğirdir Gölü Buharlaşma Tahmini

Abstract

Buharlaşma, yeryüzünde bulunan suyun atmosfere transferi olarak tanımlanabilmektedir. Buharlaşma miktarının doğru tahmini özellikle kurak dönemler ve kurak alanlarda büyük öneme sahiptir. Buharlaşma, karmaşık ve doğrusal olmayan bir hidrolojik süreç olduğundan tahmininde tüm veri gruplarını temsil edebilecek güvenilir bir formül elde etmek zordur. Bu sebeple, bu çalışmada Eğirdir Gölü’ndeki buharlaşma miktarının tahmininde dalgacık dönüşümü (D), uyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS) ve çoklu lineer regresyon (ÇLR) yöntemleri kullanılmıştır. İlk olarak buharlaşma olayında etkili olan parametreler ile çeşitli ANFIS ve ÇLR modelleri geliştirilmiştir. En uygun ANFIS ve ÇLR modellerinin test kümelerinde R2 değerleri sırasıyla 0,738 ve 0,666 elde edilmiştir. Daha sonra aynı girdi parametreleri dalgacık dönüşümü tekniği ile alt bileşenlere ayrılmıştır ve bu alt bileşenler D-ANFIS ve D-ÇLR modellerinde girdi. olarak kullanılmıştır. D-ANFIS modelinin test kümesine ait R2 değeri 0,777 ve D-ÇLR modelinin test kümesine ait R2 değeri 0,749’dur. Geliştirilen tüm modeller sonucunda, dalgacık dönüşümü tekniğinin ANFIS ve ÇLR model sonuçlarını yükselttiği ve en uygun sonucu D-ANFIS modelinin verdiği görülmüştür.

Keywords

• Buharlaşma
• Dalgacık dönüşümü
• ANFIS
• Çoklu lineer regresyon
• Eğirdir Gölü

References

1. [1] N. Usul, “Mühendislik Hidrolojisi”, OTDÜ Yayıncılık, Ankara, 418 s, 2008.
2. [2] Ö. Kişi ve S. Afşar, “Yapay sinir ağı ve bulanık-yapay sinir ağı yöntemleri kullanılarak tava buharlaşma tahmini”, Tarım Bilimleri Araştırma Dergisi, c. 3, s. 1, ss. 45-51, 2010.
3. [3] K.K. Dindar, “Yapay sinir ağları yaklaşımı ile Tahtaköprü Barajı’ndaki aylık buharlaşma miktarının tahmini”, Yüksek Lisans Tezi, İnşaat Mühendisliği Bölümü, Mustafa Kemal Üniversitesi, Hatay, Türkiye, 2010.
4. [4] H. Sanikhani, O. Kisi, M. R. Nikpour and Y. Dinpashoh, “Estimation of daily pan evaporation using two different adaptive neuro-fuzzy computing techniques”, Water Resources Management, vol. 26, pp. 4347–4365, 2012.
5. [5] C. Yerdelen, “Mevsimlik kar erimesinin yapay sinir ağları yöntemi ile tahmin edilmesi”, Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, c. 21, s. 3, ss. 49-56, 2006.
6. [6] Ö. Kişi and M. Tombul, “Modeling monthly pan evaporations using fuzzy genetic approach”, Journal of Hydrology, vol. 477, pp. 203-212, 2013.
7. [7] A. Güven and O. Kişi, “Monthly pan evaporation modeling using linear genetic programming”, Journal of Hydrology, vol. 503, pp. 178–185, 2013.
8. [8] S. Nacar, M. Kankal ve M.A. Hınıs, “Çok değişkenli uyarlanabilir regresyon eğrileri (ÇDURE) ile günlük akarsu akımlarının tahmini-Haldizen Deresi örneği”, Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 8, s. 1, ss. 38-47, 2018.

9. [9] E. Doğan, M. Gümrükcüoğlu, M. Sandalcı and M. Opan, “Modelling of evaporation from the reservoir of Yuvacik Dam using adaptive neuro-fuzzy inference systems”, Engineering Applications of Artificial Intelligence, vol. 23, pp. 961–967, 2010.
10. [10] V. Gümüş, O. Şimşek, G. Soydan, M.S. Aköz ve K. Yenigün, “Adana istasyonunda buharlaşmanın farklı yapay zeka yöntemleri ile tahmini”, Dicle Üniversitesi Mühendislik Fakültesi Dergisi, c. 7, s. 2, ss. 309-318, 2016.
11. [11] Ö. Kişi, “Daily pan evaporation modelling using a neuro-fuzzy computing technique”, Journal of Hydrology, vol. 329, pp. 636– 646, 2006.
12. [12] H. Tabari, O. Kişi, A. Ezani and P.H. Talaee, “SVM, ANFIS, regression and climate based models for reference evapotranspiration modeling using limited climatic data in a semi-arid highland environment”, Journal of Hydrology, vol. 444–445, pp. 78–89, 2012.
13. [13] A. Moghaddamnia, M.G. Gousheh, J. Piri, S. Amin and D. Han, “ Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques”, Advances in Water Resources, vol. 32, pp. 88–97, 2009.
14. [14] M.K. Goyal, B. Bharti, J. Quilty, J. Adamowski and A. Pandey, “Modeling of daily pan evaporation in sub tropical climates using ANN, LS-SVR, Fuzzy Logic, and ANFIS”, Expert Systems with Applications, vol. 41, pp. 5267–5276, 2014.
15. [15] A. Özel and M. Büyükyıldız, “Aylık Buharlaşma Tahmininde Yapay Zeka Yöntemlerinin Kullanılabilirliği”, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, c. 8, s. 1, ss. 244-254, 2019.
16. [16] S. Deswal and M. Pal, “Modeling of Pan Evaporation Using Support Vector Machines Algorithm”, Journal of Hydrologic Engineering, vol. 14, no.1, pp. 104-116, 2008.
17. [17] V. Nourani, M.T. Alami and F.D.Vousoughi, “Wavelet-entropy data pre-processing approach for ANN-based groundwater level modeling”, Journal of Hydrology, vol. 524, pp. 255–269, 2015.
18. [18] S.P. Yu, J.S.Yang and G.M. Liu, “A novel discussion on two long-term forecast mechanisms for hydro-meteorological signals using hybrid wavelet-NN model”, Journal of Hydrology, vol. 497, pp. 189-197, 2013.
19. [19] J. Shiri and O. Kişi, “Short-term and long-term streamflow forecasting using a wavelet and neuro-fuzzy conjunction model”, Journal of Hydrology, vol. 394, pp. 486–493, 2010.
20. [20] T. Partal and O. Kişi, “Wavelet and neuro-fuzzy conjunction model for precipitation forecasting”, Journal of Hydrology, vol. 342, pp. 199– 212, 2007.
21. [21] Y. Seo, S. Kim, O. Kişi and V.P. Singh, “Daily water level forecasting using wavelet decomposition and artificial intelligence techniques”, Journal of Hydrology, vol. 520, pp. 224–243, 2015.
22. [22] S.N. Qasem, S. Samadianfard, S. Kheshtgar, S. Jarhan, O. Kisi, S. Shamshirb and K.W. Chau, “Modeling monthly pan evaporation using wavelet support vector regression and wavelet artificial neural networks in arid and humid climates”, Engineering Applications of Computational Fluid Mechanics, vol. 13, no. 1, pp. 177-187, 2019.
23. [23] A. Aksoy, B.B. Dıvrak, Ç. Göcek, D. Öztok ve E. Sütlü, “Eğirdir Gölü’nde kirlilik durumu ve kirlilik kaynakları modelleme çalışması raporu”, Yedi Renkli Göle Yedi Renkli Hayat Projesi, 2013.
24. [24] M. Ö. Berke. (2019, 04 Ekim). Eğirdir Gölü (Çevrimiçi). Erişim: https://www.wwf.org.tr/ne_yapiyoruz/doga_koruma/doal_alanlar/egirdir_golu/.
25. [25] İl Haritası. (2019, 04 Ekim). Isparta İli Haritası (Çevrimiçi). Erişim: http://ilharitasi.blogspot.com/2013/02/isparta-haritas.html.
26. [26] J.S.R. Jang, C.T. Sun and E. Mizutani, “Neuro-fuzzy and soft computing-a computational approach to learning and machine intelligence [Book Review]”, IEEE Transactions on automatic control, vol. 42, no. 10, pp. 1482-1484, 1997.
27. [27] O. Doğan, “Uyarlamalı sinirsel bulanık çıkarım sisteminin (ANFIS) talep tahmini için kullanımı ve bir uygulama”, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, c. 31, s. 1, ss. 257-288, 2016.
28. [28] Ö. Demirel, A. Kakilli ve M. Tektaş, “ANFIS ve ARMA modelleri ile elektrik enerjisi yük tahmini”, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, c. 25, s. 3, ss.601-610, 2010.
29. [29] A. Tascikaraoglu, B.M. Sanandaji, K. Poolla and P. Varaiya, “Exploiting sparsity of interconnections in spatio-temporal wind speed forecasting using wavelet transform”, Applied Energy, vol. 165, no. 1, pp. 735-747, 2016.
30. [30] G. Strang and T. Nguyen, “Wavelets and filter banks”, Wellesley-Cambridge Press, 1996.
31. [31] T. Partal, E. Kâhya and K. Cığızoğlu, “Yağış verilerinin yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini”, itüdergisi/d mühendislik, c. 7, s. 3, ss. 73-85, 2008.
32. [32] M. Uyar, S. Yıldırım ve M.T. Gençoğlu “Güç kalitesi bozulmalarının sınıflandırılmasında dalgacık dönüşümüyle enerji dağılımına dayalı özelliklerin incelenmesi”, Elektrik Elektronik Bilgisayar Biyomedikal Mühendisliği 12. Ulusal Kongre ve Sergisi, 2007, ss. 1-5.
33. [33] Ö. Terzi and T. Baykal, “Data mining process for river suspended sediment estimation”, SDU International Journal of Technological Science, vol. 8, no. 3, pp. 19-26, 2016.