Seyhan Havzası'nda Yer Alan Üç İstasyon İçin Yapay Sinir Ağı Kullanarak Akış Modeli Geliştirilmesi Üzerine Bir Çalışma

Yıl 2025, Cilt: 40 Sayı: 2 , 453 - 461 , 02.07.2025

Mehmet Merkepçi

https://doi.org/10.21605/cukurovaumfd.1627430

Cited By: 1

https://izlik.org/JA62DS79MJ

Öz

İnsan yaşamının devamlılığı açısından su hayati önem taşımaktadır. Dolayısıyla, var olan su kaynaklarının korunması ve bu kaynakların bilinçli bir şekilde kullanımı konusunda iyi bir strateji geliştirmektir. Bu stratejinin ilk basamağı ise geçmişten gelen verileri kullanarak gelecekte ne kadar su kaynağı potansiyeline sahip olacağımızın tahmin edilmesidir. Bu bağlamda, sahip olduğumuz nehir ve akarsu akış miktarlarının tahmini, su kaynakları yönetimi, sel kontrolü ve çevre dengesi açısından büyük önem taşımaktadır. Bu çalışmada, Türkiye'de Seyhan Havzası'nda yer alan Zamanti Nehri-Değirmenocağı, Zamantı Nehri-Ergenuşağı ve Eğlence Nehri-Eğribük istasyonlarının uzun dönem günlük akış değerleri incelenmiştir. Geçmiş akış ölçüm değerlerinden ileri akış hızının tahmin edilmesi amacıyla Yapay Sinir Ağı modeli, algoritmaları kullanılarak eğitilmiş ve sonuçlar elde edilmiştir. Özellikle, çeşitli çevresel faktörler ve önceki akış verileri temel alınarak akış dinamiklerini modelleyen bu sistem, su yönetimi uygulamaları için stratejik veriler sağalmaktadır.

Anahtar Kelimeler

Yapay Zekâ (YZ) , Tahmin , Yapay Sinir Ağları(YSA)

A Study on Developing A Flow Model Using Artificıal Neural Networks For Three Stations in the Seyhan Basin

https://izlik.org/JA62DS79MJ

Öz

İnsan yaşamının devamlılığı açısından su hayati önem taşımaktadır. Dolayısıyla, var olan su kaynaklarının korunması ve bu kaynakların bilinçli bir şekilde kullanımı konusunda iyi bir strateji geliştirmektir. Bu stratejinin ilk basamağı ise geçmişten gelen verileri kullanarak gelecekte ne kadar su kaynağı potansiyeline sahip olacağımızın tahmin edilmesidir. Bu bağlamda, sahip olduğumuz nehir ve akarsu akış miktarlarının tahmini, su kaynakları yönetimi, sel kontrolü ve çevre dengesi açısından büyük önem taşımaktadır. Bu çalışmada, Türkiye'de Seyhan Havzası'nda yer alan Zamanti Nehri-Değirmenocağı, Zamantı Nehri-Ergenuşağı ve Eğlence Nehri-Eğribük istasyonlarının uzun dönem günlük akış değerleri incelenmiştir. Geçmiş akış ölçüm değerlerinden ileri akış hızının tahmin edilmesi amacıyla Yapay Sinir Ağı modeli, algoritmaları kullanılarak eğitilmiş ve sonuçlar elde edilmiştir. Özellikle, çeşitli çevresel faktörler ve önceki akış verileri temel alınarak akış dinamiklerini modelleyen bu sistem, su yönetimi uygulamaları için stratejik veriler sağalmaktadır.

Anahtar Kelimeler

Artificial intelligence , Prediction , Artificial Neural Network (ANN)

Kaynakça

• 1. Tübitak Bilim Genç Dergisi, https://bilimgenc.tubitak.gov.tr/makale/gelecekteki-tehlike-su-kitligi, Erişim Tarihi: 25.10.2024.
• 2. Beven, K.J. (2011). Rainfall-runoff modelling: the primer. 2nd Edition. John Wiley & Sons.
• 3. Storck, P., Bowling, L.C., Wetherbee, P. & Lettenmaier, P.D. (1998). Application of a GIS-based distributed hydrology model for prediction of forest harvest effects on peak stream flow in the Pacific Northwest. Hydrological Processes, 12, 889-904.
• 4. Dibike, Y.B. & Solomatine, D.P. (2001). River flow forecasting using artificial neural networks. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 26(1), 1-7.
• 5. Liu, Y., Gupta, H.V., Springer, E. & Wagener, T. (2008). Linking science with environmental decision making: Experiences from an integrated modeling approach to supporting sustainable water resources management. Environmental Modelling & Software, 23, 846-858.
• 6. Firat, M. (2008). Comparison of artificial intelligence techniques for river flow forecasting. Hydrology and Earth System Sciences, 12(1), 123-139.
• 7. Özkan, F. & Haznedar, B. (2023). Comparative analysis of ANFIS models in prediction of streamflow: the case of Seyhan basin. International Journal of Applied Mathematics Electronics and Computers, 11(2), 72-78.
• 8. Bisht, C.S. & Ashok, J. (2011). Discharge modelling using adaptive neuro-fuzzy inference system. International Journal of Advanced Science and Technology, 31(1), 99-114.
• 9. Göçmen, S., Üneş, F., Taşar, B. ve Cansız, Ö.F. (2025). Amik ovasında buharlaşma tahmini için çoklu çıktılı yapay sinir ağları modeli. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 40(1), 1-15.
• 10. Tekin, P. (2022). Çukurova bölgesi için kısa vadeli yapay zeka tabanlı rüzgar güç tahmini. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 37(4), 1143-1154.
• 11. Bizimana, H., Demir, F. & Sonmez, O. (2016). Modeling of Yuvacık dam water level changes with fuzzy logic. In 4th International Symposium on Innovative Technologies in Engineering and Science (ISITES2016) Alanya, Antalya, Türkiye.
• 12. Gunathilake, M.B., Karunanayake, C., Gunathilake, A.S., Marasingha, N., Samarasinghe, J.T., Bandara, I.M. & Rathnayake, U. (2021). Hydrological models and artificial neural networks (ANNs) to simulate streamflow in a tropical catchment of Sri Lanka. Applied Computational Intelligence and Soft Computing, 6683389, 9.
• 13. Riad, S., Mania, J., Bouchaou, L. & Najjar, Y. (2004). Rainfall-runoff model using an artificial neural network approach. Mathematical and Computer Modelling, 40, 839-846.
• 14. Mahabir, C., Hicks, F.E. & Robinson, F.A. (2003). Application of fuzzy logic to forecast seasonal runoff. Hydrological processes, 17(18), 3749-3762.
• 15. Kabalcı, E. (2013). Yapay sinir ağları. Ders Notları. https://ekblc.files.wordpress.com/2013/09/ysa.pdf
• 16. Egrioglu, E., Aladağ, Ç.H., Yolcu, U., Uslu, V.R. & Basaran, M.A. (2009). A new approach based on artificial neural networks for high order multivariate fuzzy time series. Expert Systems With Applications, 36(7), 10589-10594.
• 17. Yapay sinir ağları ve tek katmanlı ağlarda öğrenme, https://tr.linkedin.com/pulse/yapay-sinir-a%C4%9Flar%C4%B1-ve-tek-katmanl%C4%B1-a%C4%9Flarda-%C3%B6%C4%9Frenme-tanju-do %C4%9Fan, Erişim tarihi:15.11.2024.
• 18. Yapay sinir ağları ve R programıyla uygulama, https://www.veribilimiokulu.com/yapay-sinir-aglari, Erişim tarihi: 25.11.2024.
• 19. Fujihara, Y., Tanaka, K., Watanabe, T., Nagano, T. & Kojiri, T. (2008). Assessing the impacts of climate change on the water resources of the Seyhan river basin in Turkey: use of dynamically downscaled data for hydrologic simulations. Journal of Hydrology, 353(1-2), 33-48.
• 20. Haznedar, B. (2023). Adaptif ağ tabanlı bulanık mantık çıkarım sistemi (ANFIS) kullanılarak nehir akışının tahmini: Sakarya havzası örneği. In 9th International Congress on Engineering and Technology Management, İstanbul, Türkiye.
• 21. Taylor, K.E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research, 106, 7183-7192.
• 22. Dawson, C.W. & Wilby, R. (1998). An artificial neural network approach to rainfall-runoff modelling. Hydrological Science Journal, 43, 47-66.
• 23. Tulun, Ş., Akgül, G., Alver, A. & Celebi, H. (2021). Adaptive neuro-fuzzy interference system modelling for chlorpyrifos removal with walnut shell biochar. Arabian Journal of Chemistry, 14(12), 103443.