Prediction of Lake Van Water Level using Artificial Neural Network Model with Meteorological Parameters and Multiple Linear Regression Analysis: A Comparative Study

Yıl 2023, Cilt: 12 Sayı: 4, 1028 - 1040, 28.12.2023

Furkan Sidal Yener Altun

https://doi.org/10.17798/bitlisfen.1316881

Öz

The water level of Lake Van has shown changes over time. This study encompasses a statistical investigation conducted to understand the reasons behind the variation in the lake's water level. In this study, an attempt has been made to establish a predictive model by determining the effects of meteorological factors on the lake's water level. Artificial neural networks have been utilized to predict the water level of Lake Van using meteorological parameters such as precipitation, temperature, evaporation, wind speed, relative humidity, and atmospheric pressure. Furthermore, a model equation has been formulated by examining the relationship between independent variables and the changes in the water level of Lake Van through multiple linear regression analysis. The two models have been compared, and the results have been evaluated. The obtained results indicate that the artificial neural network model can provide more realistic predictions for the water level of Lake Van compared to the multiple regression analysis method, demonstrating that artificial neural networks serve as a tool for both temporal and spatial predictions.

Anahtar Kelimeler

Artificial Neural Network, Comparative Study, Lake Water Level Prediction, Modeling

Kaynakça

• [1] M. F. Keskenler and E. F. Keskenler, “Geçmişten Günümüze Yapay Sinir Ağları,” Takvimi Vakiye., vol. 5, no. 2, pp. 8–18, 2017.
• [2] M. Çobaner, E. Babayi̇ği̇t, and B. Babayi̇ği̇t, “Meteorolojik Veriler Kullanılarak Yeraltı Su Seviyesinin Genetik Programlama ile Tahmini,” Ömer Halisdemir Üniv. Mühendis. Bilim. Derg., vol. 5, no. 2, pp. 177–187, 2016.
• [3] Y. Damla, T. Temi̇z, and E. Keski̇n, “Yapay Sinir Ağı Kullanılarak Su Seviyesinin Tahmin Edilmesi: Yalova Gökçe Barajı Örneği,” Kırklareli Üniversitesi Mühendislik ve Fen Bilimleri Dergisi, vol. 6, no. 1, pp. 32–49, 2020.
• [4] E. İspir, “Hatay Amik Ovası Kumlu Bölgesindeki Yeraltı Suyu Seviyesinin Yapay Sinir Ağları Yöntemi ile Tahmini,” Iskenderun Technical University, Turkey, 2017.
• [5] A. Altunkaynak and Z. Şen, “Fuzzy logic model of lake water level fluctuations in Lake Van, Turkey,” Theor. Appl. Climatol., vol. 90, no. 3–4, pp. 227–233, 2007.
• [6] P. Panyadee, P. Champrasert, and C. Aryupong, “Water level prediction using artificial neural network with particle swarm optimization model,” in 2017 5th International Conference on Information and Communication Technology (IcoIC7), 2017.
• [7] V. Nabiyev and A. K. Erümit, Eds., Eğitimde Yapay Zeka Kuramdan Uygulamaya. Ankara Pegem Akademi Yayıncılık, 2020.
• [8] S. Haykin, Neural networks: Comprehensive foundation, 2nd ed. Piscataway, NJ: I.E.E.E. Press, 1999.
• [9] E. Ersoy and Ö. Kartal, “Yapay Sinir Ağları ve İnsan Beyni,” İnsan ve Toplum Bilimleri Araştırmaları Dergisi II, vol. 1, no. 2, pp. 188–205, 2012.
• [10] M. Caner and E. Akarslan, “Mermer Kesme İşleminde Spesifik Enerji Faktörünün ANFIS ve YSA Yöntemleri ile Tahmini,” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol. 15, no. 2, pp. 221–226, 2009.
• [11] F. Sönmez Çakır, Yapay Sinir Ağları Matlab Kodları ve Matlab Toolbox Çözümleri. Turkey: Nobel Akademik Yayıncılık, 2020.
• [12] B. Çil, İstatistik. Ankara: Detay Yayıncılık, 2014.
• [13] B. A. Köksal, İstatistik Analiz Metotları. Istanbul: Çağlayan Kitapevi, 2013.
• [14] S. Kılıç, “Doğrusal Regresyon Analizi,” İstatistiki İfadeyle, vol. 3, no. 2, pp. 90–92, 2013.
• [15] F. Yüzük, “Çoklu Regresyon Analizi ve Yapay Sinir Ağları ile Türkiye Enerji Talep Tahmini,” Cumhuriyet University Institute of Social Sciences, Turkey, 2019.
• [16] G. James, D. Witten, T. Hastie, and R. Tibshirani, An introduction to statistical learning: With applications in R, 1st ed. New York, NY: Springer, 2013.
• [17] H. Eygü, “Covid-19 Sürecinde Üniversite Öğrencilerinin Uzaktan Eğitim Eğiliminin Araştırılması,” Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, vol. 10, no. 2, pp. 882-903, 2023.
• [18] C. Okutkan, “Borsa İstanbul Şirketlerinin Hisse Senedi Getirilerinin Yapay Sinir Ağları ve Çoklu Regresyon Yöntemleri Kullanarak Analizi,” Kocaeli University Graduate School of Natural and Applied Sciences, Turkey, 2014.
• [19] H. Eygü, Çözümlü güncel örneklerle olasılık ve istatistik. Ankara: Nobel Yayınları, 2020.
• [20] M. Öztürkcan, Regresyon analizi. 2009.
• [21] M. Z. Yıldız, “Kapalı Havza Göllerinde Seviye Değişimlerinin Kıyı Yerleşmelerine Etkisi: Van Gölü Örneği,” Fırat Üniversitesi Sosyal Bilimler Dergisi, vol. 15, no. 1, pp. 15–31, 2005.
• [22] G. A. A. Mulla, Y. Demir, and M. M. Hassan, “Combination of PCA with SMOTE Oversampling for Classification of High-Dimensional Imbalanced Data,” BEU Journal of Science, vol. 10, no. 3, pp. 858-869, 2021.