Akım Gözlem İstasyonlarında ANFIS Yöntemi ile Günlük Ortalama Debi Tahmini: Kızılırmak Örneği

Abstract

Akarsuların su potansiyelinin belirlenmesi için sezgisel tahmin modelleri sıklıkla kullanılmaktadır. Bu modellerden birisi olan Uyarlamalı Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (ing. kıs. ANFIS); yapay sinir ağlarının (YSA) öğrenme yeteneğini ve bulanık mantık (BM) yaklaşımının karar verme mekanizmasını kullanarak tahmin modeli geliştirmektedir. Bu çalışmada; Kızılırmak Nehri’nde yer alan iki adet Akım Gözlem İstasyonu’nda (AGİ) günlük ortalama debi, iki farklı ANFIS modeli ile tahmin edilmeye çalışılmıştır. AGİ’lere ait 2014-2021 yılları arasında gözlemlenmiş günlük ortalama debi verileri ile AGİ’lerin kurulu olduğu akarsu havzalarını temsil eden iki Meteoroloji Gözlem İstasyonu (MGİ)’ye ait günlük toplam yağış verileri mekansallaştırılarak modellerde kullanılmıştır. Membadaki Kızılırmak–Ahmethacı AGİ-1 için, 2 giriş 1 çıkış yaklaşımı, bu AGİ’nin mansabında kalan Kızılırmak–Bulakbaşı AGİ-2 için ise 3 giriş 1 çıkış yaklaşımı ile ANFIS modelleri kurgulanmıştır. Giriş verilerinden günlük toplam yağış, zaman ölçeğinde (t-2). gün, günlük ortalama debi, (t-1). gün alınmış ve çıkış olarak (t). güne ait ortalama debi tahmin edilmiştir. Modellerde verilerin %75’i eğitim, %25’i test verisi olarak kullanılmıştır. Kurallar oluşturulurken 3 farklı kümeleme yapılmış ve hedef değerin üyelik fonksiyonu belirlenmiştir. Her iki AGİ için eğitim ve test verilerinde 3 ayrı kümelemeye ait sonuçlar elde edilmiş ve modellerin başarımları için determinasyon katsayısı (R2) ve karekök ortalama hatası (RMSE) metrikleri kullanılmıştır. AGİ-1 için en iyi sonucu R2 = 0.9578, RMSE = 1.49 ile 3 kümelemeli model verirken AGİ-2 için en iyi sonucu; R2 = 0.976 ve RMSE = 2.20 ile yine 3 kümelemeli model vermiştir. Sonuç olarak ANFIS modeli, yüksek başarım ile günlük ortalama debiyi tahmin etmiştir.

Keywords

• ANFIS
• Debi
• Hidrolojik Analiz
• Kızılırmak
• Tahmin
• Yağış-Akış

Daily Average Discharge Prediction of Stream Gages with ANFIS Method: A Case for Kızılırmak

Abstract

Adaptive Network Based Fuzzy Logic Inference System (ANFIS); has been developed as a prediction model by using the learning ability of artificial neural networks (ANN) and the decision-making mechanism of fuzzy logic approach. Daily average discharges at two stream gages located in the Kızılırmak River is tried to be predicting with two different ANFIS models in this study. Daily average discharge of the river observed between 2014-2021 and daily total precipitation data of two Weather Stations (AWS) representing the river basins are used in the models. ANFIS models have been formed with 2 input and 1 output approach for SG-1 Stream Gage in the upstream, and with 3 input - 1 output approach for SG-2 Stream Gage which takes place at downstream. Total daily precipitation has two days lag time (t-2) and average daily discharge has one day lag time (t-1) taken as input data and (t) days as output. 75% of the data is used as training and 25% as test. While creating the rules, three different clusters have been made, and the membership function of the target value is obtained. Coefficient of determination (R2) and root mean square error (RMSE) metrics are used for the performance of the models. The best results for both SG-1and SG-2 are three clustered model with respectively, R2 = 0.9578 and 0.976, RMSE = 1.49 and 2.20. As a result, it was observed that the ANFIS model predicted the daily average discharge with high success.

Keywords

• ANFIS
• Discharge
• Hydrological Analysis
• Kızılırmak
• Prediction
• Rainfall-runoff

References

1. Algancı, U., Coşkun, H. G., Eriş, E., Ağıralioğlu, N., Cığızoğlu, K., Yılmaz, L., & Toprak, F. (2010). Akım Ölçümleri Olmayan Akarsu Havzalarında Hidroelektrik Potansiyelin Belirlenmesine Yönelik Uzaktan Algılama ve CBS ile Hidrolojik Modelleme. Jeodezi ve Jeoinformasyon Dergisi (Sayı 101), TMMOB Harita ve Kadastro Mühendisleri Odası.
2. Altunkaynak, A. (2010). A predictive model for well loss using fuzzy logic approach. Hydrological Processes. 24. 2400–2404. https://doi.org/10.1002/hyp.7642
3. Altunkaynak, A., & Başakın, E. E. (2018). Zaman Serileri Kullanılarak Nehir Akım Tahmini ve Farklı Yöntemlerle Karşılaştırılması. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(1), 92–101. https://doi.org/10.18185/erzifbed.339781
4. Arslan, H., Üneş, F., Demirci, M., Taşar, B., & Yılmaz, A. (2020). Keban Baraj Gölü Seviye Değişiminin ANFIS ve Destek Vektör Makineleri ile Tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3(2), 71–77. https://doi.org/10.47495/okufbed.748018
5. Asaad, M. N., Eryürük, Ş., & Eryürük, K. (2022). Forecasting of Streamflow and Comparison of Artificial Intelligence Methods: A Case Study for Meram Stream in Konya. Turkey. Sustainability, 14(10), 6319. https://doi.org/10.3390/su14106319
6. Bayazıt, M. (1998). Hidrolojik Modeller (1.), İTÜ Rektörlüğü Yayınları.
7. Bayazıt, M. (2011). Hidroloji, Birsen Yayınevi.
8. Belvederesi, C., Zaghloul, M. S., Achari, G., Gupta, A. & Hassan, Q. K. (2022). Modelling river flow in cold and ungauged regions: a review of the purposes. methods. and challenges. Environmental Reviews, 30(1), 159–173. https://doi.org/10.1139/er-2021-0043

9. Burgan, H. İ. (2022). Comparison of different ANN (FFBP. GRNN. RBF) algorithms and Multiple Linear Regression for daily streamflow prediction in Kocasu River. Turkey. Fresenius Environmental Bulletin, 31(5), 4699–4708.
10. Caner, M. & Akarslan, E. (2009). Mermer Kesme İşleminde Spesifik Enerji Faktörünün ANFIS ve YSA Yöntemleri ile Tahmini. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 15(2), 221–226.
11. DSİ, (2020). Toprak Su Kaynakları. https://www.dsi.gov.tr/Sayfa/Detay/754#
12. DSİ, (2023). DSİ AGİ Sayısı hakkında Bekir Ragıp Yurtseven (Rasatlar Şube Müdürü) ile Kişisel Görüşme.
13. Fistikoglu, O. & Okkan, U. (2011). Statistical Downscaling of Monthly Precipitation Using NCEP/NCAR Reanalysis Data for Tahtali River Basin in Turkey. Journal of Hydrologic Engineering, 16(2), 157–164. https://doi.org/10.1061/(asce)he.1943-5584.0000300
14. Jang, J. S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems. Man. and Cybernetics, 23(3), 665–685. https://doi.org/10.1109/21.256541
15. Jang, J. S. R., Sun, C. T. & Mizutani, E. (1997). Neuro-Fuzzy and Soft Computing. Pearson College Div; US Ed edition.
16. Katipoğlu, O. M. (2022). Analyzing the trend and change point in various meteorological variables in Bursa with various statistical and graphical methods. Theoretical and Applied Climatology, 150(3–4), 1295–1320. https://doi.org/10.1007/s00704-022-04231-0
17. Kişi, Ö. (2003). Nehir Enkesitindeki Askı Malzemesi Miktarının Bulanık Mantık ile Modellenmesi (Yayınlanmış Doktora Tezi). İstanbul Teknik Üniversitesi.
18. Kosko, B. (1992). Neural Networks and Fuzzy Systems. A Dynamical Systems Approach to Machine Intelligence.
19. Özdemir. H. (1978). Uygulamalı Taşkın Hidrolojisi. DSİ Genel Müdürlüğü.
20. Özkan. F.. & Haznedar. B. (2023). Comparative analysis of ANFIS models in Prediction of Streamflow: the case of Seyhan Basin. International Journal of Applied Mathematics Electronics and Computers, 11(2), 72–78.
21. Şahin, Ş. (2012). Büyük Menderes Nehri Üzerindeki Akım Gözlem İstasyonlarında eksik verilerinin tamamlanması (Yayınlanmış Yüksek Lisans Tezi). Pamukkale Üniversitesi.
22. Şen, Z. (2002). İstatistik Veri İşleme Yöntemleri. Su Vakfı Yayınları.
23. Şen, Z. (2004a). Mühendislikte Bulanık (Fuzzy) Mantık ile Modelleme Prensipleri (2. baskı). Su Vaktı Yayınları.
24. Şen, Z. (2004b). Yapay Sinir Ağları İlkeleri (2. baskı). Su Vakfı Yayınları.
25. Storch, H. von & Zwiers, F. W. (2003). Statistical Analysis in Climate Research (1. baskı). Cambridge University Press.
26. SYGM, (2019). Kızılırmak Havzası Taşkın Yönetim Planı Yönetici Özeti (Hidrodizayn A.Ş.). https://www.tarimorman.gov.tr/SYGM/Belgeler/Taşkın Yönetim Planları/KIZILIRMAK HAVZASI TAŞKIN YONETIM PLANI YÖNETİCİ ÖZETİ.pdf
27. Teker, A. (1984). Hidrometri (Teori - Tatbikat). DSİ Genel Müdürlüğü.
28. Uzunali, A. (2019). Yapay sinir ağlarına dayalı yağış tahmin ve analizi (Yayımlanmamış Yüksek Lisans Tezi). İstanbul Kültür Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı.
29. Yilmaz, M. U. & Onoz, B. (2022). Development of ensemble approaches based on performance of statistical methods for daily streamflow estimation. Hydrological Sciences Journal, 67(8), 1199–1215. https://doi.org/10.1080/02626667.2022.2072735
30. Zadeh, L. A. (1965). Fuzzy Sets . Informatıon and Control, 8, 338–353.