Using of Artificial Neural Network (ANN) for Setting Estimation Model of Missing Flow Data: Asi River-Demirköprü Flow Observation Station (FOS)

Öz

Estimation of missing data in hidrological planning is a very important stage of design processes of water structures. In this study, missing monthly flow data of Asi River-Demirköprü Flow Observation Station (FOS) (No:1907) were estimated with using existed flow data of other flow stations which close to these stations in the same basin. By using Feed Forward Back Propagation Neural Network (FFBPNN) as the model of Artificial Neural Network (ANN) method, missing flow data was modelled. The results of each FFBPNNs were compared with Multiple Regression (MR) results. According to the results of this study, FFBPNN method produced mostly better results than MR.

Anahtar Kelimeler

• Artificial neural networks (ANN),Multiple regression,Demirköprü

Eksik Akım Verilerinin Tahmin Modelinin Oluşturulmasında Yapay Sinir Ağlarının Kullanımı: Asi Nehri-Demirköprü Akım Gözlem İstasyonu Örneği

Öz

Hidrolojik planlamalarda eksik olan akım verilerinin tahmin edilmesi su yapılarının tasarım süreçlerinin çok önemli bir aşaması olmaktadır. Bu çalışmada Ülkemizin en önemli sel havzalarından biri olarak kabul edilen Hatay suları havzası’nda bulunan 1907 numaralı Asi nehri-Demirköprü AGİ’ye ait eksik aylık akım verileri havzadaki yakın diğer istasyonların akım verileri kullanılarak, İleri beslemeli geri yayınımlı yapay sinir ağları (İBGYSA) yöntemi yardımıyla ayrı ayrı modellenmiştir. Her bir model sonucu çoklu doğrusal regresyon (ÇDR) ve çoklu doğrusal olmayan regresyon (ÇDOR) yöntemleri ile karşılaştırılmıştır. Çalışma sonucunda İBGYSA yönteminin ÇDR ve ÇDOR yöntemlerine göre az da olsa daha iyi sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

• Yapay sinir ağları (YSA),Çoklu regresyon,Demirköprü

Kaynakça

1. 1. Turhan, E., 2012. Seyhan Havzası’nın Yağış-Akış İlişkisinin Yapay Sinir Ağları Yöntemi ile Modellenmesi, Yüksek Lisans Tezi, Adana.
2. 2. Kişi, Ö., 2004. River Flow Modelling Using Artificial Neural Networks, J. Hydrol.Eng., Vol.9, No:1, pp:60-63.
3. 3. Önal, S., 2009. Yapay Sinir Ağları Metodu ile Kızılırmak Nehri’nin Akım Tahmini, Yüksek Lisans Tezi, pp:73-75, Isparta.
4. 4. Gümüş, V., Kavşut, M.E., Yenigün, K., 2010. Yağış-Akış İlişkisinin Modellenmesinde Orta Fırat Havzası Uygulaması, 2.Su Yapıları Sempozyumu, 14-16 Ekim, Diyarbakır.
5. 5. Terzi, Ö., Köse, M., 2012. Yapay Sinir Ağları Yöntemi ile Göksu Nehri’nin Akım Tahmini, SDU International Technologic Science, Vol. 4, No:3, pp:1-7, Isparta.
6. 6. Kavşut, M. E., Gümüş, V., 2013. Zamantı Nehri-Ergenuşağı İstasyonu Eksik Aylık Akım Verilerinin Tahmini, Gazi Üniversitesi Fen Bilimleri Dergisi, Part:C, Tasarım ve Teknoloji, GU J Sci Part:c, Vol.1, No:2, pp:81-91, Ankara.
7. 7. Turhan, E., Çağatay, H.Ö., 2015. Yapay Sinir Ağları (YSA) Yöntemi ile Göksun Nehri-Poskoflu Akım Gözlem İstasyonu (AGİ) Eksik Akım Verilerinin Tahmin Edilmesi, VIII. Ulusal Hidroloji Kongresi, 08-10 Ekim, Şanlıurfa.
8. 8. Eberhart and Dobbins, 1990. Neural Networks for PC Tools: A Practical Guide.

9. 9. Öztemel, E., 2003. Yapay Sinir Ağları Kitabı, Papatya Yayıncılık Eğitim Bilgisayar Sistemleri, İstanbul.
10. 10. Kaynar, O., Taştan, S., Demirkoparan, F., 2010. Ham Petrol Fiyatlarının Yapay Sinir Ağları ile Tahmini, Ege Akademik Bakış/Ege Academic Review, Vol.10, No:2, pp: 561-575, İzmir.
11. 11. Efe, Ö. M., Kaynak, O., 2000. Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi Yayınları, İstanbul.
12. 12. Kızılaslan, M.A., Sağın F., Doğan E., Sönmez, O., 2014. Aşağı Sakarya Nehri Akımlarının Yapay Sinir Ağları ile Tahmin Edilmesi, SAÜ Fen Bilimleri Dergisi, Vol.18, No:2, pp: 99-103, Sakarya.
13. 13. Seçkin, N., Güven A. ve Yurtal R., 2010. Taşkın Debilerinin Yapay Sinir Ağları ile Modellenmesi: Örneksel Bölge Çalışması-Batı Karadeniz Havzası, Ç.Ü. Müh. Mim. Fak. Dergisi, Vol.25, No:1-2, pp:45-57, Adana.
14. 14. EİEİ, 2005. Su Akımları Yıllığı Kitabı, Ankara.