Sakarya Havzası Su Kalitesi Parametrelerinin Yapay Sinir Ağları ile Modellenmesi

Abstract

Su canlı yaşamı için en önemli doğal kaynaklardan birisi olup hızlı nüfus artışı, tarım ve sanayide suyun bilinçsiz kullanımı ile kirletilmesi telafisi zor durumlara neden olabilecektir. Su kalitesi sadece insan yaşamı için değil, diğer tüm canlı yaşamı için de önemlidir. Su kirliliği ile ilgili en önemli parametrelerden birisi çözünmüş oksijendir. Çözünmüş oksijen suda canlı yaşamı için hayatidir. Yapay sinir ağlarının su yönetimindeki diğer uygulamalarla birlikte su kalitesi parametreleri için de kullanım alanı vardır. Su kalitesi parametrelerinin yapay sinir ağları ile modellenmesiyle önemli kazanımlar sağlanabilir. Bu çalışmada, Sakarya Havzası gözlem istasyonlarına ait 1995–2014 yılları arasındaki aylarda ölçülmüş su kalitesi verileri ile çözünmüş oksijen değerinin modellemesi yapılmıştır. Modellede giriş verileri; sıcaklık, elektriksel iletkenlik, pH, biyolojik oksijen ihtiyacı ve aylar çıkış verisi ise çözünmüş oksijendir. Toplamda 1388 adet veri mevcuttur. Toplam verinin %80’ni (1107 veri) eğitmede, %20’si (281 veri) test verisi olarak kullanılmıştır. Bu çalışmamızda modellerin tahmin başarısını ölçmek için, Kök Ortalama Karesel Hata, Ortalama Mutlak Hata, Ortalama Mutlak Bağıl Hata ve Nash–Sutcliffe Model Verimlilik Katsayısı ölçütleri kullanılmıştır. Çalışma sonucunda hata kriterleri makul değerlerde olup tahmin etme gücü yüksektir.

Keywords

• Sakarya havzası
• Su kalitesi
• Yapay sinir ağları
• Çözünmüş oksijen

Sakarya Basin Water Quality Parameters Modeling With Artificial Neural Networks

Abstract

Water is one of the most important natural resources for living life, and its rapid population growth, unconscious use of water in agriculture and industry and its pollution may lead to difficult situations. Water quality is important not only for human life but also for all other living things. One of the most important parameters regarding water pollution is dissolved oxygen. Dissolved oxygen is vital to aquatic life. Artificial neural networks have uses for water quality parameters along with other applications in water management. Significant gains can be achieved by modeling water quality parameters with artificial neural networks. In this study, the modeling of the dissolved oxygen value with the water quality data measured in the months between 1995−2014 belonging to the Sakarya Basin monitoring stations was made. Temperature, electrical conductivity, pH, biological oxygen demand, and months are used as input data in model. Also, dissolved oxygen ise used output data. There are 1388 data in total. 80% of the total data (1107 data) was used for training, 20% (281 data) was used as test data. In this study, Root Mean Square Error, Mean Absolute Error, Mean Absolute Relative Error, and Nash−Sutcliffe Model Efficiency Coefficient criteria were used to measure the prediction success of the models. As a result of the study, the error criteria are reasonable and its predictive power is high.

Keywords

• Sakarya basin
• Water quality
• Artificial neural networks
• Dissolved oxygen

References

1. Adamowski, J. F. ve Karapataki, C. (2012). Comparison of multivariate regression and artificial neural networks for peak urban water−demand forecastin: evaluation of different ann learning algorithms. Journal of Hydrologic Engineering, 17 (7), 834−836. https://doi.org/10.1061/(ASCE)HE.1943−5584.0000472
2. Aküzüm, T., Çakmak, B. ve Gökalp, Z. (2010). Türkiye’de su kaynakları yönetiminin değerlendirilmesi. Tarım Bilimleri Araştırma Dergisi, 3 (1), 67−74. http://ijans.org/index.php/ijans/article/view/86
3. Citakoglu, H. (2017). Comparison of artificial intelligence techniques for prediction of soil temperatures in Turkey. Theoretical and Applied Climatology, 130, 545−556. https://doi.org/10.1007/s00704−016−1914−7
4. Devlet Su İşleri (DSİ) Genel Müdürlüğü. (2021, 17 Ocak). Erişim adresi https://www.dsi.gov.tr
5. Güler, Ç. (1997). Su kalitesi. Çevre Sağlığı Temel Kaynak Dizisi No:43, Ankara.
6. Öztemel, E. (2012). Yapay Sinir Ağları. Papatya Yayıncılık, Ankara.
7. Schwarzenbach, R. P., Egli, T., Hofstetter, T. B., Gunten, U. v. ve Wehrli, B. (2010). Global Water Pollution and Human Health. Annual Review of Environment and Resources, 35, 109−136. https://doi.org/10.1146/annurev−environ−100809−125342
8. Sengorur, B., Dogan, E., Koklu, R. ve Samandar, A. (2005). Dissolved oxygen estimation using artificial neural network for water quality control. Electronic Letters on Science and Engineering, 1 (2), 13−16. Erişim adresi https://dergipark.org.tr/en/pub/else/issue/29326/313793

9. Singh, K. P., Basant, A., Malik, A. ve Jain, G. (2009). Artificial neural network modeling of the river water quality−a case study. Ecological Modelling, 220 (6), 888−895. https://doi.org/10.1016/j.ecolmodel.2009.01.004
10. Tunç Dede, Ö. ve Sezer, M. (2017). Aksu çayı su kalitesinin belirlenmesinde Kanada su kalitesi indeks (CWQI) modelinin uygulanması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32 (3), 909−917. https://doi.org/10.17341/gazimmfd.337643
11. Türkiye Cumhuriyeti Milli Eğitim Bakanlığı, Mesleki Eğitim ve Öğretim Sisteminin Güçlendirilmesi Projesi (MEGEP) Yayınları (2011). Suların Analiz Parametreleri, Çevre Sağlığı, Ankara.
12. Türkiye Bilimsel ve Teknolojik Araştırma Kurumu Marmara Araştırma Merkezi Çevre ve Temiz Üretim Enstitüsü (2013). Havza Koruma Eylem Planlarının Hazırlanması Projesi Sakarya Havzası, Proje Nihai Raporu, Kocaeli. Erişim adresi: https://www.tarimorman.gov.tr/SYGM/Belgeler/havza%20koruma%20eylem%20planlar%C4%B1/Sakarya_web.pdf
13. Yavuz, S., ve Deveci, M. (2012). İstatistiksel normalizasyon tekniklerinin yapay sinir ağın performansına etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167−187. https://dergipark.org.tr/tr/pub/erciyesiibd/issue/5897/78019
14. Yaykıran, S. (2016). Sakarya Havzası’nın yüksek çözünürlüklü hidrolojik modelinin yapılandırılması. Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul. Erişim adresi http://hdl.handle.net/11527/13074
15. Yılmaz, B. (2015). Akarçay havzasında çözünmüş oksijen değerlerinin yapay sinir ağları ile belirlenmesi. Uzmanlık Tezi. T.C. Orman ve Su İşleri Bakanlığı Su Yönetimi Genel Müdürlüğü, Ankara. Erişim adresi https://www.tarimorman.gov.tr/SYGM/Belgeler/TEZLER/BekirYilmazTez%20(2).pdf
16. Zheng, L., Chen, C. ve Zhang, F. Y. (2004). Development of water quality model in the Satilla River Estuary, Georgia. Ecological Modelling, 178 (3), 457−482. https://doi.org/10.1016/j.ecolmodel.2004.01.016