İklim Parametreleri Kullanarak Yapay Sinir Ağları (YSA) ile Pan Buharlaşmanın (Ep) Tahmin Edilmesi

Yıl 2024, Cilt: 6 Sayı: 2, 122 - 128, 31.12.2024

Cafer Gençoğlan , Hasan Badem

Öz

Çalışmanın amacı, A sınıfı buharlaşma kabından olan buharlaşmanın (Ep) rüzgar hızı, solar radyasyon, sıcaklık ve oransal nem değerlerini kullanarak yapay sinir ağın (YSA)’da tahmin etmektir.
Gizli katmandaki nöron sayısı 5, 7 ve 10 olarak seçilmiştir. YSA modelinde eğitilmesinde tansig ve pureline aktivasyon fonksiyonu; eğitim algoritması olarak Levenberg-Marquardt (LM), Scaled conjugate gradient (SCG) ve Resilient Propagation (RP) kullanılmıştır. Elde edilen sonuçlarda 250, 500, 750 ve 1000 kez yineleme (epochs) yapılarak hesaplanan değerler ile karşılaştırılmıştır. Modellerin tahmin yeteneğinin belirlenmesinden Belirleme Katsayısı (R2), Ortalama Mutlak Hata (MEA) ve Tahmin Hatası Standart Sapması (RMSE) istatistiksel yöntemleri kullanılmıştır.
R2, MEA ve RMSE’nın değerleri eğitimde sırasıyla 0.76-0.88, 0.88-1.34 (mm) ve 1.13-1.65 (mm), doğrulamada ise 0.49-0.788, 1.19-2.11 (mm) ve 1.58-2.19 (mm) arasında değişmiştir. Eğitimde en başarı modelde ((LM,4-7-1) ve 250) R2, MEA ve RMSE sırasıyla 0.86, 0.97 ve 1.254 olarak elde edilmiştir. Ancak doğrulamada en başarı modelde ((LM,4-7-1) ve 500) R2, MEA ve RMSE ise sırasıyla 0.79, 1.195 ve 1.579 olarak elde edilmiştir. LM,4-7-1 ve 500 modeline göre belirleme katsayısı bağımlı değişken, bağımsız değişkeni %79 oranında temsil etmektedir. MEA ve RMSE istatistiğine göre YSA ile tahmin edilen değerler (TEp) ile ölçülen değerler (OEp) arasındaki hata sırasıyla 1.195 mm ve 1.579 mm olarak belirlemiştir.

Anahtar Kelimeler

İklim verisi, Pan Buharlaşma, Yapay Sinir Ağı, LM, RMSE

Etik Beyan

No

Destekleyen Kurum

No

Teşekkür

--

Kaynakça

• Allen R. G., Pereira L.S., Raes D. and Smith. M. (1998). Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irri. and Drainage Paper 56. FAO, Rome.
• Burgess, M.D. and Hanson, C. L. (1981). Automatic Class-A pan-filling system. Journal of Hydrology 50:389- 392. Burn, D. H., and Hesch, N.M. (2007). Trends in evaporation for the Canadian Prairies. Journal of Hydrology 336: 61-73.
• Chin, D. A. and Zhao, S. (1995). Evaluation of evaporationpan networks. Journal of Irrigation and Drainage Engineering 121:338-346.
• Chung, C.H., Chiang, Y.M. and Chang, F.J. (2012). A Spatial Neural Fuzzy Network for Estimating Pan Evaporation at Ungauged Sites. Hydrology and Earth System Sciences, 16. 255–266.
• Doorenbos, J. and Pruitt, W.O. (1977). Crop water requirements. FAO Irrigation Drainage Paper No. 24, FAO, Rome, Italy.
• Doğan, E. ve Işık, S. (2005). Sapanca Gölü Günlük Buharlaşma Miktarının Radyal Temelli Yapay Sinir Ağı Modeli Kullanılarak Tahmin Edilmesi. Bilim Modern Yöntemler Sempozyumu, s. 807-814. Kasım 16-18. Kocaeli.
• Ertek A, Şensoy S, Gedik, I. and Küçükyumuk, C. (2006). Irrigation scheduling based on pan evaporation values for cucumber (Cucumis sativus L.) grown under field conditions. Agricultural water management, 81:159-172.
• Ertek, A. (2011). Importance of pan evaporation for irrigation scheduling and proper use of crop-pan coefficient (Kcp), crop coefficient (Kc) and pan coefficient (Kp). African Journal of Agricultural Research, 6:6706-6718.
• Fomby, T. (2008). Artificial neural networks (ANNs) Department of Economics Southern Methodist University. http://faculty.smu.edu/tfomby/eco5385/lecture/ANNs.pdf (19.06.2013)
• Gençoğlan, C., Gençoğlan, S., Nikpeyma, Y. and Ucak, A. B. (2019). Determination of water-yield relationship of comice pear (Pyrus communis L.) Variety irrigated by the irrigation automation system (IAS) based on programmable logic controller (PLC). Fresenius Environmental Bulletin, 28:2433-2441.
• Gençoğlan, C., Gençoğlan, S. and Usta, S. (2023). Measurement of water depth in a class a pan using ultrasonic transducer and programmable logic control (PLC). Journal of Tekirdag Agricultural Faculty, 20(2): 343-352.
• Hatfield, J.L. (1990). Methods of estimating evapotranspiration p. 435-474. In B.A. Stewart and D.R. Nielsen (Ed). Irrigation of Agricultural Crops. Agronomy. American Society of Agronomy, Inc. Publishers. Madison, Wisconsin USA.
• Inneci, T. and Badem, H. (2023). Detection of Corneal Ulcer Using a Genetic Algorithm-Based Image Selection and Residual Neural Network. Bioengineering, 10(6), 639.
• Hebb, D. (1949). The Organization of Behavior. Willey. NewYork.
• Jang, J.S. (1993). ANFIS: Adaptive-network-based fuzzy ınference system. IEEE Trans. Syst. Man. Cybern, 2: 665–685.
• LeCun, Y., Bengio, Y. and Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
• Lewis, C.D. (1982). Industrial and business forecasting methods: Apractical guide to exponential smoothing and curve fitting. Butterworths Scientific. ISBN: 978-0-408-00559-3, London, England, 144s.
• Kişi, O. (2006). Daily pan evaporation modelling using a neuro-fuzzy computing technique, J. Hydrol., 329: 636–646.
• Kurucan, M., Özbaltan, M., Yetgin, Z. and Alkaya, A. (2024). Applications of artificial neural network based battery management systems: A literature review. Renewable and Sustainable Energy Reviews, 192, 114262.
• Leverington, D. (2009). A Basic Introduction to Feedforward Backpropagation Neural Networks. http://www.webpages.ttu.edu/dleverin/neural_network/neural_ networks.html (13.06.2013).
• Matlab Guide (2024). Train Regression Models in Regression Learner App, Link: https://www.mathworks.com/help/stats/train-regression-models-in-regression-learner-app.html Erişim Tarihi: Kasım 2024
• McCullogh, W.S. and Pitts, W.A. (1943). A logical calculus of the ıdeas ımmanent in nervous activity. Bull. Math. Biophysics. Vol. 5: 115-133 p.
• Montesinos López, O. A., Montesinos López, A. and Crossa, J. (2022). Fundamentals of artificial neural networks and deep learning. In Multivariate statistical machine learning methods for genomic prediction (pp. 379-425). Cham: Springer International Publishing.
• Öztemel, E. 2003. Yapay Sinir Ağları, (2. Baskı 2006) ISBN: 975-67-97-39-8, Papatya Yayıncılık, İstanbul.
• Sudheer, P.K., Gosain, A.K., Mohana, R.D. and Saheb, S.M. (2002). Modeling evaporation using an artificial neural network algorithm. hydrological process. 16:3189- 3202.
• Usta, S., Gençoğlan, C. and Gençoğlan, S. (2022). Estimation of Daily Average Global Solar Radiation with Nonlinear Regression Models Developed Using Some Meteorological and Geographical Parameters. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 13(3), 589-597.
• Terzi, Ö. ve Keskin, E.M. (2005). Yapay sinir ağları yaklaşımı kullanarak günlük tava buharlaşmanın tayini. YMO Teknik Dergi. 3683-3693.
• Villarreal, M. R. (2007). Complete Neuron Cell Diagram en.svg, (LadyofHats) Wikipedia, the free encyclopedia. http://en.wikipedia.org/wiki/File:Complete_neuron_cell_ diagram_en.svg.
• Wiegrebe, S., Kopper, P., Sonabend, R., Bischl, B. and Bender, A. (2024). Deep learning for survival analysis: a review. Artificial Intelligence Review, 57(3), 65.
• Yahaya, O., Smart, B., Omoakhalen, A.I. and Ehibor, O.G. (2018). Development and Calibration of Automated Class A Evaporimeter. Hydrol Current Res. 9: 304.
• Yıldırım, D., Cemek, B. ve Küçüktopcu, E. (2019). Bulanık Yapay Sinir Ağları ve Çok Katmanlı Yapay Sinir Ağları ile Günlük Buharlaşma Tahmini. Toprak Su Dergisi, 24-31.
• Yurtoğlu, H. (2005). Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği, DPT – Uzmanlık Tezleri, Yayın No: Dpt: 2683, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü.