Kalecik Havzası Taşkınlarının Bulanık SMRGT Yöntemi Kullanılarak Belirlenmesi

Öz

Taşkınlar hidrolojik ve hidrolik yönleriyle insanlık tarihinde her zaman önemli bir konu olmuş, büyük can ve mal kayıplarına neden olmuştur. Aşırı kentleşme, betonarme yapıların artması ve buna bağlı olarak çatı örtüsü, asfalt, beton, yol sayısının artması vb. bir havzaya veya bölgeye akan yağış miktarını yani akış katsayısını artırmaktadır. Ayrıca dere yataklarının yaşam alanlarına dönüştürülerek dere kesitlerinin azaltılması, insan kaynaklı taşkınların artmasına neden olmaktadır. Tüm bunlara ek olarak küresel iklim değişikliğinin etkileri, artan ekstrem meteorolojik olaylar (özellikle şiddetli yağışlar) ve bu ekstrem olayların zamansal ve mekânsal değişimleri de dikkate alındığında sel riski hemen her bölge ve havza için artmaktadır. Doğal bir olay olan taşkınların afete dönüşmemesi için tedbirlerin alınması gerekmektedir. Önlem alabilmek için taşkınların önceden mümkün olduğunca doğru bir şekilde tahmin edilmesi gerekir. Deprem gibi bazı doğa olaylarını tahmin etmek zor olduğundan bunların afete dönüşmesini engellemek de zordur. Ancak bu açıdan taşkınları tahmin etmek nispeten kolaydır. Bu konudaki literatür oldukça eski ve kapsamlıdır. Ancak taşkın tahmini için önerilen yöntemler ya eski teknolojinin tahmin gücü düşük klasik yöntemleridir ya da fiziki neden-sonuç ilişkisine dayanmayan ve bu nedenle yeterince güven vermeyen kara kutu yöntemleridir. . Nispeten daha iyi olanların avantajlarının yanı sıra bazı dezavantajları da vardır. Bu çalışmada Kalecik Havzası'nın taşkın debisi tahmin edilmiş ve haritalanmıştır. Taşkın hesaplaması rasyonel yöntemle, taşkın haritalarına dayalı akış katsayısı ise SMRGT Yöntemi ile belirlenmiştir.

Anahtar Kelimeler

• taşkın
• bulanık mantık
• kalecik havzası

Determining the Overflow of Kalecik Basin Using Fuzzy SMRGT Method

Abstract

Floods have always been an important issue and have caused great losses of life and property in human history with their hydrological and hydraulic aspects. Excessive urbanization, increases flows into a basin or region, in other words, increase the flow coefficient. Also, the reduction in stream sections by converting streambeds into habitats causes an increase in human-induced floods. Additionally, when the effects of global climate change, the increased extreme meteorological events (i.e. heavy rains), and the temporal and spatial changes of these extreme events are considered, the flood risk is increasing for almost every region and basin. Measures must be taken to prevent flood, which is a natural event, from turning into a disaster. To take precautions, floods must be predicted in advance as accurately as possible. Since some natural events such as earthquakes are difficult to predict, it is also difficult to prevent them from turning into disasters. However, floods are relatively easy to predict. The literature on this subject is quite old. On the other hand, the methods proposed in the current literature are either classical methods of old technology and have low predictive power, or they are black-box methods that do not rely on a physics cause-effect relationship, and for this reason, do not give enough confidence. Relatively better ones also have some disadvantages as well as advantages. In the present study, a fuzzy model has been developed to estimate the flow rate. To construct the membership functions and to generate the fuzzy rules of the model the SMRGT method, which novel in literature, have been used. On the other hand, the main advantage of SMRGT makes estimation with physical cause - effect relationship (not only based on the data at hand). As results, the flow coefficient has been determined particularly for Kalecik Basin as an application. Furthermore, a flood risk map obtained for the same Basin. It can be concluded that the fuzzy SMRGT can be used for this aim and it gives more precious and realistic results compared with the conventional methods.

Keywords

• flood
• fuzzy logic
• kalecik basin
• rational method

References

1. [1] O. Ozcan, “Evaluation of flood risk analysis in the Sakarya river subbasin by using remote sensing and GIS,” M.S. thesis, Technical Univ. of Istanbul, 2008.
2. [2] Z. Toprak, M. Savci, and C. Avci, “Comparison of the dispersion model results using the contour map method,” in Proc. 6th Int. Congr. Advances in Civil Engineering (ACE2004), 2004, pp. 1407–1417.
3. [3] T. Cosgun, İ. B. Peker, B. Sayin, S. Gülbaz, and R. Durgut, “Assessment of flood event based on numerical models and legal statute: A case of Eşkinoz Stream in Istanbul, Turkey,” Arab. J. Geosci., vol. 15, no. 7, p. 585, 2022.
4. [4] H. Akay and M. Baduna Koçyiğit, “Comparison of Direct Runoff Hydrographs of Two Ungauged Sub-Basins Using Instantaneous Unit Hydrograph Approach,” J. Nat. Hazards Environ., vol. 5, no. 2, pp. 1–8, 2019.
5. [5] G. Berz, “Flood disasters: lessons from the past—worries for the future,” Proc. Inst. Civ. Eng. Water Marit. Eng., vol. 142, no. 1, pp. 3–8, 2000.
6. [6] A. Ü. Kömüşçü, S. Çelik, and A. Ceylan, “Rainfall analysis of the flood event that occurred in Marmara Region on 8–12 September 2009,” Turk. J. Geogr. Sci., vol. 9, no. 2, pp. 209–220, 2011.
7. [7] M. Sunkar and A. Toprak, “Importance of historical data sources in flood and overflow studies,” in Proc. Int. Geogr. Symp., Ankara, Turkey, Oct. 2016.
8. [8] M. A. Trigg et al., “The credibility challenge for global fluvial flood risk analysis,” Environ. Res. Lett., vol. 11, no. 9, p. 094014, 2016.

9. [9] L. Wang et al., “A review of the flood management: from flood control to flood resilience,” Heliyon, vol. 8, no. 11, 2022.
10. [10] EM-DAT, “The OFDA/CRED–International Disaster Database,” Univ. Catholique de Louvain, Brussels, Belgium, 2016.
11. [11] P. Yapo, S. Sorooshian, and V. Gupta, “A Markov chain flow model for flood forecasting,” Water Resour. Res., vol. 29, no. 7, pp. 2427–2436, 1993.
12. [12] K. Stronska et al., “Flood Management and Flood Forecasting Tool for the Odra River, Poland,” in Proc. 3rd DHI Softw. Conf., Helsingør, Denmark, 1999.
13. [13] O. İrfan, K. Yürekli, and F. Öztürk, “Modeling Daily Flows in Tokat Uğrak Catchment,” Int. J. Agric. Nat. Sci., vol. 3, no. 1, pp. 7–11, 2010.
14. [14] S. Barbero, D. Rabuffetti, G. Wilson, and M. Buffo, “Development of a Physically-Based Flood Forecasting System: ‘MIKE FloodWatch’ in the Piemonte Region, Italy,” in Proc. 4th DHI Softw. Conf., Helsingør, Denmark, 2001.
15. [15] N. Seçkin, A. Güven, and A. Yurtal, “Modeling Flood Discharge Using Artificial Neural Network: Case Study—The Middle Black Sea Watershed,” Cukurova Univ. J. Fac. Eng., vol. 25, no. 1, pp. 45–56, 2010.
16. [16] H. I. Burgan and Y. Icaga, “Flood analysis using adaptive hydraulics (AdH) model in Akarcay Basin,” Teknik Dergi, vol. 30, no. 2, pp. 9029–9051, 2019.
17. [17] T. Özkoca and A. Ü. Keskin, “Analysis of the Effect of Climate Change on Flood Flows of Kemer Ağva River, Antalya,” J. Nature, vol. 1, pp. 6576, 2022.
18. [18] O. L. Asikoglu, “Parent flood frequency distribution of Turkish Rivers,” Pol. J. Environ. Stud., vol. 27, no. 2, pp. 529–539, 2018.
19. [19] S. Gülbaz, C. M. Kazezyilmazalhan, R. Nasirzadehdizaji, and M. Dikici, “A calibrated hydrological model for Alibeyköy Watershed in Istanbul, Turkey incorporating LID implementation,” Fresenius Environ. Bull., vol. 26, no. 10, pp. 6112–6120, 2017.
20. [20] Z. F. Toprak, “Flow discharge modeling in open canals using a new fuzzy modeling technique (SMRGT),” Clean Soil Air Water, vol. 37, no. 9, pp. 742–752, 2009.
21. [21] R. Barati, “Analysis and evaluation of optimization algorithms application for parameter estimation of Muskingum flood routing models in rivers,” Jun. 2014, pp. 1–8.
22. [22] S. Toprak, A. Atay, and Z. F. Toprak, “SMRGT yöntemi ile bulanıklaştırılmış veriler için bulanık doğrusal regresyon,” Erciyes Univ. J. Inst. Sci. Tech., vol. 31, no. 3, pp. 1–7, 2015.
23. [23] S. Yalaz and A. A. Atay, “Fuzzy linear regression for the time series data which is fuzzified with SMRGT Method,” Süleyman Demirel Univ. J. Inst. Sci. Tech., vol. 20, no. 3, pp. 405–413, 2016.
24. [24] Z. F. Toprak, A. Toprak, and Z. Aykaç, “Bulanık SMRGT yönteminin pratik uygulamaları,” Dicle Univ. J. Eng., vol. 8, no. 1, pp. 123–132, 2017.
25. [25] V. Arslan and S. Ulubeyli, “Bulanık veri zarflama analizi ile beton pompası seçimi,” Dicle Univ. J. Eng., vol. 8, no. 1, pp. 1–12, 2017.
26. [26] E. Altaş, M. C. Aydın, and Z. F. Toprak, “Açık kanal akımlarında su yüzü profilinin bulanık SMRGT yöntemiyle modellenmesi,” Dicle Univ. J. Eng., vol. 9, no. 2, pp. 975–981, 2018.
27. [27] R. Jain, N. Jain, S. Kapania, and L. H. Son, “Degree approximation-based fuzzy partitioning algorithm and applications in wheat production prediction,” Symmetry, vol. 10, no. 12, p. 768, 2018.
28. [28] G. Bayri, “Zeminlerin Basit Üyeli Fonksiyonlar ve Bulanik Kurallar Üretim Tekniği (SMRGT) ile Sınıflandırılması,” M.S. thesis, Bitlis Eren Univ., 2018.
29. [29] İ. Dabanlı, “Kuraklık riskinin bulanık mantık yardımıyla Türkiye genelinde değerlendirilmesi,” Dicle Univ. J. Eng., vol. 10, no. 1, pp. 359–372, 2019.
30. [30] F. Üneş et al., “River flow estimation using artificial intelligence and fuzzy techniques,” Water, vol. 12, no. 9, p. 2427, 2020.
31. [31] D. Topuz and N. Şahinler, “Arı sütü miktarının tahminine yönelik olarak elde edilen kategorik verilerin bulanık aralık regresyon modeli ile analizi,” Turk. J. Agric. Nat. Sci., vol. 7, no. 2, pp. 471–479, 2020.
32. [32] F. Şevgin and Z. F. Toprak, “Meteorolojik akış katsayısının bulanık SMRGT yöntemi ile belirlenmesi: Murat Havzası örneği,” Dicle Univ. J. Eng., vol. 12, no. 2, pp. 401–409, 2021.
33. [33] C. Sezen and T. Partal, “Utilization of stochastic, artificial neural network, and wavelet combined models for monthly streamflow,” Bilecik Şeyh Edebali Univ. J. Sci., vol. 8, no. 1, 2021.
34. [34] Z. Kınık and Z. Aykaç, “Atıksu arıtma tesislerinde karşılaşılan problemler ve çözüm önerileri,” Turk. Hydraul. J., vol. 5, no. 1, pp. 59–65, 2021.
35. [35] F. Şevgin, “Bulanık SMRGT yöntemi ile taşkın modellenmesi ve Kalecik havzası örneği,” Ph.D. dissertation, Dicle Univ., Inst. Sci. Tech., Diyarbakır, 2021.
36. [36] E. E. Er, F. Üneş, and B. Taşar, “Estimating dam reservoir level change of Istanbul Alibey Dam with the fuzzy SMRGT method,” Osmaniye Korkut Ata Univ. J. Inst. Sci. Tech., vol. 5, Special Issue, pp. 80–95, 2022.
37. [37] A. Y. Gunal and R. Mehdi, “The study of land use and slope role in flow coefficient determination,” in Proc. Adv. Eng. Days (AED), vol. 4, pp. 64–66, 2022.
38. [38] Y. Zhou et al., “Waste management within the scope of environmental public awareness based on cross-sectional survey and social interviews,” Front. Environ. Sci., vol. 10, p. 1030525, 2022.
39. [39] A. Y. Gunal and R. Mehdi, “Forecasting the flow coefficient of the river basin using adaptive fuzzy inference system and fuzzy SMRGT method,” J. Ecol. Eng., vol. 24, no. 7, 2023.
40. [40] S. Demirel, B. Taşar, Y. Z. Kaya, F. Üneş, and M. Demirci, “Adana ili referans evapotranspirasyon miktarının bulanık SMRGT, ANFIS ve çoklu doğrusal regresyon kullanılarak tahmini,” Osmaniye Korkut Ata Univ. J. Inst. Sci. Tech., vol. 6, no. 1, pp. 106–120, 2023.
41. [41] R. Mehdi and A. Y. Gunal, “Computation of flow coefficient via non-deterministic approach of fuzzy logic called ‘SMRGT’ based on meteorological properties,” Jordan J. Civil Eng., vol. 17, no. 4, 2023.
42. [42] A. Y. Gunal and R. Mehdi, “Flow coefficient determination in catchment based on analysis of temperature and wind speed data using the fuzzy SMRGT method,” in IOP Conf. Ser.: Earth Environ. Sci., vol. 1222, no. 1, p. 012014, Aug. 2023.
43. [43] M. Ruya and A. Y. Gunal, “A comparative study of using adaptive neural fuzzy inference system (ANFIS), Gaussian process regression (GPR), and SMRGT models in flow coefficient estimation,” 3C Tecnol., vol. 12, no. 2, pp. 125–146, 2023.
44. [44] H. Kocabaş, F. Üneş, B. Taşar, and Ö. F. Cansız, “Türkiye karayollarındaki karbondioksit emisyonunun yapay zekâ yöntemleri ile tahmini,” Turk. J. Technol. Appl. Sci., vol. 4, no. 2, pp. 82–101, 2023.
45. [45] R. Zainalabdeen, “Flow coefficient modeling using the fuzzy SMRGT method compared with ANFIS and ANN methods: An example of the Aksu River Basin,” Ph.D. dissertation, Gaziantep Univ., Grad. Sch. Nat. Appl. Sci., Gaziantep, 2023.
46. [46] A. Y. GÜNAL and R. Mehdi, “Application of a new fuzzy logic model known as ‘SMRGT’ for estimating flow coefficient rate,” Turk. J. Eng., vol. 8, no. 1, pp. 46–55, 2024.
47. [47] E. Karabacak and H. A. Kutlu, “Evaluating the efficiencies of logistics centers with fuzzy logic: The case of Turkey,” Sustainability, vol. 16, no. 1, p. 438, 2024.
48. [48] A. Ç. Aydın, “İşitsel peyzajda ses çevresi memnuniyet düzeyinin bulanık mantık ile tahmin edilmesi: Diyarbakır Suriçi uygulaması,” Ph.D. dissertation, İstanbul Tech. Univ., Inst. Sci. Tech., Mar. 2017.
49. [49] D. Karakaya, “Akış katsayısının bulanık SMRGT yöntemi ile modellenmesi,” M.S. thesis, Dicle Univ., Inst. Sci., National Thesis No: 540658, Dec. 10, 2018.
50. [50] H. Oshikawa and T. Komatsu, “Flood control mechanism of multiple dams constructed in a series based on cascade method,” J. Disaster Res., vol. 10, no. 3, pp. 475–485, 2015.
51. [51] J. Warner, “The struggle over Turkey’s Ilısu Dam: Domestic and international security linkages,” Int. Environ. Agreements, vol. 12, pp. 231–250, 2012.
52. [52] V. Te, D. R. Maidment, and L. W. Mays, “Applied hydrology,” J. Eng. Educ., 1962.
53. [53] R. K. Linsley, M. A. Kohler, and L. H. Paulhus, Hydrology for Engineers, 1975.
54. [54] P. Novak, A. I. B. Moffat, C. Nalluri, and R. A. Narayanan, Hydraulic Structures, CRC Press, 2017.
55. [55] H. Apaydin, M. T. Sattari, K. Falsafian, and R. Prasad, “Artificial intelligence modelling integrated with singular spectral analysis and seasonal-trend decomposition using Loess approaches for streamflow predictions,” J. Hydrol., vol. 600, p. 126506, 2021.
56. [56] S. Gülbaz, C. M. Kazezyılmaz-Alhan, A. Bahçeçi, and U. Boyraz, “Flood modeling of Ayamama River watershed in Istanbul, Turkey,” J. Hydrol. Eng., vol. 24, no. 1, p. 05018026, 2019.