BibTex RIS Cite

Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini

Year 2006, Volume: 10 Issue: 2, 297 - 302, 10.04.2009

Ö. Terzi

Abstract

Çalışmada, Eğirdir Gölü'nün günlük su sıcaklığını tahmin etmek için günlük hava sıcaklığı, güneş ışınımı ve nisbi nem parametreleri kullanılarak bir, iki ve üç girdili yedi farklı Yapay Sinir Ağları (YSA) modeli geliştirilmiştir. Modellerin geliştirilmesinde kullanılan eğitim verileri 2000-2001-2002 yıllarına ait günlük verileri içerirken test verileri ise 2003 yılına ait günlük verilerden oluşmaktadır. Geliştirilen modellerin performansları irdelendiğinde, hava sıcaklığına bağlı olan bir, iki ve üç girdili dört tane modelin uygun sonuçlar verdiği ve günlük su sıcaklığı tahmininde kullanılabilir oldukları görülmüştür.

Keywords

su sıcaklığı hava sıcaklığı yapay sinir ağları Eğirdir Gölü

References

  • (1) Caissie, D, El-Jabi, N and Satish, MG, 2001. Modeling of maximum daily water temperatures in a small stream using air temperatures. Journal of Hydrology, 251, 14-28.
  • (2) Gu, RR and Li, Y, 2002. River temperature sensitivity to hydraulic and meteorological parameters. Journal of Environmental Management, 66, 43-56.
  • (3) Efremova, TV and Pal’shin, NI, 2003. Formation of vertical thermal structure in lakes in northwestern Russia and Finland. Water Resources, 30(6), 640–649.
  • (4) Ozaki, N, Fukushima, T, Harasawa, H, Kojiri, T, Kawashima, K and Ono, M, 2003. Statistical analyses on the effects of air temperature fluctuations on river water qualities. Hydrological Processes, 17, 2837–2853.
  • (5) Mohseni, O and Stefan, HG, 1999. Stream temperature/air temperature relationship: a physical interpretation. Journal of Hydrology, 218, 128–141.
  • (6) Webb, BW, Clack, PD and Walling, DE, 2003. Water–air temperature relationships in a Devon river system and the role of flow. Hydrological Processes, 17, 3069–3084.
  • (7) Webb, BW and Nobilis, F, 1997. A long-term perspective on the nature of the air–water temperature relationship: A case study. Hydrological Processes, 11, 137–147.
  • (8) Kumar, M, Raqhuwanshi, NS, Singh, R, Wallender, WW and Pruitt, WO, 2002. Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage Engineering, 128(4), 224-233.
  • (9) Zealand, CM, Burn, DH and Simonovic, SP, 1999. Short term streamflow forecasting using artificial neural networks. Journal of Hydrology, 214, 32-48.
  • (10)Tokar, AS and Johnson, PA, 1999. Rainfall-runoff modeling using artificial neural networks. Journal of Hydrological Engineering, 4, 232-239.
  • (11)Luk, KC, Ball, JE and Sharma, A, 2000. A study of optimal model lag and spatial inputs to artificial neural network for rainfall forecasting. Journal of Hydrology, 227, 56-65.
  • (12)Dorvlo, ASS, Jervase, JA and Al-Lawati, A, 2002. Solar radiation estimation using artificial neural networks. Applied Energy, 71, 307-319.
  • (13)Keskin, ME and Terzi, Ö, 2006. Artificial neural network models of daily pan evaporation. Journal of Hydrologic Engineering, 11(1), 65-70.
  • (14)Mason, JC, Price, RK and Tem’me A, 1996. A neural network model of rainfall-runoff using radial basis functions. Journal of Hydraulic Research, 34(4), 537-548.
  • (15)Mohandes, MA, Rehman, S and Halawani, TO, 1998. A neural networks approach for wind speed prediction. Renewable Energy, 13(3), 345-354.
  • (16)Imrie, CE, Durucan, S and Korre, A, 2000. River flow prediction using artificial neural networks: generalization beyond the calibration range. Journal of Hydrology, 233, 138-153.
  • (17)Cığızoğlu, HK, 2001. Yapay sinir ağları ve zaman serileri analizinde kullanımı. III. Ulusal Hidroloji Kongresi, Dokuz Eylül Üniversitesi, İzmir.
  • (18)Anonim, 1999. İçme Suyu Kaynağı Olarak Eğirdir Gölü’nün Korunması Projesi, Hacettepe Üniversitesi Çevre Uygulama ve Araştırma Merkezi.
  • (19)Kohonen, T, 1988. An introduction to neural computing, neural networks, 1, 3-6.
  • (20)Öztemel, E, 2003. Yapay sinir ağları. Papatya Yayıncılık, İstanbul.
  • (21)Kartalopoulos, SV, 1996. Understanding neural networks and fuzzy logic: basic concepts and applications. IEEE Press, 205s. New York.
  • (22)Fausett, L, 1994. Fundamentals of neural networks: Architectures, algorithms, and applications. Prentice Hall 461s. New Jersey.

Year 2006, Volume: 10 Issue: 2, 297 - 302, 10.04.2009

Ö. Terzi

Abstract

References

  • (1) Caissie, D, El-Jabi, N and Satish, MG, 2001. Modeling of maximum daily water temperatures in a small stream using air temperatures. Journal of Hydrology, 251, 14-28.
  • (2) Gu, RR and Li, Y, 2002. River temperature sensitivity to hydraulic and meteorological parameters. Journal of Environmental Management, 66, 43-56.
  • (3) Efremova, TV and Pal’shin, NI, 2003. Formation of vertical thermal structure in lakes in northwestern Russia and Finland. Water Resources, 30(6), 640–649.
  • (4) Ozaki, N, Fukushima, T, Harasawa, H, Kojiri, T, Kawashima, K and Ono, M, 2003. Statistical analyses on the effects of air temperature fluctuations on river water qualities. Hydrological Processes, 17, 2837–2853.
  • (5) Mohseni, O and Stefan, HG, 1999. Stream temperature/air temperature relationship: a physical interpretation. Journal of Hydrology, 218, 128–141.
  • (6) Webb, BW, Clack, PD and Walling, DE, 2003. Water–air temperature relationships in a Devon river system and the role of flow. Hydrological Processes, 17, 3069–3084.
  • (7) Webb, BW and Nobilis, F, 1997. A long-term perspective on the nature of the air–water temperature relationship: A case study. Hydrological Processes, 11, 137–147.
  • (8) Kumar, M, Raqhuwanshi, NS, Singh, R, Wallender, WW and Pruitt, WO, 2002. Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage Engineering, 128(4), 224-233.
  • (9) Zealand, CM, Burn, DH and Simonovic, SP, 1999. Short term streamflow forecasting using artificial neural networks. Journal of Hydrology, 214, 32-48.
  • (10)Tokar, AS and Johnson, PA, 1999. Rainfall-runoff modeling using artificial neural networks. Journal of Hydrological Engineering, 4, 232-239.
  • (11)Luk, KC, Ball, JE and Sharma, A, 2000. A study of optimal model lag and spatial inputs to artificial neural network for rainfall forecasting. Journal of Hydrology, 227, 56-65.
  • (12)Dorvlo, ASS, Jervase, JA and Al-Lawati, A, 2002. Solar radiation estimation using artificial neural networks. Applied Energy, 71, 307-319.
  • (13)Keskin, ME and Terzi, Ö, 2006. Artificial neural network models of daily pan evaporation. Journal of Hydrologic Engineering, 11(1), 65-70.
  • (14)Mason, JC, Price, RK and Tem’me A, 1996. A neural network model of rainfall-runoff using radial basis functions. Journal of Hydraulic Research, 34(4), 537-548.
  • (15)Mohandes, MA, Rehman, S and Halawani, TO, 1998. A neural networks approach for wind speed prediction. Renewable Energy, 13(3), 345-354.
  • (16)Imrie, CE, Durucan, S and Korre, A, 2000. River flow prediction using artificial neural networks: generalization beyond the calibration range. Journal of Hydrology, 233, 138-153.
  • (17)Cığızoğlu, HK, 2001. Yapay sinir ağları ve zaman serileri analizinde kullanımı. III. Ulusal Hidroloji Kongresi, Dokuz Eylül Üniversitesi, İzmir.
  • (18)Anonim, 1999. İçme Suyu Kaynağı Olarak Eğirdir Gölü’nün Korunması Projesi, Hacettepe Üniversitesi Çevre Uygulama ve Araştırma Merkezi.
  • (19)Kohonen, T, 1988. An introduction to neural computing, neural networks, 1, 3-6.
  • (20)Öztemel, E, 2003. Yapay sinir ağları. Papatya Yayıncılık, İstanbul.
  • (21)Kartalopoulos, SV, 1996. Understanding neural networks and fuzzy logic: basic concepts and applications. IEEE Press, 205s. New York.
  • (22)Fausett, L, 1994. Fundamentals of neural networks: Architectures, algorithms, and applications. Prentice Hall 461s. New Jersey.
There are 22 citations in total.

Details

Primary Language English
Journal Section MÜHENDİSLİK ve MİMARLIK BİLİMLERİ
Authors

Ö. Terzi This is me

Publication Date April 10, 2009
Published in Issue Year 2006 Volume: 10 Issue: 2

Cite

APA Terzi, Ö. (2009). Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10(2), 297-302. https://doi.org/10.19113/sdufbed.54486
AMA Terzi Ö. Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini. J. Nat. Appl. Sci. April 2009;10(2):297-302. doi:10.19113/sdufbed.54486
Chicago Terzi, Ö. “Yapay Sinir Ağları Metodu Ile Eğirdir Gölü Su Sıcaklığının Tahmini”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 10, no. 2 (April 2009): 297-302. https://doi.org/10.19113/sdufbed.54486.
EndNote Terzi Ö (April 1, 2009) Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 10 2 297–302.
IEEE Ö. Terzi, “Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini”, J. Nat. Appl. Sci., vol. 10, no. 2, pp. 297–302, 2009, doi: 10.19113/sdufbed.54486.
ISNAD Terzi, Ö. “Yapay Sinir Ağları Metodu Ile Eğirdir Gölü Su Sıcaklığının Tahmini”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 10/2 (April 2009), 297-302. https://doi.org/10.19113/sdufbed.54486.
JAMA Terzi Ö. Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini. J. Nat. Appl. Sci. 2009;10:297–302.
MLA Terzi, Ö. “Yapay Sinir Ağları Metodu Ile Eğirdir Gölü Su Sıcaklığının Tahmini”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 10, no. 2, 2009, pp. 297-02, doi:10.19113/sdufbed.54486.
Vancouver Terzi Ö. Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini. J. Nat. Appl. Sci. 2009;10(2):297-302.

e-ISSN :1308-6529
Linking ISSN (ISSN-L): 1300-7688

All published articles in the journal can be accessed free of charge and are open access under the Creative Commons CC BY-NC (Attribution-NonCommercial) license. All authors and other journal users are deemed to have accepted this situation. Click here to access detailed information about the CC BY-NC license.