Hidrolojik Sapan Değer Tespitinde Komşu İstasyon Seçimi

Yıl 2023, , 81 - 99, 28.03.2023

Ahu Dede , Necati Ağıralioğlu

https://doi.org/10.35234/fumbd.1161451

Öz

Bu çalışmada, k-en yakın komşular yöntemine göre komşu istasyon seçmenin kriterleri, sapan değer tespiti üzerinden değerlendirilmiştir. Türkiye’de 129 istasyonda, 1926 – 2012 tarihleri arasında aylık olarak ortalama sıcaklık, ortalama bağıl nem ve toplam yağış verileri kullanılmıştır. Yakınlığa göre komşu seçildiğinde karşılaşılan ilk problem veri eksikliğinden dolayı uzak komşulara başvurulması ve komşuların %0,04 - %3’ünün 140 km’den fazla mesafede ve 0,4’ten düşük korelasyonda olmasıdır. İkinci problem incelenen dizilerin %0,1 - 3’ünde daha uzak olan komşuların en yakın 5 komşudan anlamlı olarak daha yüksek korelasyon göstermesidir. Korelasyon katsayısının yüksekliğine göre komşu seçildiğinde istasyonların %2 - %8’inde her ayın sadece kendi 1.komşusu o ay için kullanılabilir. 2. ve 3.komşular için bu oranlar düşmüştür. İstasyonların %25 - %86’sında belli aylardaki 1.komşular tüm ayları temsil edebilir ama bunun hangi aylardaki komşular olduğu belirlenmelidir. Ayrıca istasyonların %2,5’inde her değişkenin sadece kendi 1.komşusu o değişken için kullanılabilir. 2. ve 3.komşular için bu oran düşmüştür. İstasyonların %29’unda belli değişkenlerdeki 1.komşular tüm değişkenleri temsil edebilir ama bunun hangi değişkenlerdeki komşular olduğu belirlenmelidir. Bunlardan başka, tespit edilen sapan değerler çıkarılınca, sapan değerli dizilere göre korelasyon katsayısı, çoğunlukla %1-36 daha fazla, bazen %1-5 daha az çıkmıştır.

Anahtar Kelimeler

K-En Yakın Komşular, Sapan Değer, Histogram, Kutu Grafiği, Korelasyon

Kaynakça

• Çubukçu, A., Demir, V., & Sevimli, M. F. (2019). Türkiye'nin uzun vadeli aylık sıcaklıklarının yapay sinir ağlarıyla tahmin edilmesi. 10. Ulusal Hidroloji Kongresi (p. 871). Muğla: Muğla Sıtkı Koçman Üniversitesi.
• Teegavarapu, R. S. (2013). Statistical corrections of spatiallyinterpolatedmissingprecipitationdataestimates. HydrologicalProcess, 3789-3808.
• Raghunath, H. M. (2006). Hydrologyprinciples, analysis, design. 4835/24, Ansari Road, Daryaganj, New Delhi - 110002: New Age International (P) Ltd.
• Rafii, F.,&Kechadi, T. (2019). Collection of HistoricalWeather Data: IssueswithMissingValues. the 4th internationalconference on smartcityapplications, (pp. 1-8).
• Teegavarapu, R. S. (2012). Spatialinterpolationusingnonlinearmathematicalprogrammingmodelsforestimation of missingprecipitationrecords. HydrologicalScienceJournal, 383 - 406.
• Karagiannidis, A. F.,&Feidas, H. (2014). Comparison of sixspatialinterpolationmethodsfortheestimation of missingdailytemperatureandprecipitationdata. 12th Pan-Hellenicand International Conference on Meteorology, ClimatologyandAtmosphericPhysics.
• Teegavarapu, R. S. (2007). Use of universalfunctionapproximation in variance-dependentinterpolationmethod: An application in Hydrology. Journal of Hydrology, 332: 16 - 29.
• O’Sullivan, D.,&Unwin, D. (2010). Geographical Information Analysis. New Jersey: John Wiley&Sons, Inc.
• Teegavarapu, R. S. (2009). Estimation of missingprecipitationrecordsintegratingsurfaceinterpolationtechniquesandspatio-temporalassociationrules. Journal of Hydroinformatics, 11(2), 133-146.
• Ahrens, B. (2006). Distance in spatialinterpolation of dailyraingaugedata. Hydrol. Earth Syst. Sci., 10, 197–208.
• Bárdossy, A.,&Pegram, G. (2014). Infillingmissingprecipitationrecords – A comparison of a newcopula-basedmethodwithothertechniques. Journal of Hydrology, 519, 1162–1170.
• Rajakumari, D. (2020). Pearsoncorrelationcoefficient k-nearestneighboroutlierclassification on real-time datasets. ICTACT Journal on Soft Computing., 10, 2045-2053.
• Rodriguez, Y. D. (2008). A Correlation-BasedDistanceFunctionforNearestNeighborClassification. InRuiz-Shulcloper, J.,Kropatsch, W.G. (eds) Progress in PatternRecognition, Image Analysis and Applications (pp. LectureNotes in ComputerScience, vol 5197). Berlin, Heidelberg: Springer.
• Doğan, Y. (2009). Outlierdetectionwith K nearestneighborclustering. Master'sthesis, DEÜ Thegraduateschool of naturalandappliedsciences, İzmir, 80.
• Gürünlü Alma, Ö. (2009). Geneticalgorithmbasedoutlierdetectionusinginformationcriterion. Phdthesis, DEU TheGraduate School of Natural andAppliedSciences, İzmir, 152.
• Li, X.,&Xiang, C. (2012). Correlation-based K-nearestneighboralgorithm. IEEE International Conference on ComputerScienceandAutomationEngineering, (pp. 185-187). doi:10.1109/ICSESS.2012.6269436
• Mehrotra, R.,&Sharma, A. (2006). Conditionalresampling of hydrologic time seriesusingmultiplepredictorvariables: A K-nearestneighbourapproach. Advances in WaterResources, 29, 987-999. doi:10.1016/j.advwatres.2005.08.007.
• Meng, Q.,Cieszewski, C. J., & Madden, M. (2007). K NearestNeighborMethodforForest Inventory Using Remote Sensing Data. GIScience& Remote Sensing, 44:2, 149-165. doi:10.2747/1548-1603.44.2.149.
• Rajagopalan, B.,&Lall, U. (1999). A k-NearestNeighbour Simulator for Daily PrecipitationandOtherWeatherVariables. WaterResourcesResearch, 35 , 3089-3101. doi:10.1029/1999WR900028
• Aieb, A.,Madani, K., Scarpa, M., Bonaccorso, B., &Lefsih, K. (2019). A newapproachforprocessingclimatemissingdatabasesappliedtodailyrainfalldata in Soummamwatershed, Algeria. Heliyon, 5.
• Nemes, A.,Rawls, W., &Pachepsky, Y. (2006). Use of theNonparametricNearestNeighborApproachtoEstimateSoilHydraulicProperties .SoilScienceSociety of AmericaJournal, 70, 327-336. doi:10.2136/sssaj2005.0128
• Shabani, S.,Samadianfard, S., Sattari, M., Mosavi, A., Band, S., Kmeť, T., &Varkonyi-Koczy, A. (2020). ModelingPanEvaporation Using GaussianProcessRegression K-NearestNeighborsRandomForestandSupportVectorMachines; Comparative Analysis. Atmosphere, 11, 1-17. doi:10.3390/atmos11010066
• Shi, J.,&Yang, L. (2019). A ClimateClassification of Chinathrough k -Nearest-NeighborandSparseSubspaceRepresentation. Journal of Climate, 33, 243-262. doi:10.1175/JCLI-D-18-0718.1.
• Vicente-Serrano, S.,Beguería, S., López-Moreno, J., García-Vera, M., &Stepanek, P. (2010). A completedailyprecipitationdatabasefornortheastSpain: reconstruction, qualitycontrol, andhomogeneity. Int. J. Climatol, 30, 1146-1163. doi:https://doi.org/10.1002/joc.1850
• Erdoğan, G. (2012). Spectralmethodsforoutlierdetection in machinelearning. Master'sthesis, Boğaziçi UniversityGraduate Program in ComputerEngineering, İstanbul,110.
• Gupta, M.,Gao, J., Aggarwal, C., & Han, J. (2014). OutlierDetectionforTemporal Data: A Survey. IEEE Transactions on Knowledge and Data Engineering, 26:9, 2250-2267. doi:10.1109/TKDE.2013.184.
• Bartolucci, A., Singh, K., &Bae, S. (2015). Introductiontostatisticalanalysis of laboratorydata. WILEY. Retrievedfrom https://0-doi-org.divit.library.itu.edu.tr/10.1002/9781118736890
• TÜMAS. (2013). 01.01.2007 tarihinde "Otomatik İstasyon" olan Klima İstasyonları. Retrievedfrom Meteoroloji Genel Müdürlüğü TÜMAS: http://tumas.mgm.gov.tr
• Yalçın, G. D. (2005). Klimatoloji – I. Ankara: DMİ Genel Müdürlüğü Matbaası.
• Aguilar, E.,Auer, I., Brunet, M., Peterson, T. C., &Wieringa, J. (2003). Guidelines on climatemetadataandhomogenization. Geneva: WMO/TD No. 1186.
• Wang, X. L.,& Feng, Y. (2010). RHtestsV3 User Manual. ScienceandTechnologyBranch, Environment Canada, ClimateResearchDivision, AtmosphericScienceandTechnologyDirectorate. Toronto: CanadianCentreforClimateModellingand Analysis.
• NCDC. (1993). Report of theinternationalworkshop on qualitycontrol of monthlyclimate data. Theinternationalworkshop on qualitycontrol of monthlyclimate data. Asheville, NC (United States), 5-6 Oct 1993: NationalClimatic Data Center.
• Sönmez, İ. (2013). Qualitycontroltestsfor western TurkeyMesonet. Meteorological Applications, 20( 3), 1469-8080. doi:10.1002/met.1286
• Bayazıt, M. (1999). Hidroloji. İstanbul: İTU İnşaat Fakültesi Matbaası.
• Bölük, E. (2016). Aydeniz, De Martonne, Erinç, Thornthwaite İklim Sınıflandırmasına Göre Türkiye İklimi. Araştırma Dairesi Başkanlığı Klimatoloji Şube Müdürlüğü. Ankara: T.C. Orman ve Su İşleri Bakanlığı Meteoroloji Genel Müdürlüğü.
• MGM. (2013). İstasyon Bilgileri Veritabanı. Retrievedfrom Meteoroloji Genel Müdürlüğü: http://www.mgm.gov.tr/kurumsal/istasyonlarimiz.aspx
• Chiu, C.-A., Lin, P.-H., & Lu, K.-C. (2009). GIS-basedtestsforgualitycontrol of dataandspatialinterpolation of climate data. MountainResearchand Development, 29(4), 339-349. doi:http://dx.doi.org/10.1659/mrd.00030
• Bayazıt, M. (1981). Hidrolojide İstatistiksel Yöntemler. İstanbul: İstanbul Teknik Üniversite Matbaası.
• Burn, D.,&Boorman, D. (1993). Estimation of hydrologicalparameters at ungauged. Journal of Hydrology, 143, 429-454.
• Hohmann, C.,Kirchengast, G., O, S., Rieger, W., &Foelsche, U. (2021). Small CatchmentRunoffSensitivityto Station DensityandSpatialInterpolation: HydrologicalModeling of HeavyRainfall Using a Dense RainGauge Network. Water, 13, 1381. doi:https://doi.org/10.3390/w13101381
• Teegavarapu, R. S.,Aly, A., Pathak , C., Ahlquist, J., Fuelbergd, H., &Hoode, J. (2018). Infillingmissingprecipitationrecordsusingvariants of spatialinterpolationanddata-drivenmethods: use of optimal weightingparametersandnearestneighbour-basedcorrections. International journal of climatology, 38, 776-793. doi:10.1002/joc.5209
• Lu, Y.,Qina, X., &Mandapakaa, P. (2015). A combinedweathergeneratorand K-nearest-neighbourapproachforassessingclimatechangeimpact on regionalrainfallextremes. Int. J. Climatol, 35, 4493–4508. doi:10.1002/joc.4301
• Bartolucci, A., Singh, K. P., &Bae, S. (2015). Introductiontostatisticalanalysis of laboratorydata. Hoboken, New Jersey: John Wiley&Sons.