Nehir Akımlarının Derin Öğrenme ile Tahmini ve Akımların Demiryolları Güzergahına etkisi

Öz

Son yıllarda meydana gelen aşırı yağış, taşkınlar ve dere yataklarının öngörülmeyen bir şekilde taşması demiryolu kazalarını oluşturan önemli etkenlerden biri haline gelmiştir. Bu durum su kaynaklarını doğru yönetmenin önemini ortaya koymaktadır. Havzaların morfolojik özelliklerinin belirlenmesi ve su kaynaklarının sürdürülebilir olması için periyodik nehir akım ölçümlerinin yapılması gerekmektedir. Anlık yapılan ölçümler çok zaman aldığından, pratik ölçüm yöntemleriyle nehir akımları tahmin edilmektedir. Ancak her akım gözlem istasyonu (AGİ) için bir debi-seviye bağıntısı belirlenmesi ve debi-seviye bağıntılarının zamanla değişebilmesinden dolayı debi tahminlerinde hatalar görülebilmektedir. Bunun için farklı tahmin yöntemlerine gereksinim duyulmaktadır. Bu çalışmada Göksu Nehri üzerindeki D21A183 No’lu Aşağıçöplü köyü, Akdere AGİ’ den elde edilen günlük akım verileri üzerinde, Derin Öğrenme Modeli oluşturularak, modelin performansı analiz edilmiştir. Modelin performansını analiz ederken gerçek değerler ve tahmin edilen değerler arasındaki yakınlık incelenmiştir. Bu akım değerleri 3 ve 4 zaman (günlük) ötelemeli senaryolara ayrılıp 2 ayrı veri setine dönüştürülmüştür. Gerçeğe en yakın değerler en büyük R² değerine sahip 4 ötelemeli senaryoya ait sonuçlardır. Sadece akım değerleri kullanılarak tahminde bulunulmuş ve başarılı sonuçlar elde edilmiştir. Yağış, sıcaklık gibi girdi parametreleri eklenerek daha farklı senaryolar oluşturulması, gelecek çalışmalar için faydalı olacaktır. Ayrıca tahmin edilen bu akım değerlerinin Göksu nehri yakınlarına kurulması düşünülen potansiyel bir demiryolu hattının projelendirilmesinde yardımcı olacağı düşünülmektedir.

Anahtar Kelimeler

• Derin Öğrenme
• Akım
• Demiryolları

Prediction of River Flows using Deep Learning and the Effect of Flows on Railways Routes

Öz

In recent years, one of the most important causes of railway accidents is excessive rainfall, floods, and the overflow of unpredictable stream beds flooding. This shows displays the significance of proper management of water resources. Periodic river flow measurements are required in order to determine the morphological aspects of the basins and sustainability of water resources. River flows are measured by practical measurements; as instant measurements are time-consuming. Therefore, a flow-level correlation must be determined for each flow measurement station. However, misestimation can be observed as a result of the fact that flow-level correlations can differ over time. It reveals the demand for other estimation methods. In this study, a Deep Learning Model has been created with the use the daily flow measurement data by Akdere FMS of Aşağıçöplü with the number of D21A183 and its performance has been analyzed. Additionally, the performance of the model was analyzed by creating a Deep Learning Model. During this process, the proximity between actual and predicted values were examined. These flow values were separated into 3 and 4 days of delayed scenarios and turned into two data sets. The 4-day delayed scenario which has the highest R2 was the most proximate value to the actual value. Accurate results were received by only using flow values through estimating. It will be beneficial to create different scenarios for future studies by adding parameters such as precipitation and temperature. As a result, it is assumed that the obtained results may provide useful information for a railway project which can be constructed near to the Göksu River.

Anahtar Kelimeler

• Deep Learning
• Stream Flow
• Railways

Kaynakça

1. [1] A. İstanbulluoğlu, F. Konukçu, İ. Kocaman, 2006. ‘’Trakya Bölgesi su kaynaklarının geliştirilmesi ve sulu tarım uygulamaları: mevcut verilerin sorunların çözümü için analizi’’, Tekirdağ Ziraat Fakültesi Dergisi, 3(2): 139-152.
2. [2] T. Küçükerdem, M. Kilit, K. Saplıoğlu ‘’Bulanık çıkarım sistemlerinde kullanılan küme sayılarının K-ortalamalar ile belirlenmesi ve baraj hacmi modellenmesi: Kestel barajı örneği’’, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(8), 962-967, 2019.
3. [3] M. Teonian, “Su kaynakları yönetimi ve Türkiye”, Jeoloji Mühendisliği Dergisi, 28(1), 27-38, 2004.
4. [4] H. Bach et al., “From local watershed management to integrated river basin management at national and trans boundary levels”, Watershed Management Scientific Report, Vientiane, Laos 85, 2011.
5. [5] J. Murthy, ‘’Text book of Watershed management in India’’, Wiley, 2000.
6. [6] S. Yıldırımer, M. Özalp, E. Yüksel, “SRTM ve topoğrafik harita verileri kullanılarak Artvin ilindeki yağış havzalarının fiziksel özelliklerinin belirlenmesi”, Doğal Afetler ve Çevre Dergisi, 2(2), 71-80, 2016.
7. [7] M. Kızılaslan, F. Sağın, E. Doğan, O. Sönmez, “Aşağı Sakarya Nehri akımlarının yapay sinir ağları ile tahmin edilmesi’’, Sakarya Üniversitesi Fen Bilimleri Dergisi, 18(2), 99-103, 2014.
8. [8] T. Küçükerdem, M. Kilit, K. Saplıoğlu, ‘’ Bulanık çıkarım sistemlerinde kullanılan küme sayılarının k-ortalamalar ile belirlenmesi ve baraj hacmi modellenmesi: Kestel Barajı örneği’’, Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(8), 962-967, 2019.

9. [9] Ö. Terzi, O. Özcanoğlu, “Gen ifade programlama ile Göksu Nehri’nin akım tahmini’’, Mühendislik Bilimleri ve Tasarım Dergisi, 5(3), 483-487, 2017.
10. [10] A. Kökçam, E. Doğan, C. Erden, ‘’Meriç Nehri akımlarının yapay sinir ağları ile tahmini’’, International Symposium on Natural Hazards and Disasters Management, 1-7, 2018.
11. [11] H. Demirpençe, ‘‘Köprüçay akımlarının yapay sinir ağları ile tahmini’’, Antalya Yöresinin İnşaat Mühendisleri Sorunları Kongresi, 2015, Antalya.
12. [12] U. Okkan, A. Mollamahmutoğlu, ‘‘Yiğitler çayı günlük akımlarının yapay sinir ağları ve regresyon analizi ile modellenmesi’’, DPÜ Fen Bilimleri Enstitüsü Dergisi, Kütahya, 23(1), 33-48, 2010.
13. [13] Ö. Terzi, E. Keskin, “Yapay Sinir ağları yaklaşımı kullanılarak günlük hava buharlaşması tahmini”, İMO Teknik Dergi, 3683-3693, 2005.
14. [14] E. Gemici, M. Ardıçlıoğlu, F. Kocabaş, ‘’Akarsularda debinin yapay zekâ yöntemleri ile modellenmesi’’, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 29(2), 135-143, 2013.
15. [15] A. Yurdusev, M. Fırat, “Adaptive neuro fuzzy inference system approach for municipal water consumption modeling: An application to izmir, Turkey’’, Journal of Hydrology, 365(1), 225-234, 2009.
16. [16] V. Gümüş, G. Soydan, O. Şimşek, ‘’Yağış-Akış ilişkisinin belirlenmesinde farklı yapay sinir ağı yöntemlerinin karşılaştırılması’’, Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 28(1), 37-49, 2013.
17. [17] U. Okkan, Y. Dalkılıç, “Radyal tabanlı yapay sinir ağları ile Kemer barajı aylık akımlarının modellenmesi’’, İMO Teknik Dergi, 5957-5966, 2012.
18. [18] J. Brasington, S. Richards, “Reduced-complexity, physically-based geomorphological modelling for catchment and river management”, Geomorphology, 90(4), 2007.
19. [19] M, Strager et al., “A spatially explicit framework for quantifying downstream hydrologic conditions”, Journal of Environmental Management, 90(5), 2009.
20. [20] P. Şahin, Y. İbrahim, A. Halit, ‘’Göksu nehri havzasının akış-yağış ilişkileri’’, Bartın Orman Fakültesi Dergisi, 21(3), 2019.
21. [21] C. Kara, A. Güngör, ‘’Distribution of fish fauna in Adıyaman region’’, Yunus Araştırma Bülteni, Adıyaman, 16(3), 2016.
22. [22] M. Bakırcı, ‘’ Türkiye’nin uluslararası ulaşımında demiryolu sınır kapılarının yeri ve etkinliği’’, Marmara Coğrafya Dergisi, 28(1), 2013.
23. [23] Kahramanmaraş Meteoroloji İstasyon Müdürlüğü, Meteoroloji Ölçüm Raporları, Kahramanmaraş, 1995.
24. [24] A. Tribe, “Automated recognition of valley lines and drainage networks from grid digital elevation models: a review and a new method”, Journal of Hydrology, 139(1), 1992.
25. [25] A. Şeker, B. Diri, H. Balık, ‘’Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme’’, Gazi Mühendislik Bilimleri Dergisi, 3(1), 47-64, 2017.