Abstract
Tatlı su ihtiyacının önemli bir kısmı yeraltı suları tarafından karşılanmaktadır. Bu nedenle yeraltı sularının kalitesinin ve miktarının izlenmesi ve mevcut durumunun ortaya konması su yönetimi politikalarının geliştirilmesi bakımından önemlidir. Genetik programlama (GP) evrimsel tabanlı bir yaklaşımdır ve son yıllarda alternatif bir yapay zeka tekniği olarak kullanılmaktadır. GP, diğer yapay zeka tekniklerine göre değişkenler arasındaki ilişkilerden faydalanarak problemin bir matematiksel modelini ortaya koyabilme avantajına sahiptir. Bu çalışmada, meteorolojik veriler ve önceki günlere ait yeraltı su seviyeleri kullanarak yeraltı su seviyelerini tahmin etmek amacıyla çeşitli matematiksel modeller geliştirilmiştir. Matematiksel modellerin geliştirilmesine yeni bir GP yaklaşımı olan çok-genli genetik programlama (ÇGGP) uygulanmıştır. Çalışmada, Develi meteoroloji istasyonuna ve Karacaviran gözlem kuyusuna ait 2007-2009 yıllarına ait günlük veriler kullanılmıştır. Bir ay (30 gün) sonraki yeraltı su seviyelerini tahmin etmek için oluşturulan modellerin doğruluğu değerlendirilmiş ve çoklu doğrusal regresyon modelleri ile karşılaştırılmıştır. ÇGGP modelleri ile elde edilen sonuçların çoklu doğrusal regresyon modellerine göre dört farklı kritere göre daha iyi olduğu tespit edilmiştir. ÇGGP kullanarak oldukça basit ve kullanışlı modeller ortaya konmuştur.
Keywords
Meteorolojik veriler yeraltı su seviyesi tahmini çoklu doğrusal regresyon genetik programlama
References
- AKKAYA, C., EFEOGLU, A., YEŞİL, N., “Avrupa Birliği Su Çerçeve Direktifi ve Türkiye’de Uygulanabilirliği”, TMMOB Su Politikaları Kongresi, 195–204, Ankara, Türkiye, 2006.
- ÇOBANER, M., Kıyı Akiferlerinde Tuzlu Su Girişiminin Üç Boyutlu Simülasyonu Göksu Deltası Örneği, Doktora Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana, 2009.
- YUKSEL, I., “Water management for sustainable and clean energy in Turkey”, Energy Reports, 1, 129–133, 2015.
Abstract
The significant portion of freshwater needs is met by ground water. Therefore, paying attention to the monitoring of groundwater quality and quantity data and to reveal the current situation is necessary for the calculation of the potential for water development and water management policies. Genetic programming (GP) is an evolutionary-based approach and is used as an alternative to artificial intelligence techniques in recent years. GP has the advantage of revealing a mathematical model by using the relationships between variables. In this study, various mathematical models have been developed to predict the groundwater levels by using meteorological data and previous days of groundwater levels. To the development of mathematical models, a new GP approach, multi-gene genetic programming (MGGP), was implemented. The daily data obtained from Karacaviran observation wells and Develi meteorological station covering the years of 2007-2009 were used for the creation of the models. The accuracy of the generated models to predict the ensuing a month (30 days) groundwater levels were evaluated and compared with the multiple linear regression models. The results obtained with MGGP models were found to be better than multiple linear regression models based on four different criteria. Quite simple and useful models using MGGP have been revealed.
Keywords
Meteorological data groundwater level estimation multiple linear regression genetic programming
References
- AKKAYA, C., EFEOGLU, A., YEŞİL, N., “Avrupa Birliği Su Çerçeve Direktifi ve Türkiye’de Uygulanabilirliği”, TMMOB Su Politikaları Kongresi, 195–204, Ankara, Türkiye, 2006.
- ÇOBANER, M., Kıyı Akiferlerinde Tuzlu Su Girişiminin Üç Boyutlu Simülasyonu Göksu Deltası Örneği, Doktora Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana, 2009.
- YUKSEL, I., “Water management for sustainable and clean energy in Turkey”, Energy Reports, 1, 129–133, 2015.
Details
| Subjects | Civil Engineering |
|---|---|
| Journal Section | Civil Engineering |
| Authors | |
| Publication Date | July 15, 2016 |
| Submission Date | April 20, 2016 |
| Acceptance Date | May 25, 2016 |
| Published in Issue | Year 2016 |
Cite
Cited By