AKARSULARDA ÇÖZÜNMÜŞ OKSİJEN KONSANTRASYONUNUN REGRESYON TABANLI YÖNTEMLERLE MODELLENMESİ: HARŞİT ÇAYI ÖRNEĞİ

Abstract

Bu çalışmada çok değişkenli uyarlanabilir regresyon eğrileri (MARS) ve TreeNet gradyan arttırma makinesi (TreeNet) isimli regresyon tabanlı yöntemler kullanılarak çözünmüş oksijen (ÇO) konsantrasyonu modellemesi amaçlanmıştır. Modelleme çalışmasında kentsel atıksuları bünyesine alarak yer yer kirlenen Harşit Çayı (Gümüşhane) üzerinde belirlenmiş altı su kalitesi gözlem istasyonunda, 15 gün aralıklarla ve 24 kez yerinde gerçekleştirilen ÇO konsantrasyonu (mg/L), sıcaklık (°C), pH ve elektriksel iletkenlik (mS/cm) ölçümleri yanı sıra akarsudan alınan su örneklerinde laboratuvarda gerçekleştirilen sertlik (°dH) tayinleri neticesinde elde edilen veriler kullanılmıştır. Elde edilen veri setinin % 80’i kurulan modellerin eğitilmesinde geriye kalan % 20’si ise söz konusu modellerin test edilmesinde kullanılmıştır. Kurulan modellerin eğitim ve test veri seti performanslarını değerlendirmek amacıyla ortalama karesel hatanın karekökü (OKHK), ortalama mutlak hata (OMH), ortalama rölatif hata (ORH) ve determinasyon katsayısı (R2) performans istatistikleri kullanılmıştır. En düşük OKHK, OMH ve ORH ile en yüksek R2 değerleri eğitim veri seti için sırasıyla 0,2247 mg/L, 0,0666 mg/L, % 0,66 ve 0,9995 olarak TreeNet yönteminden, test veri seti için ise 0,2911 mg/L, 0,2336 mg/L, % 2,27 ve 0,9992 olarak MARS yönteminden elde edilmiştir. Her iki veri seti için ortalamalar dikkate alındığında ise, MARS yönteminden elde edilen performans değerlerinin TreeNet yönteminden elde edilenlere kıyasla daha iyi olduğu sonucuna ulaşılmıştır.

Keywords

• Çözünmüş oksijen konsantrasyonu
• modelleme
• MARS yöntemi
• Regresyon analizi
• TreeNet yöntemi

Modeling Dissolved Oxygen Concentration using Regression-based Methods: A Case Study from the Harşit Stream, Turkey

Abstract

This study aimed to model the stream dissolved oxygen (DO) concentration using the multivariate adaptive regression splines (MARS) and TreeNet gradient boosting machine (TreeNet) methods. The water quality indicators employed for the modeling studies were the stream DO concentration (mg/L), temperature (°C), pH, and electrical conductivity (mS/cm), as well as hardness (°dH). These indicators were measured semimonthly during a year for six monitoring sites selected in untreated wastewater impacted urban stream, namely Harşit, Gümüşhane Province. The stream water quality data for each indicator were 144, 80 % for the training, and the rest for the testing. To evaluate the performance for the training and testing data sets of the models, four performance statistics, i.e., root mean square error (RMSE), mean absolute error (MAE), mean relative error (MRE), and coefficient of determination (R2), were computed. On the one hand, the TreeNet method provided better results for the training data set. On the other hand, the MARS method provided better results for the testing data set. The lowest RMSE, MAE, and MRE and highest R2 values were calculated as 0.2247 mg/L, 0.0666 mg/L, 0.66 %, and 0.9995 for the training data sets, and 0.2911 mg/L, 0.2336 mg/L, 2.27 %, and 0.9992 %, for the test data sets, respectively. It was concluded that the MARS method had a better performance than to the TreeNet method considering the mean values for both data sets.

Keywords

• Dissolved oxygen concentration
• modeling
• MARS method
• Regression analysis
• TreeNet method

References

1. 1. Altunkaynak, A., Ozger, M. ve Cakmakci, M. (2005) Fuzzy logic modeling of the dissolved oxygen fluctuations in Golden Horn, Ecological Modelling, 189(3-4), 436-446. https://doi.org/10.1016/j.ecolmodel.2005.03.007
2. 2. Altuntaş, M. (2018) Yeşilırmak Havzası su kalitesi parametrelerinin yapay zeka teknikleriyle modellenmesi, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Kayseri.
3. 3. Bayram, A. (2011) Harşit Çayı su kalitesinin mevsimsel değişiminin incelenmesi ve askı madde konsantrasyonunun yapay sinir ağları yöntemi ile tahmin edilmesi, Doktora Tezi, Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Trabzon.
4. 4. Bayram, A. ve Kankal, M. (2015) Artificial neural network modeling of dissolved oxygen concentration in a Turkish watershed, Polish Journal of Environmental Studies, 24(4), 1507-1515.
5. 5. Bayram, A., Kankal, M., Önsoy, H. ve Bulut, V.N. (2010a) Harşit Çayı hidrolik yapılarının askı madde hareketine etkileri, VI. Ulusal Hidroloji Kongresi, Denizli, 873-882.
6. 6. Bayram, A., Onsoy, H., Bulut, V.N. ve Tufekci, M. (2010b) Dissolved oxygen levels in the stream Harşit (Turkey), 2010 In: 9th International Congress on Advances in Civil Engineering, Trabzon, (Full text in CD: ACE 2020HYD-041).
7. 7. Bayram, A., Uzlu, E., Kankal, M. ve Dede, T. (2015) Modeling stream dissolved oxygen concentration using teaching-learning based optimization algorithm, Environmental Earth Sciences, 73(10), 6565-6576. https://doi.org/10.1007/s12665-014-3876-3
8. 8. Dede, O., Ilker, T. ve Aral, M. (2013) The use of water quality index models for the evaluation of surface water quality: A case study for Kirmir Basin, Ankara, Turkey, Water Quality Exposure and Health, 5(1), 41-56. https://doi.org/10.1007/s12403-013-0085-3

9. 9. Elkiran, G., Nourani, V. ve Abba, S.I. (2019) Multi-step ahead modelling of river water quality parameters using ensemble artificial intelligence-based approach, Journal of Hydrology, 577, 123962. https://doi.org/10.1016/j.jhydrol.2019.123962
10. 10. Fetene, B.N., Shufen, R. ve Dixit, U.S. (2018) FEM-based neural network modeling of laser-assisted bending, Neural Computing and Applications, 29(6), 69-82. https://doi.org/10.1007/s00521-016-2544-9
11. 11. Friedman, J.H. (1991) Multivariate adaptive regression splines, The Annals of Statistics, 19(1), 1-67.
12. 12. Friedman, J.H. (2001) Greedy function approximation: a gradient boosting machine. The Annals of Statistics, 29, 1189-1232. https://doi.org/10.1214/aos/1013203451
13. 13. Friedman, J.H. ve Meulman, J.J. (2003) Multiple additive regression trees with application in epidemiology, Statistics in Medicine, 22(9), 1365-1381. https://doi.org/10.1002/sim.1501
14. 14. Göksu, M.Z.L. (2015) Su Kirliliği, 2. Basın, Akademisyen Kitapevi, Ankara.
15. 15. Heddam, S. ve Kisi, O. (2018) Modelling daily dissolved oxygen concentration using least square support vector machine, multivariate adaptive regression splines and M5 model tree, Journal of Hydrology, 559, 499-509. https://doi.org/10.1016/j.jhydrol.2018.02.061
16. 16. https://www.minitab.com/content/dam/www/en/uploadedfiles/content/products/spm/IntroMARS.pdf, Erişim Tarihi: 24.02.2022, Konu: Introducing MARS.
17. 17. http://www.utstat.utoronto.ca/reid/sta450/Mar16.pdf, Erişim Tarihi: 24.02.2022, Konu: STA450S/4000S: Topics in Statistics. Statistical Aspects of Data Mining, Ders Notu.
18. 18. Karadeniz, S. (2020) Giresun yaylaları kaynak suları kalitesinin belirlenmesi, Yüksek Lisans Tezi, Giresun Üniversitesi, Fen Bilimleri Enstitüsü, Giresun.
19. 19. Kisi, O., Akbari, N., Sanatipour, M., Hashemi, A., Teimourzadeh, K. ve Shiri, J. (2013). Modeling of dissolved oxygen in river water using artificial intelligence techniques, Journal of Environmental Informatics, 22(2), 92-101. https://doi.org/10.3808/jei.201300248
20. 20. Kose, E., Tokatli, C. ve Cicek, A. (2014). Monitoring stream water quality: a statistical evaluation, Polish Journal of Environmental Studies, 23(5), 1637-1647.
21. 21. Könez, H. (2019) Çarşıbaşı Deresi’nin fizikokimyasal su kalitesi ve kirlilik seviyesinin araştırılması, Yüksek Lisans Tezi, Recep Tayyip Erdoğan Üniversitesi, Fen Bilimleri Enstitüsü, Rize.
22. 22. Kukrer, S. ve Mutlu, E. (2019). Assessment of surface water quality using water quality index and multivariate statistical analyses in Saraydüzü Dam Lake, Turkey, Environmental Monitoring and Assessment, 191(2), 1-16. https://doi.org/10.1007/s10661-019-7197-6
23. 23. Küçükler, E. (2020) Yanıklar Deresi’nin (Fethiye-Muğla) limnolojik ve su kalitesi yönünden incelenmesi, Yüksek Lisans Tezi, Muğla Sıtkı Koçman Üniversitesi, Fen Bilimleri Enstitüsü, Muğla.
24. 24. Nacar, S., Bayram, A., Baki, O.T., Kankal, M. ve Aras, E. (2020a) Spatial forecasting of dissolved oxygen concentration in the Eastern Black Sea Basin, Turkey, Water, 12(4), 1041. https://doi.org/10.3390/w12041041
25. 25. Nacar, S., Hinis, M.A. ve Kankal, M. (2018a) Forecasting daily streamflow discharges using various neural network models and training algorithms, KSCE Journal of Civil Engineering, 22(9), 3676-3685. https://doi.org/10.1007/s12205-017-1933-7
26. 26. Nacar, S., Kankal, M. ve Hınıs, M.A. (2018b) Çok değişkenli uyarlanabilir regresyon eğrileri (ÇDURE) ile günlük akarsu akımlarının tahmini - Haldizen Deresi örneği, Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8(1), 38-47. https://doi.org/10.17714/gumusfenbil.311188
27. 27. Nacar, S., Mete, B. ve Bayram, A. (2020b) Günlük çözünmüş oksijen konsantrasyonunun çok değişkenli uyarlanabilir regresyon eğrileri ile tahmin edilmesi, Bursa Uludağ University Journal of The Faculty of Engineering, 25(3), 1479-1498. https://doi.org/10.17482/uumfd.750518
28. 28. Nacar, S., Mete, B. ve Bayram, A. (2020c) Estimation of daily dissolved oxygen concentration for river water quality using conventional regression analysis, multivariate adaptive regression splines, and TreeNet techniques, Environmental Monitoring and Assessment, 192(12), 1-21. https://doi.org/10.1007/s10661-020- 08649-9
29. 29. Oğuz, A. (2014) Çok değişkenli uyarlanabilir regresyon zincirlerinin irdelenmesi ve bir uygulama, Yüksek Lisans Tezi, Erzincan Üniversitesi, Fen Bilimleri Enstitüsü, Erzincan.
30. 30. Olyaie, E., Abyaneh, H.Z. ve Mehr, A.D. (2017) A comparative analysis among computational intelligence techniques for dissolved oxygen prediction in Delaware River, Geoscience Frontiers, 8(3), 517-527. https://doi.org/10.1016/j.gsf.2016.04.007
31. 31. Özfalcı, Y. (2008) Çokdeğişkenli uyarlanabilir regresyon kesitleri: MARS, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
32. 32. Sener, S., Sener, E. ve Davraz, A. (2017) Evaluation of water quality using water quality index (WQI) method and GIS in Aksu River (SW-Turkey), Science of the Total Environment, 584, 131-144. https://doi.org/10.1016/j.scitotenv.2017.01.102
33. 33. 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.
34. 34. Soyupak, S., Karaer, F., Gurbuz, H., Kivrak, E., Senturk, E. ve Yazici, A. (2003) A neural network-based approach for calculating dissolved oxygen profiles in reservoirs, Neural Computing and Applications, 12(3), 166-172. https://doi.org/10.1007/s00521-003-0378-8
35. 35. Toprak, S. (2011) Çok değişkenli uyarlamalı regresyon eğrileri ve konik programlama ile zaman serilerinin modellenmesi, Yüksek Lisans Tezi, Dicle Üniversitesi, Fen Bilimleri Enstitüsü, Diyarbakır.
36. 36. Ustaoglu, F., Tepe, Y. ve Tas, B. (2020) Assessment of stream quality and health risk in a subtropical Turkey river system: A combined approach using statistical analysis and water quality index, Ecological Indicators, 113, 105815. https://doi.org/10.1016/j.ecolind.2019.105815
37. 37. Ünal, B. (2009) Çok değişkenli uyarlamalı regresyon uzanımları, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
38. 38. Yalçın, H. ve Gürü, M. (2010) Su Teknolojisi, 2. Baskı, Palme Yayıncılık, Ankara.
39. 39. Yerüstü Su Kalitesi Yönetmeliği (YSKY), 2012, Resmi Gazete, Başbakanlık Basımevi, 28483, 9-33.
40. 40. Yilmaz, B., Aras, E., Nacar, S. ve Kankal, M. (2018) Estimating suspended sediment load with multivariate adaptive regression spline, teaching-learning based optimization, and artificial bee colony models, Science of the Total Environment, 639, 826-840. https://doi.org/10.1016/j.scitotenv.2018.05.153
41. 41. Yuceer, M. ve Coskun, M.A. (2016) Modeling water quality in rivers: A case study of Beylerderesi River in Turkey, Applied Ecology and Environmental Research, 14(1), 383-395. https://doi.org/10.15666/aeer/1401_383395