Araştırma Makalesi
BibTex RIS Kaynak Göster

Şanlıurfa ve Diyarbakır istasyonlarında sıcaklık tabanlı buharlaşma tahmininde YSA, ANFIS ve GEP yöntemlerinin karşılaştırılması

Yıl 2018, Cilt: 9 Sayı: 1, 553 - 562, 05.04.2018

Öz

Buharlaşma, hidrolojik çevrimin ana bileşenlerinden biri olarak su kaynaklarının etkin ve verimli yönetiminde önemli bir rol oynamaktadır. Buharlaşmanın tahmin edilmesi için literatürde önerilen ampirik yöntemler mevcut olmasına rağmen, buharlaşma sürecinin karmaşık yapısı ve ampirik formüller içerisinde kullanılacak verilerin bulunabilirliği nedeniyle performansları tatminkâr değildir. Bu nedenle bu çalışmada Şanlıurfa ve Diyarbakır istasyonlarındaki tava buharlaşma değerleri Yapay Sinir Ağları (YSA), Uyarlamalı Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (ANFIS) ve Gen Ekspresyon Programlama (GEP) yöntemleri ile sadece ortalama sıcaklık değerleri kullanılarak tahmin edilmiştir. Buharlaşmanın tahmin edilmesinde kullanılan tüm yöntemler kısıtlı veriye rağmen başarılı sonuçlar verdiği görülmüş, GEP yönteminin ise çok az da olsa daha iyi sonuç verdiği görülmüştür. Çalışma sonucunda ele alınan istasyonlar için aylık buharlaşma değerlerinin tahmin edilmesi için GEP yöntemi ile elde edilen formül sunulmuştur.

Kaynakça

  • Abtew W. (2001). Evaporation estimation for Lake Okeechobee in south Florida, J Irrig Drain Eng. 127, 3, 140–7.
  • Antonopoulos, V. Z., Gianniou, S. K. ve Antonopoulos, A. V. (2016). Artificial neural networks and empirical equations to estimate daily evaporation: application to lake Vegoritis, Greece, Hydrological Sciences Journal, 61, 14, 2590-2599.
  • Choudhury (1999). BJ. Evaluation of empirical equation for annual evaporation using field observations and results from a biophysica model. J Hydrol. 216, 1–2, 99–110.
  • Gümüş, V., Şimşek, O., Soydan N.G., Aköz, M.S. ve Yenigün, K. (2016) Adana İstasyonunda Buharlaşmanın Farklı Yapay Zeka Yöntemleri ile Tahmini. Dicle Üniversitesi Mühendislik Dergisi, 7, 2, 309-318.
  • Gümüş, V., Şimşek, O., Soydan, N. G. ve Kavşut M. E. (2014). Estimation of Monthly Pan Evaporation Using Different Artificial Intelligence Methods in Kahramanmaraş Station. Proceedings, 11th International Congress on Advances in Civil Engineering, İstanbul-Turkey.
  • Hanson CL. (1989). Prediction of Class A pan evaporation in southwest southwest Idaho. J Irrig Drain Eng. 115, 2, 166–71.
  • Knapp HV, Yu Y-S. ve Pogge EC. (1984). Monthly evaporation for Milford Lake in Kansas. J Irrig Drain Eng. 110, 2, 138–48.
  • McKenzie RS. ve Craig AR. (2001). Evaluation of river losses from the Orange River using hydraulic modelling. J Hydrol. 241, 1–2, 62–9.
  • Moghaddamnia, A., Gousheh, M. G., Piri, J., Amin, S. ve Han, D. (2009). Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources, 32, 1, 88-97.
  • Penman HL. (1948). Natural evaporation from open water, bare soil, and grass. Proc Roy Soc London, 193, 120–45.
  • Romanenko, V. A. (1961). Computation of the autumn soil moisture using a universal relationship for a large area. Proc. of Ukrainian Hydrometeorological Research Institute, 3, 12-25.
  • Shiri, J., Dierickx, W. ve Baba, A. P. A., Neamati, S. ve Ghorbani, M. A. (2011). Estimating daily pan evaporation from climatic data of the State of Illinois, USA using adaptive neuro-fuzzy inference system (ANFIS) and artificial neural network (ANN). Hydrology Research, 42, 6, 491-502.
  • Terzi, Ö. ve Keskin, M. E. (2010). Comparison of artificial neural networks and empirical equations to estimate daily pan evaporation. Irrigation and drainage, 59, 2, 215-225.
  • Terzi, Ö., Erol Keskin, M. ve Dilek Taylan, E. (2006). Estimating evaporation using ANFIS. Journal of irrigation and drainage engineering, 132, 5, 503-507.
  • Thornthwaite CW. (1948). An approach toward a rational classification of climate. Geograph Rev, 38, 55–94.
  • Turc L. (1961). Estimation of irrigation water requirements, potential evapotranspiration: a simple climatic formula evolved up to date. Ann Agron 12, 13–49.
  • Warnaka, K. ve Pochop, L. (1988). Analyses of equations for free water evaporation estimates. Water Resources Research, 24, 7, 979-984.
Yıl 2018, Cilt: 9 Sayı: 1, 553 - 562, 05.04.2018

Öz

Kaynakça

  • Abtew W. (2001). Evaporation estimation for Lake Okeechobee in south Florida, J Irrig Drain Eng. 127, 3, 140–7.
  • Antonopoulos, V. Z., Gianniou, S. K. ve Antonopoulos, A. V. (2016). Artificial neural networks and empirical equations to estimate daily evaporation: application to lake Vegoritis, Greece, Hydrological Sciences Journal, 61, 14, 2590-2599.
  • Choudhury (1999). BJ. Evaluation of empirical equation for annual evaporation using field observations and results from a biophysica model. J Hydrol. 216, 1–2, 99–110.
  • Gümüş, V., Şimşek, O., Soydan N.G., Aköz, M.S. ve Yenigün, K. (2016) Adana İstasyonunda Buharlaşmanın Farklı Yapay Zeka Yöntemleri ile Tahmini. Dicle Üniversitesi Mühendislik Dergisi, 7, 2, 309-318.
  • Gümüş, V., Şimşek, O., Soydan, N. G. ve Kavşut M. E. (2014). Estimation of Monthly Pan Evaporation Using Different Artificial Intelligence Methods in Kahramanmaraş Station. Proceedings, 11th International Congress on Advances in Civil Engineering, İstanbul-Turkey.
  • Hanson CL. (1989). Prediction of Class A pan evaporation in southwest southwest Idaho. J Irrig Drain Eng. 115, 2, 166–71.
  • Knapp HV, Yu Y-S. ve Pogge EC. (1984). Monthly evaporation for Milford Lake in Kansas. J Irrig Drain Eng. 110, 2, 138–48.
  • McKenzie RS. ve Craig AR. (2001). Evaluation of river losses from the Orange River using hydraulic modelling. J Hydrol. 241, 1–2, 62–9.
  • Moghaddamnia, A., Gousheh, M. G., Piri, J., Amin, S. ve Han, D. (2009). Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources, 32, 1, 88-97.
  • Penman HL. (1948). Natural evaporation from open water, bare soil, and grass. Proc Roy Soc London, 193, 120–45.
  • Romanenko, V. A. (1961). Computation of the autumn soil moisture using a universal relationship for a large area. Proc. of Ukrainian Hydrometeorological Research Institute, 3, 12-25.
  • Shiri, J., Dierickx, W. ve Baba, A. P. A., Neamati, S. ve Ghorbani, M. A. (2011). Estimating daily pan evaporation from climatic data of the State of Illinois, USA using adaptive neuro-fuzzy inference system (ANFIS) and artificial neural network (ANN). Hydrology Research, 42, 6, 491-502.
  • Terzi, Ö. ve Keskin, M. E. (2010). Comparison of artificial neural networks and empirical equations to estimate daily pan evaporation. Irrigation and drainage, 59, 2, 215-225.
  • Terzi, Ö., Erol Keskin, M. ve Dilek Taylan, E. (2006). Estimating evaporation using ANFIS. Journal of irrigation and drainage engineering, 132, 5, 503-507.
  • Thornthwaite CW. (1948). An approach toward a rational classification of climate. Geograph Rev, 38, 55–94.
  • Turc L. (1961). Estimation of irrigation water requirements, potential evapotranspiration: a simple climatic formula evolved up to date. Ann Agron 12, 13–49.
  • Warnaka, K. ve Pochop, L. (1988). Analyses of equations for free water evaporation estimates. Water Resources Research, 24, 7, 979-984.
Toplam 17 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Veysel Gümüş 0000-0003-2321-9526

Kasım Yeniğün 0000-0002-3296-8687

Z. Fuat Toprak 0000-0003-0876-1165

Nazife Oruç Baçi Bu kişi benim 0000-0002-6307-9030

Yayımlanma Tarihi 5 Nisan 2018
Gönderilme Tarihi 17 Haziran 2017
Yayımlandığı Sayı Yıl 2018 Cilt: 9 Sayı: 1

Kaynak Göster

IEEE V. Gümüş, K. Yeniğün, Z. F. Toprak, ve N. Oruç Baçi, “Şanlıurfa ve Diyarbakır istasyonlarında sıcaklık tabanlı buharlaşma tahmininde YSA, ANFIS ve GEP yöntemlerinin karşılaştırılması”, DÜMF MD, c. 9, sy. 1, ss. 553–562, 2018.
DUJE tarafından yayınlanan tüm makaleler, Creative Commons Atıf 4.0 Uluslararası Lisansı ile lisanslanmıştır. Bu, orijinal eser ve kaynağın uygun şekilde belirtilmesi koşuluyla, herkesin eseri kopyalamasına, yeniden dağıtmasına, yeniden düzenlemesine, iletmesine ve uyarlamasına izin verir. 24456