Amik Ovasında Buharlaşma Tahmini için Çoklu Çıktılı Yapay Sinir Ağları Modeli

Yıl 2025, Cilt: 40 Sayı: 1, 1 - 15, 26.03.2025

Samed Göçmen , Fatih Üneş , Bestami Taşar , Ömer Faruk Cansız

https://doi.org/10.21605/cukurovaumfd.1665422

Öz

Yeryüzü su seviyesinde önemli miktarda kayıplara sebep olan buharlaşma, su kaynakları mühendisliğinin projelendirilmesi, suyun idaresi ve kontrolü gibi konularda önem taşımaktadır. Bu çalışma, Amik Ovası'nda aylık buharlaşma tahminini geliştirmek amacıyla çoklu çıktılı yapay sinir ağları (YSA) modelini kullanmaktadır. Geleneksel tahmin yöntemlerine kıyasla YSA’nın daha düşük hata oranı ile tahmin yapabildiği görülmüştür. Veriler 1970-2025 yılları arasında toplanmış ve model eğitiminde kullanılmak üzere ön işleme tabi tutulmuştur. Modelin doğruluğu R², KOH ve YOH gibi istatistiksel ölçütler ile değerlendirilmiştir. Sonuçlar, YSA modelinin buharlaşma tahmininde başarılı olduğunu ve özellikle yarı kurak bölgelerde uygulanabilirliğini göstermektedir. Modelin farklı iklim bölgelerinde test edilmesi önerilmektedir. Öte yandan çoklu çıktılı yapay sinir ağları (YSA) modeli buharlaşma çalışmalarında ilk defa denenmesine rağmen oldukça iyi sonuçlar vermiştir.

Anahtar Kelimeler

Yapay sinir ağları (YSA, Çoklu doğrusal regresyon (MLR), Buharlaşma, Evapotranspirasyon

Multiple Output Artificial Neural Network Model for Evaporation Estimation in Amik Plain

Öz

Evaporation, which causes significant losses in the earth's water level, is important in matters such as water resources engineering project design, water management and control. This study uses a multiple-output artificial neural network (ANN) model to improve monthly evaporation estimation in the Amik Plain. It has been observed that ANN can make estimations with lower error rates compared to traditional estimation methods. Data were collected between 1970-2025 and preprocessed to be used in model training. The accuracy of the model was evaluated with statistical measures such as R², RMSE and MAE. The results show that the ANN model is successful in evaporation estimation and is especially applicable in semiarid regions. It is recommended to test the model in different climatic regions. On the other hand, although the multiple-output artificial neural network (ANN) model was tried for the first time in evaporation studies, it gave quite good results.

Anahtar Kelimeler

Artificial neural networks (ANN), Multiple linear regression (MLR), Evaporation, Evapotranspiration

Kaynakça

• 1. Taşar, B., Üneş, F., Demi̇rci̇, M. ve Ziya Kaya, Y. (2018). Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. DÜMF Mühendislik Dergisi, 9, 543-551.
• 2. Terzi, Ö. ve Keskin, M.E. (2005). Yapay sinir ağları yaklaşımı kullanılarak günlük tava buharlaşma tahmini. İMO Teknik Dergi, 3683-3693.
• 3. Doğan, E., Işık, S. ve Sandalcı, M. (2007). Günlük buharlaşmanın yapay sinir ağları kullanarak tahmin edilmesi. İMO Teknik Dergi, 4119-4131.
• 4. Dindar, K.K. (2010). Yapay sinir ağları yaklaşımı ile Tahtaköprü barajındaki aylık buharlaşma miktarının tahmini. Yüksek Lisans Tezi, Mustafa Kemal Üniversitesi Fen Bilimleri Enstitüsü, Hatay.
• 5. Kişi, Ö. ve Afşar, S. (2010). Yapay sinir ağı ve bulanık-yapay sinir ağı yöntemleri kullanılarak tava buharlaşma tahmini. Tarım Bilimleri Araştırma Dergisi, 3(1), 45-51.
• 6. Üneş, F., Varçin, H. ve Dindar, K.K. (2011). Yapay sinir ağları yaklaşımı ile Tahtaköprü Barajındaki aylık buharlaşma tahmini. E-Journal Of New World Sciences Academy Engineering Sciences, 6(1), 114-125.
• 7. Yıldız, F.E. ve Gürer, İ. (2014). Sultansazlığı sulak alanı için buharlaşma yöntemlerinin karşılaştırılması. Gazi Üniversitesi Fen Bilimleri Dergisi, 2(3), 247-254.
• 8. Gümüş, V., Şimşek, O., Soydan, N.G, Aksöz, M.S. ve Yenigün, K. (2015). Adana istasyonunda buharlaşmanın farklı yapay zekâ yöntemleri ile tahmini. VIII. Ulusal Hidroloji Kongresi, 309-318.
• 9. Kaya, Y.Z., Mamak, M. ve Üneş, F. (2016). Evapotranspiration prediction using M5t data mining method. International Journal of Advanced Engineering Research and Science, 3(12), 225-229.
• 10. Üneş, F., Kaya, Y.Z., Mamak, M. ve Demirci, M. (2017). Evapotranspiration estimation using support vector machines and hargreaves-samani equation for St. Johns, Fl, Usa. 10th International Conference On Environmental Engineering, ICEE 2017.
• 11. Mamak, M., Üneş, F., Kaya, Y.Z. ve Demirci, M. (2017). Evapotranspiration prediction using adaptive neuro-fuzzy inference system and penman Fao 56 Equation for St. Johns, Fl, Usa. 10th International Conference On Environmental Engineering, ICEE 2017.
• 12. Gümüş, V., Yenigün, K., Toprak, Z. F. ve Oruç Baçi, N. (2018). Şanlıurfa ve Diyarbakır istasyonlarında sıcaklık tabanlı buharlaşma tahmininde YSA, ANFIS ve GEP yöntemlerinin karşılaştırılması. DÜMF Mühendislik Dergisi, 9, 553-562.
• 13. Özel, A. (2018). Meteorolojik verileri kullanarak aylık tava buharlaşmasını tahmin etmek için yapay zeka metotlarının uygulanması. Yüksek Lisans Tezi, Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Konya.
• 14. Üneş, F., Taşar, B., Kaya, Y.Z. ve Demirci, M. (2018). The evaluation and comparison of daily reference evapotranspiration with ann and empirical methods. Natural And Engineering Sciences, 3(3), 54-64.
• 15. Özel, A. Büyükyıldız, M. (2019). Aylık buharlaşma tahmininde yapay zeka yöntemlerinin kullanılabilirliği. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(1), 244-254.
• 16. Doğan, A. (2019). Namazgâh barajına ait buharlaşma miktarının yapay sinir ağı ile tahmin edilmesi. Yüksek Lisans Tezi, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Kocaeli.
• 17. Yıldırım, D., Cemek, B. ve Küçüktopçu, E. (2019). Bulanık yapay sinir ağları ve çok katmanlı yapay sinir ağları ile günlük buharlaşma tahmini. Toprak Su Dergisi, 24-31.
• 18. Özdülkar, K., Üneş, F., Demirci, M. ve Kaya, Y.Z. (2019). Günlük buharlaşma miktarının bulanık mantık yöntemleri kullanılarak bölgesel olarak modellenmesi. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2(1), 23-29.
• 19. Üneş, F., Kaya, Y.Z. ve Mamak, M. (2020). Daily reference evapotranspiration prediction based on climatic conditions applying different data mining techniques and empirical equations. Theoretical And Applied Climatology, 141(1-2), 763-773.
• 20. Doğan, S. (2020). Günlük buharlaşma miktarının yapay sinir ağları metotları ve klasik yöntemlerle tahmini. Yüksek Lisans Tezi, İskenderun Teknik Üniversitesi Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
• 21. Üneş, F. ve Kaya, Y.Z. (2021). Evaluation of long-term air temperature, precipitation and flow rate parameters trend change using different approaches: A case study of Amik Plain, Hatay. Theoretical And Applied Climatology, 146(3-4), 1157-1173.
• 22. Gümüş, V., Yeşiltaş, Y. ve Şimşek, O. (2021). Yapay zekâ yöntemleri ile Adıyaman ve Diyarbakır istasyonlarının aylık tava buharlaşmalarının tahmin edilmesi. Türk Doğa ve Fen Dergisi, 10(2), 112-122.
• 23. Özdülkar, K. (2021). Günlük referans buharlaşma miktarının yapay zeka yöntemleri ve ampirik denklemler ile tahmini. Yüksek Lisans Tezi, İskenderun Teknik Üniversitesi Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
• 24. Tütüncü, Ö. (2022). Yapay sinir ağları (YSA) modeli ile su yüzeyinden buharlaşmanın tahmini atatürk barajı örneği. Yüksek Lisans Tezi, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Enstitüsü, Bilecik.
• 25. Katipoğlu, O.M. ve Acar, R. (2021). Eksik sıcaklık verilerinin yapay sinir ağları (YSA) ile tahmin edilmesi. DÜMF Mühendislik Dergisi, 12(2), 431-438
• 26. Gençoğlan, C. ve Badem, H. (2024). Yapay sinir ağları kullanarak iklim parametrelerinden Pan buharlaşmanın tahmin edilmesi. AgriTR Science, 6(2), 122-128.
• 27. Göçmen, S. (2018). Gezgin satıcı problemleri baz alınarak multimodal taşımacılık güzergâhlarının optimizasyonu ve akıllı ulaşım sistemlerine entegrasyonu. Yüksek Lisans Tezi, İskenderun Teknik Üniversitesi, Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
• 28. Cansız, Ö.F. (2018). By using logarithmic regression and artificial neural network to ımprove prediction model of dead number resulted from road traffic accidents in Turkey. Karaelmas Science And Engineering Journal, 8(2), 446-453.