Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini

Mustafa Demirci

doi:10.24012/dumf.525658

Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini

Öz

Havza yönetimi ve afetlerin engellenmesi, su kaynaklarının daha verimli kullanılması ve su yapılarının inşasının planlaması amacı ile yağış ve akış verilerinin tahmini büyük önem taşımaktadır. Bu çalışmada Amerika Birleşik Devletleri Waltham Massachusetts'de yer alan Stony Brook rezervuarını besleyen Stony Brook nehrindeki 731 günlük yağış, akış ve sıcaklık bilgilerini içeren veriler kullanılarak modeller oluşturulmuştur. Bu veriler Destek Vektör Makineleri (SVM) ve M5 Karar Ağacı (M5T) yöntemlerinde girdi olarak kullanılmış ve yağış akış ilişkişi tahmin edilmiştir. Her iki yöntemle elde edilen sonuçlar gerçek ölçüm sonuçları ile karşılaştırılmaları yapılmıştır. Bunun sonucunda M5 Karar Ağacı (M5T) modellerinin akış tahmininde daha iyi performansa sahip olduğu görülmüştür.

Anahtar Kelimeler

Yağış-Akış,Tahmin,Destek Vektör Makineleri,M5 Karar Ağacı

Kaynakça

Antonanzas, J., Urraca, R., Martinez-de-Pison, F. J., Antonanzas-Torres, F. (2015). Solar irradiation mapping with exogenous data from support vector regression machines estimations. Energy conversion and management, 100, 380-390.
Asefa, T., Kemblowski, M., Lall, U., Urroz, G. (2005). Support vector machines for nonlinear state space reconstruction: Application to the Great Salt Lake time series. Water resources research, 41(12).
Bhattacharya, B., Solomatine, D. P. (2005). Neural networks and M5 model trees in modelling water level–discharge relationship. Neurocomputing, 63, 381-396.
Bray, M., Han, D. (2004). Identification of support vector machines for runoff modelling. Journal of Hydroinformatics, 6(4), 265-280.
Chen, H., Guo, J., Xiong, W., Guo, S., Xu, C. Y. (2010). Downscaling GCMs using the Smooth Support Vector Machine method to predict daily precipitation in the Hanjiang Basin. Advances in Atmospheric Sciences, 27(2), 274-284.
Cortes, C., Vapnik, V. (1995). Machine learning. Support vector networks, 20, 273-297.
Demirci M., Baltaci A. (2013), Prediction of suspended sediment in river using fuzzy logic and multilinear regression approaches. Neural Computing and Applications, 23(1), 145-151.
Demirci M., Unes F., Saydemir S. (2015a), Suspended sediment estimation using an artificial intelligence approach. Sediment Matters, Springer, 83-95.

Demirci M., Unes F., Aköz M.S. (2015b), Prediction of cross-shore sandbar volumes using neural network approach. Journal of Marine Science and Technology, 20(1), 171-179.
Demirci M., Unes F., Akoz M.S. (2016), Determination of nearshore sandbar crest depth using neural network approach. International Journal of Advanced Engineering Research and Science, 3(12), 133-140.
Üneş, F., Demirci, M., Ispir, E., Kaya, Y. Z., Mamak, M., Tasar, B. (2017). Estimation of Groundwater Level Using Artificial Neural Networks: a Case Study of Hatay-Turkey. In Environmental Engineering. Proceedings of the International Conference on Environmental Engineering. ICEE (Vol. 10, pp. 1-6). Vilnius Gediminas Technical University, Department of Construction Economics & Property.
Demirci M., Tasar B., Kaya Y.Z., (2018), Estimation of Groundwater Level Fluctuations Using Neuro-Fuzzy and Support Vector Regression Models. Int. J. Adv. Eng. Res. Sci. 5, 206–211. doi:10.22161/ijaers.5.12.29
Demirci, M., Unes, F., Kaya, Y. Z., Tasar, B., Varcin, H. (2018). MODELING OF DAM RESERVOIR VOLUME USING ADAPTIVE NEURO FUZZY METHOD. Aerul si Apa. Componente ale Mediului, 145-152.
Dibike, Y. B., Velickov, S., Solomatine, D., Abbott, M. B. (2001). Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering, 15(3), 208-216.
Ergezer, H., Dikmen, M., Özdemir, E. (2003). Yapay sinir ağları ve tanıma sistemleri. PiVOLKA, 2(6), 14-17.
Fernando, D. A. K., Jayawardena, A. W. (1998). Runoff forecasting using RBF networks with OLS algorithm. Journal of hydrologic engineering, 3(3), 203-209.
Hosseini, S. M., Mahjouri, N. (2016). Integrating support vector regression and a geomorphologic artificial neural network for daily rainfall-runoff modeling. Applied Soft Computing, 38, 329-345.
Hsu, C. W., Chang, C. C. Lin, C. J. (2003) A practical guide to support vector classification. Tech. Report, Dept Computer Sci. & Info. Engng, National Taiwan University, Taiwan, China.
Hsu, K. L., Gupta, H. V., Sorooshian, S. (1995). Artificial neural network modeling of the rainfall‐runoff process. Water resources research, 31(10), 2517-2530.
Kaya, Y. Z., Mamak, M., Unes, F. (2016). Evapotranspiration Prediction Using M5T Data Mining Method. International Journal of Advanced Engineering Research and Science, 3(12).
Kaya, Y. Z., Üneş, F., Demirci, M., Taşar, B., Varçin, H. (2018). Groundwater Level Prediction Using Artificial Neural Network and M5 Tree Models. Aerul si Apa. Componente ale Mediului, 195-201.
Khan, M. S., Coulibaly, P. (2006). Application of support vector machine in lake water level prediction. Journal of Hydrologic Engineering, 11(3), 199-205.
Khalil, A. F., McKee, M., Kemblowski, M., Asefa, T., Bastidas, L. (2006). Multiobjective analysis of chaotic dynamic systems with sparse learning machines. Advances in Water Resources, 29(1), 72-88.
Mason, J. C., Price, R. K., Tem'Me, A. (1996). A neural network model of rainfall-runoff using radial basis functions. Journal of Hydraulic Research, 34(4), 537-548.
McCulloch, W. S., Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
Minns, A. W., Hall, M. J. (1996). Artificial neural networks as rainfall-runoff models. Hydrological sciences journal, 41(3), 399-417.
Nieto, P. G., Torres, J. M., Fernández, M. A., Galán, C. O. (2012). Support vector machines and neural networks used to evaluate paper manufactured using Eucalyptus globulus. Applied Mathematical Modelling, 36(12), 6137-6145.
Quinlan, J. R. (1992). Learning with continuous classes. In 5th Australian joint conference on artificial intelligence 92, 343-348.
Radhika, Y., Shashi, M. (2009). Atmospheric temperature prediction using support vector machines. International Journal of Computer Theory and Engineering, 1(1), 55.
Rao, M., Fan, G., Thomas, J., Cherian, G., Chudiwale, V., Awawdeh, M. (2007). A web-based GIS Decision Support System for managing and planning USDA's Conservation Reserve Program (CRP). Environmental Modelling & Software, 22(9), 1270-1280.
Sattari, M. T., Pal, M., Apaydin, H., Ozturk, F. (2013). M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey. Water Resources, 40(3), 233-242.
Solomatine, D. P., Xue, Y. (2004). M5 model trees and neural networks: application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering, 9(6), 491-501.
Tasar B., Unes F., Demirci M., Kaya Y.Z. (2018), Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. DÜMF Mühendislik Dergisi, 9(1), 543-551.
Tasar B., Kaya Y. Z., Varçin H., Unes F., Demirci M. (2017), Forecasting of suspended sediment in rivers using artificial neural networks approach. International Journal of Advanced Engineering Research and Science, 4(12), 79-84.
Tripathi, S., Srinivas, V. V., Nanjundiah, R. S. (2006). Downscaling of precipitation for climate change scenarios: a support vector machine approach. Journal of Hydrology, 330(3-4), 621-640.
Turhan, E., 2012. Seyhan Havzası’nın Yağış- Akış İlişkisinin Yapay Sinir Ağları Yöntemi ile Modellenmesi, Yüksek Lisans Tezi, Adana.
Unes F. (2010a), Dam reservoir level modelıng by neural network approach: a case study. Neural Network World, 4(10), 461.
Unes F. (2010b), Prediction of density flow plunging depth in dam reservoirs: an artificial neural network approach. Clean–Soil, Air, Water, 38(3), 296-308.
Unes F., Demirci M. (2015), Generalized Regression Neural Networks For Reservoir Level Modeling. International Journal of Advanced Computational Engineering and Networking, 3, 81- 84.
Unes F., Yildirim S., Cigizoglu H.K., Coskun H. (2013), Estimation of dam reservoir volume fluctuations using artificial neural network and support vector regression. Journal of Engineering Research, 1(3), 53-74.
Unes F., Demirci M., Kişi Ö. (2015), Prediction of millers ferry dam reservoir level in USA using artificial neural network. Periodica Polytechnica Civil Engineering, 59(3), 309–318.
Unes F., Gumuscan F.G., Demirci M. (2017), Prediction of Dam Reservoir Volume Fluctuations Using Adaptive Neuro Fuzzy Approach. EJENS, 2(1), 144-148.
Üneş F., Demirci M., Mertcan Z., Taşar B., Varçin H., Ziya Y. (2018a). Determination of Groundwater Level Fluctuations by Artificial Neural Networks . Natural and Engineering Sciences, 3(3), Supplement, 35-42.
Üneş F., Doğan S., Taşar B., Kaya Y., Demirci M. (2018b), The Evaluation and Comparison of Daily Reference Evapotranspiration with ANN and Empirical Methods. Natural and Engineering Sciences, 3(3), Supplement, 54-64.
Unes F., Bölük O., Kaya Y. Z., Tasar B., Varçin H. (2018c), Estimation of Rainfall-Runoff Relationship Using Artificial Neural Network Models for Muskegon Basin. Journal of Engineering Research.
USGS.gov | Science for a changing world [WWW Document], n.d. URL https://www.usgs.gov/
Vapnik, V. The Nature of Statistical Learning Theory; Springer: New York, NY, USA, 1995.
Vapnik, V., Golowich, S., Smola, A. (1997) Support vector method for function approximation, regression estimation, and signal processing. In Advances in Neural Information Processing Systems; MIT Press: Cambridge, MA, USA, pp. 281–287.
Witten, I.H., Frank, E. (2005). Data mining: Practical machine learning tools and techniques with java implementations, Morgan Kaufmann, San Francisco, CA.
Yu, P. S., Chen, S. T., Chang, I. F. (2006). Support vector regression for real-time flood stage forecasting. Journal of Hydrology, 328(3-4), 704-716.

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Araştırma Makalesi

Yazarlar

Mustafa Demirci
0000-0002-3249-2586
Türkiye

Yayımlanma Tarihi

29 Eylül 2019

Gönderilme Tarihi

11 Şubat 2019

Kabul Tarihi

1 Nisan 2019

Yayımlandığı Sayı

Yıl 2019 Cilt: 10 Sayı: 3

DOI

https://doi.org/10.24012/dumf.525658

IZ

https://izlik.org/JA55DE24TE

Kaynak Göster

RIS / Bibtex

APA

Demirci, M. (2019). Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), 1113-1124. https://doi.org/10.24012/dumf.525658

AMA

1.Demirci M. Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini. DÜMF MD. 2019;10(3):1113-1124. doi:10.24012/dumf.525658

Chicago

Demirci, Mustafa. 2019. “Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 10 (3): 1113-24. https://doi.org/10.24012/dumf.525658.

EndNote

Demirci M (01 Eylül 2019) Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 10 3 1113–1124.

IEEE

[1]M. Demirci, “Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini”, DÜMF MD, c. 10, sy 3, ss. 1113–1124, Eyl. 2019, doi: 10.24012/dumf.525658.

ISNAD

Demirci, Mustafa. “Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 10/3 (01 Eylül 2019): 1113-1124. https://doi.org/10.24012/dumf.525658.

JAMA

1.Demirci M. Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini. DÜMF MD. 2019;10:1113–1124.

MLA

Demirci, Mustafa. “Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini”. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, c. 10, sy 3, Eylül 2019, ss. 1113-24, doi:10.24012/dumf.525658.

Vancouver

1.Mustafa Demirci. Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini. DÜMF MD. 01 Eylül 2019;10(3):1113-24. doi:10.24012/dumf.525658

Cited By

Model-Ağacı Yaklaşımını Kullanarak Türkiye’de HELIOSAT Tabanlı Güneş Radyasyonunun Modellenmesi

Geomatik

https://doi.org/10.29128/geomatik.1137687

Machine Learning Based Segmentation of Shoreline Using Mean-Shift, Random Forest and Support Vector Machine

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi

https://doi.org/10.21605/cukurovaumfd.1190597

Deep-learning GIS hybrid approach in precipitation modeling based on spatio-temporal variables in the coastal zone of Turkey

Climate Research

https://doi.org/10.3354/cr01612

Potential of kernel and tree-based machine-learning models for estimating missing data of rainfall

Engineering Applications of Computational Fluid Mechanics

https://doi.org/10.1080/19942060.2020.1803971

Finansal Tablolarda Hile Riskinin Tespit Edilmesinde Veri Madenciliği Yöntemlerinin Kullanılmasına Yönelik Bir Araştırma

Journal of Yaşar University

https://doi.org/10.19168/jyasar.956623

Bilecik Merkez Bölgesindeki Mermer Ocaklarının Arazi Değişimi ve Arazi Örtüsü Değişiminin Destek Vektör Makine Yöntemi İle Belirlenmesi

Black Sea Journal of Engineering and Science

https://doi.org/10.34248/bsengineering.1246273

Sentiment Analysis on Youtube Comments Using Machine Learning and Deep Learning with PCA- and LDA-Based Feature Selection

International Journal of Information Technology

https://doi.org/10.1007/s41870-025-02938-7

Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini

Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Model-Ağacı Yaklaşımını Kullanarak Türkiye’de HELIOSAT Tabanlı Güneş Radyasyonunun Modellenmesi

Machine Learning Based Segmentation of Shoreline Using Mean-Shift, Random Forest and Support Vector Machine

Deep-learning GIS hybrid approach in precipitation modeling based on spatio-temporal variables in the coastal zone of Turkey

Potential of kernel and tree-based machine-learning models for estimating missing data of rainfall

Finansal Tablolarda Hile Riskinin Tespit Edilmesinde Veri Madenciliği Yöntemlerinin Kullanılmasına Yönelik Bir Araştırma

Bilecik Merkez Bölgesindeki Mermer Ocaklarının Arazi Değişimi ve Arazi Örtüsü Değişiminin Destek Vektör Makine Yöntemi İle Belirlenmesi

Derin Öğrenme ve Makine Öğrenmesi Yöntemleriyle Polisomnografi Sinyallerinden Uyku Evrelerinin Sınıflandırılması

KENT ÖLÇEĞİNDE TAŞINMAZ DEĞER DEĞİŞİMİNİN MAKİNE ÖĞRENİM ALGORİTMALARI YARDIMIYLA ANALİZİ

Rainfall Classification Using Machine Learning Algorithms on Data Mining Platforms

Sentiment Analysis on Youtube Comments Using Machine Learning and Deep Learning with PCA- and LDA-Based Feature Selection