Grid tabanlı optimizasyon yönteminde uygun çözümün bulunmasında yenilikçi bir yaklaşım geliştirilmesi

Yıl 2025, Cilt: 40 Sayı: 3, 2103 - 2118, 21.08.2025

Ali Demir Keskiner , Mahmut Çetin , Takanori Nagano

https://doi.org/10.17341/gazimmfd.1308301

https://izlik.org/JA28JM32ST

Öz

Bu çalışmada taban suyu gözlem (TSG) ağının optimizasyonu için tasarlanan Grid Tabanlı Optimizasyon Yönteminde (GTOY) uygun çözüm noktasının saptanmasında kullanılabilecek yenilikçi bir yaklaşım geliştirilmesi amaçlanmıştır. Yöntem, tarımsal bir drenaj havzasında yer alan 107 adet TSG ağında yılda dört dönem olmak üzere üç yıl boyunca gözlenen taban suyu derinliği (TSD) ölçümlerine uygulanmıştır. Bu amaçla, her dönem için Ters Uzaklık Yöntemi (TUY) ile grid bazında tahmin yapılmıştır. TSD değerlerinin her bir grid için 12 dönemi temsil eden ortalama (M) ve standart sapma (STD) istatistikleri hesaplanmıştır. Mevcut 107 kuyunun azaltılmasıyla elde edilen optimize edilecek farklı alt kümeler/kombinasyon kuyu dağılımları (KKD) için de 12 dönemdeki M ve STD istatistikleri her bir KKD için grid bazında hesaplanmıştır. M ve STD değerleri arasındaki mutlak farklar hesaplanarak araştırma alanında her KKD için M ve STD tahmin hataları elde edilmiştir. Kuyu sayısındaki azalmaya bağlı olarak TSD tahminlerindeki meydana gelecek bilgi kaybı, CP=M+STD şeklinde tanımlanan ceza puanı (fonksiyonu) ile hesaplanmış ve amaç fonksiyonunda yerine konulmuştur. Geliştirilen yenilikçi yaklaşımla gözlem ağındaki en uygun KKD kümesinin bulunmasında, CP değerlerinin çözüm uzayındaki kuyu sayısına karşı değişimi üstel fonksiyonla karakterize edilmiştir. Fonksiyonun birinci türevi alınarak optimize edilen KKD’lerin kuyu sayısına göre teğet eğim açıları hesaplanmıştır. Kuyu sayısındaki azalmaya bağlı teğet eğim açıları gruplandırılarak, en uygun alt çözüm bölgeleri elde edilmiştir. Sonuç olarak, GTOY ile optimizasyon noktasının tespitinde kullanılan görsel analiz tekniği sonlandırılmış ve matematiksel çözümlemeye dayanan yenilikçi bir yaklaşım geliştirilmiştir. Geliştirilen yöntem halihazır koşullarda sulama şebekesi işletme alanındaki TSG ağına uygulandığında, araştırma alanındaki gözlem kuyu sayısının %28 azaltılması halinde haritaların %11,7 tahmin hatası ile çizilebileceği sonucuna varılmıştır. Dolayısıyla, zaman ve iş gücünden tasarruf sağlamak için taban suyu gözlemlerinin sahadaki mevcut 107 kuyuda yapılması yerine, 77 kuyuda yapılması önerilmiştir.

Anahtar Kelimeler

Deterministik optimizasyon , taban suyu derinliği , gözlem ağı , ceza puanı , grid tabanlı optimizasyon

Kaynakça

• 1. Çetinkaya C.P., Barbaros F., Harmancıoğlu N.B., Hidrometrik veri yönetimi, Türkiye Mühendislik Haberleri, 420-421-422, 4-5-6, 111-130, 2002.
• 2. Lutz R., Ameri P., Latzko T., Meyer J., Management of meteorological mass data with MongoDB, Proceedings of the 28th EnviroInfo 2014 Conference, Oldenburg, Germany, 549-556, September, 10-12, 2014.
• 3. Dembele M., Oriania F., Tumbultoc J., Mariethoza G., Schaeflia B., Gap-filling of daily streamflow time series using direct sampling in various, Journal of Hydrology, 569, 573-586, 2019.
• 4. Harmancıoğlu N.B., Özkul S., Hidrolojik Verilerin Bilgiye Dönüştürülmesi, Hidrolojide; Veri İşlem, Yorumlama ve Tasarım, Editör: Şen Z., Su Vakfı Yayınları, İstanbul, 99-110, 2002.
• 5. Ataseven B., Nitel bilimsel araştırmalarda veri kalitesinin önemi, Marmara Üniversitesi İ.İ.B. Dergisi, 33 (2),543-564, 2012.
• 6. Unesco. The handbook on water information systems administration, processing and exploitation of water-related data. https://www.riob.org/sites/default/files/_HB-2018-SIE-BAT_web.pdf. Yayın tarihi Mart, 2018. Erişim tarihi Ocak 29, 2023.
• 7. Kalkınma Bakanlığı. On birinci kalkınma planı, Su kaynakları yönetimi ve güvenliği özel ihtisas komisyonu raporu. https://www.sbb.gov.tr/wp-content/uploads/2020/04/SuKaynaklariYonetimi_ve_GuvenligiOzelIhtisasKomisyonuRaporu.pdf. Yayın tarihi, 2018. Erişim tarihi Ocak 29, 2023.
• 8. Tardif R., Hakim G.J., Bumbaco K.A., Lazzara M.A., Manning K.W., Mikolajczyk D.E., Powers J.G., Assessing observation network design predictions for monitoring Antarctic surface temperature, Quarterly Journal of the Royal Meteorological Society, 148, 727–746, 2022.
• 9. Thakur J.K., Optimizing groundwater monitoring networks using integrated statistical and geostatistical approaches, Hydrology, 2 (3),148-175, 2015.
• 10. Çetin M., Jeoistatistiksel yöntem ile nokta ve alansal yağişlarin saptanmasi ve stokastik olarak modellenmesi: Örnek havza uygulamalari, Doktora Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana, 1996.
• 11. Kavusi M., Siuki A.K., Dastourani M., Optimal design of groundwater monitoring network using the Combined Election-Kriging Method, Water Resources Management, 34, 2503–2516, 2020.
• 12. Kim S.G., Kim G.B., Are groundwater monitoring networks economical? Cost-Benefit analysis on the long-term groundwater supply project of South Korea, Water, 11, 753, 2019.
• 13. Iquzquiza E. P., Optimal selection of number and location of rainfall gauges for areal rainfall estimation using geostatistics and simulated annealing, Journal of Hydrology, 210, 206-220, 1998.
• 14. Aceves-De-Alba J., Junez-Ferreira H. E., Gonzalez-Trinidad J., Cardona-Benavides A., Bautista-Capetillo C. F., Methodology for the optimization of groundwater quality monitoring networks oriented to satisfy a specific spatial coverage, Applied Ecology and Environmental Research, 17 (5),10861-10882, 2019.
• 15. Xiong X., Lee K.J., Data-driven modeling to optimize the injection well placement for waterflooding in heterogeneous reservoirs applying artificial neural networks and reducing observation cost, Energy Exploration & Exploitation, 38 (6), 2413-2435, 2020.
• 16. Yudina E., Petrovskaia A., Shadrin D., Tregubova P., Chernova E., Pukalchik M., Oseledets I., Optimization of water quality monitoring networks using metaheuristic approaches: Moscow region use case, Water, 13, 888, 2021.
• 17. Lettenmaier D.P., Anderson D.E., Brenner R.N., Consolidation of a stream quality monitoring network. Water Resources Bulletin, 20 (4), 473-481, 1984.
• 18. Cengiz M., Çomak E., A solution of some commonly used optimization functions by a hybrid BFGS-PSO algorithm, Journal of the Faculty of Engineering and Architecture of Gazi University, 36 (2), 925-938, 2021.
• 19. Tang Z., Hu X., Periaux J., Multi‑level hybridized optimization methods coupling local search deterministic and global search evolutionary algorithms, Computational Methods in Engineering, 27, 939–975,2020.
• 20. Lin M.H., Tsai J.F., Yu C.S., A review of deterministic optimization methods in engineering and management, Mathematical Problems in Engineering, 2012 (756023), 1-15, 2012.
• 21. Çelik Y., Yıldız İ., Karadeniz A.T., Son üç yılda geliştirilen metasezgisel algoritmalar hakkında kısa bir inceleme, Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 463-477, 2019.
• 22. Hernandez-Perez L.G., Ponce-Ortega J.M., Multi-objective optimization approach based on deterministic and metaheuristic techniques to resource management in health crisis scenarios under uncertainty, Process Integration and Optimization for Sustainability, 5 (3),429–443, 2021.
• 23. Seyyarer E., Karcı A., Ateş A., Effects of the stochastic and deterministic movements in the optimization processes, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (2), 949-965, 2022. 24. Grabov G., Yoder D.C., Mote C.R., An empirically-based sequential ground water monitoring network design procedure, Journal of The American Water Resources Association, 36 (3), 549-566, 2000.
• 25. Güvel Ş.T., Karataş İ., Diversification of rebar standard lengths and optimization to reduce rebar waste rate, Journal of the Faculty of Engineering and Architecture of Gazi University, 36 (4), 2197-2208, 2021.
• 26. Li Y., Hilton A.B.C., Optimal groundwater monitoring design using an ant colony optimization paradigm, Environmental Modelling and Software, 22 (1),110-116, 2007.
• 27. Kollat J.B., Reed P.M., Maxwell R.M., Many‐objective groundwater monitoring network design using bias‐aware ensemble Kalman filtering, evolutionary optimization, and visual analytics, Water Resources Research, 47, W02529 (1-18), 2011.
• 28. Castello C., Williamson M., Gerdes K., Harp D., Vesselinov V., Near-optimal placement of monitoring wells for the detection of potential contaminant arrival in a regional aquifer at Los Alamos National Laboratory, Proceedings of the 2012 44th Southeastern Symposium on System Theory, Jacksonville, FL, USA, 61-66, March 11-13, 2012.
• 29. Thakur J.K., Optimizing groundwater monitoring networks using integrated statistical and geostatistical approaches, Hydrology, 2 (3),148-175, 2015.
• 30. Rezaei M., Mousavi S.F., Moridi A., Gordji M.E., Karami H., A new hybrid framework based on integration of optimization algorithms and numerical method for estimating monthly groundwater level, Arabian Journal of Geosciences, 14 (994),1-15, 2021.
• 31. Parasyris A., Spanoudaki K., Varouchakis E.A., Kampanis N.A., A decision support tool for optimising groundwater-level monitoring networks using an adaptive genetic algorithm, Journal of Hydroinformatics, 23 (5), 1066-1082, 2021.
• 32. Petersen-Perlman J.D., Aguilar-Barajas I., Megdal S.B, Drought and groundwater management: Interconnections, challenges, and policyresponses, Current Opinion in Environmental Science & Health, 28 (100364),1-9, 2022.
• 33. Çetin M., Kırda C., Spatial and temporal changes of soil salinity in a cotton field irrigated with low-quality water, Journal of Hydrology, 272, 238-249, 2003.
• 34. Topçu S., Çetin M., Kırda C., Karaca Ö.F., Efe H., Sesveren S., Sulamadan Dönen Suların Tarımda Kullanımının Sürdürülebilirliği, 5. Dünya Su Forumu Bölgesel Hazırlık Süreci DSİ Yurtiçi Bölgesel Su Toplantıları Sulama-Drenaj Konferansı, Adana-Türkiye, 135-144, 10-11 Nisan, 2008.
• 35. Yetkin M., GPS ağlarinin optimal tasarimi ve robust istatistik yöntemlerin kullanilabilirliği, Yüksek Lisans Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya, 2008.
• 36. Fisher J.C., Optimization of water-level monitoring networks in the eastern Snake River Plain aquifer using a kriging-based genetic algorithm method, The Bureau of Reclamation and United State Department of Energy, Scientific Investigations Report 2013-5120, 2013.
• 37. DSİ, Devlet Su İşleri Genel Müdürlüğü Teknik Bülteni, DSİ Basım ve Foto-Film İşletme Müdürlüğü Matbası, 71, 11-17, 1990.
• 38. Kanber R., Ünlü M., Türkiye’de Sulama ve Drenaj Sorunları: Genel Bakış, 5. Dünya Su Forumu Bölgesel Hazırlık Süreci, Devlet Su İşleri Yurtiçi Bölgesel Su Toplantıları Sulama-Drenaj Konferansı, Adana-Türkiye, 1-45, 10-11 Nisan, 2008.
• 39. Çetin M., Kırda, C., İbrikçi H., Topçu S., Karaca Ö.F., Karnez E., Efe H., Sesveren S., Öztekin E., Dingil M., Kaman H., Sulu Tarım Alanlarında Su, Tuz ve Nitrat Bütçesinin CBS Ortamında Saptanması: Aşağı Seyhan Ovası Örneği, 5. Dünya Su Forumu Bölgesel Hazırlık Süreci DSİ Yurtiçi Bölgesel Su Toplantıları Sulama-Drenaj Konferansı, Adana-Türkiye, 173-184, 10-11 Nisan, 2008.
• 40. Çetin M., İbrikçi H., Berberoğlu S., Gültekin U., Karnez E., Selek B., Yarı Kurak İklimli Akdeniz Bölgesi Tarım Alanlarında Tuzluluk Etkisini Azaltmak İçin Sulama Randımanlarının Analiz ve Optimizasyonu (MEDSALIN), Proje Sonuç Raporu, Adana, 2012.
• 41. Çetin M., Diker K., Assessing drainage problem areas by GIS: A case study in the eastern Mediterranean region of Turkey, Irrigation and Drainage, 52 (4),343-353, 2003.
• 42. Khouni I., Louhichi G., Ghrabi A., Use of GIS based Inverse Distance Weighted interpolation to assess surface water quality: Case of Wadi El Bey, Tunisia, Environmental Technology & Innovation, 24 (101892),1-21, 2021.
• 43. Keskiner A.D., Taban suyu derinlikleri için grid tabanlı yeni bir optimizasyon modeli geliştirilmesi ve bazı geleneksel istatistik yöntemlerle karşılaştırılması: Aşaği Seyhan Havzası örneği, Doktora Tezi, Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana, 2016.
• 44. Keskiner A. D., Çetin M., Şimşek M., Nagano T., Akın S., Taban suyu derinlikleri için grid tabanli yeni bir optimizasyon modeli geliştirilmesi:Aşağı Seyhan Havzası örneği, Harran Üniversitesi Mühendislik Dergisi, 3 (3), 70-80, 2018.
• 45. Amrit C., Hillegersberg J.V., Matrix based problem detection in the application of software process patterns, In Proceedings of the Ninth International Conference on Enterprise Information Systems, Funchal-Madeira-Portugal, 2, 316-320, June 12-16, 2007.
• 46. Çabuk H.A., Matematik, Yılmaz C., Lisans Yayıncılık, İstanbul,Türkiye, 2011.
• 47. ESRI. Methodology Statement: 2014–2018 American Community Survey. https://downloads.esri.com/esri_content_doc/dbl/us/J10020_American_Community_Survey_2020_JUNE.pdf . Yayın tarihi, 2020. Erişim tarihi Nisan 28, 2023.
• 48. Wadoux A.M.C, Brus D.J., Rico-Ramirez M.A., Heuvelink G.B., Sampling design optimisation for rainfall prediction using a non-stationary geostatistical model, Advances in Water Resources, 107, 126-138, 2017.
• 49. Collados-Lara A.J., Pardo-Iguzquiza E., Pulido-Velazquez D., Optimal design of snow stake networks to estimate snow depth in an alpine mountain range, Hydrological Processes, 34 (1), 82-95, 2020.
• 50. Hassan S., Mathematical Physics: A Modern Introduction to Its Foundations, Springer International Publishing, Switzerland, 2013.
• 51. Matlab. Curve Fitting Toolbox User’s Guide. https://www.mathworks.com/help/curvefit/. Yayın tarihi, 2021. Erişim tarihi Ocak 29, 2023.
• 52. Kertil M., Conceptual analysis of derivative as a rate of change and analysis of the mathematics textbooks, Sakarya University Journal of Education, 11 (3), 545-568, 2021.
• 53. Strang G., Calculus, Wellesley Cambridge Press, Massachusetts,USA, 1991.
• 54. Doğan M.İ., Orman A., Örkcü M., Örkcü H.H., A new approach based on regression analysis and mathematical programming to multigroup classification problems, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (4), 1939-1955, 2019.
• 55. Ryan B.F., Joiner B.R., Cryer J.D., Minitab Handbook: Updated for Release 14, Brooks/Cole-Thomson Learning Inc., Montgomery,IL, USA, 2005.
• 56. Mimikou M., Gordios J., Predicting the mean annual flood and flood guantiles for ungaged catchments in Greece, Hydrological Sciences Journal, 34 (2),169-184, 1989.
• 57. Tasker D.G., Hodge A.C., Barks S.C., Region of influence regression for estimating the 50-year flood at ungaged sites, Water Resources Bulletin, 32 (1),163-170, 1996.
• 58. Alakbar T., Burgan H.İ, Regional power duration curve model for ungauged intermittent river basins, Journal of Water and Climate Change, 15 (9), 4596–4612, 2024.
• 59. Zaheri S.H., Hosseini M., Fathinasab M., Well Pattern optimization as a planning process using a novel developed optimization algorithm, Scientific Reports, 14, 26725, 2024.
• 60. Wei C., Yeh H.C., Chen Y.C., Spatiotemporal scaling effect on rainfall network design using Entropy, Entropy, 16, 4526-4647, 2014.