Bulanık C Ortalamalar Yöntemi ile Karadeniz Bölgesi Standart Süreli Yağış Şiddetlerinin Kümelenmesi

Yıl 2018, , 147 - 154, 31.01.2018

Utku Zeybekoğlu

https://doi.org/10.17714/gumusfenbil.334693

Cited By: 2

Öz

Hidrometeorolojik veriler kullanılarak yapılan
mühendislik çalışmalarında, verilerin eksiksiz ve yeterli uzunlukta olması
çalışmaların verimliliğini arttırmaktadır. Bölgesel mühendislik çalışmalarda
ise verilerin istenen şekilde olmasının yanında uygun bölgelerin de
belirlenmesi tasarım ve uygulama çalışmalarının daha verimli olmasını
sağlayacaktır. Bu bölgelerin belirlenmesinde hidrometerolojik verilerin yanında
coğrafi konum verilerin de kullanılması gerekmektedir. Bu çalışma kapsamında Karadeniz
bölgesindeki Devlet Meteoroloji İşlerine ait meteoroloji gözlem istasyonlarında
gözlemlenen, Standart Süreli Yağışların Şiddetlerine ait veriler kullanılarak
bölgesel kümelerin oluşturulması amaçlanmıştır. Bu amaçla Bulanık C Ortalamalar
yöntemi kullanılmıştır. . Kümeleme çalışmaları iki farklı küme sayısı için
yapılmış olup en uygun küme sayısı 4 olarak belirlenmiştir.

Anahtar Kelimeler

Bulanık C Ortalamalar, Karadeniz Bölgesi, Kümeleme Analizi, Standart Süreli Yağış Şiddeti, Türkiye

Clustering of Standard Duration Rainfall Intensity of the Black Sea Region by Fuzzy C Means Method

Öz

In the engineering studies using hydrometeorological data, the
efficiency of the studies which are complete and sufficient length of the data
increases. In the case of regional engineering studies,
designation of the appropriate areas as well as the desired data will ensure
that the design and application works are more efficient. Geographical location
data should be used in addition to hydrometerological data. Within
the scope of this study, it was aimed to create regional clusters by using the
data related to the intensity of Standart Periodic Precipitation observed in
meteorological observation stations belonging to the State Meteorological Works
in the Black Sea region. For this purpose, the fuzzy c-means method was used. Clustering studies were carried out for two different sets of numbers
and the optimal number of sets was 4.

Anahtar Kelimeler

Fuzzy C Means Blacksea Region, Clustering Analysis, Rainfall Intensity Series of Standart Duration, Turkey

Kaynakça

• Alexandersson H. 1986. “A Homogeneity Test Applied to Precipitation Data”, Journal of Climatology, Cilt 6, s.661-675.
• Acreman, M.C., Sinclair, C.D., 1986. Classification of Drainage Basins According to Their Physical Characteristics, An Application for Flood Frequency Analysis in Scotland. Journal of Hydrology, 84(3-4), 365-380.
• Alemaw, F.B., Chaoka, R.T., 2016. Regionalization of Rainfall Intesity Duration Frequency (IDF) Curves in Botswana, Journal of Water Resource and Protection, 2016, 8 ,1128-1144.
• Azem, Z., 2013, A Comprehensive Cluster Validity Framework For Clustering Algorithms, MSc Thesis, The University of Guelph, Canada, 15-19.
• Bezdek, J.C., 1981. Pattern Recognition With Fuzzy Objective Function Algorithms, Plenum Press, New York.
• Burn, D.H., 1989. Cluster Analysis as Applied to Regional Flood Frequency. Journal of Water Resources Planning and Management, 115, 567–582.
• Burn, D.H., 1997. Catchment Similarity for Regional Flood Frequency Analysis using Seasonality Measures. Journal of Hydrology, 202, 212–230.
• Burn, D.H., Zrinji, Z., ve Kowalchulk, M., 1997. Regionalization of Catchments for Regional Flood Frequency Analysis. Journal of Hydrologic Engineering, 2(2), 76–82.
• Burn, D.H. ve Goel, N.K., 2000. The Formation of Groups for Regional Flood Frequency Analysis. Hydrological Sciences Journal, 45(1), 97–112.
• Demirel, M.C. 2004. Cluster Analysis of Streamflow Data over Turkey. Master of Science Thesis. İstanbul Technical University, 119p.
• Demirel, M.C., Mariano, A.J. ve Kahya, E., 2007. Performing K-Means Analysis to Drought Principal Components of Turkish Rivers. Hydrology Days, 145-151.
• Dikbaş, F., Firat, M., Koç, A.C. ve Gungor, M., 2011. Classificiation of Precipitation Series Using Fuzzy Cluster Method, International Journal of Climatology DOI: 10.1002/joc.2350.
• Firat, M., Dikbaş, F., Koç, A.C. ve Gungor,M., 2012. K-Ortalamalar Yöntemi ile Yıllık Yağışların Sınıflandırılması ve Homojen Bölgelerin Belirlenmesi, İMO Teknik Dergi,6037-6050.
• Firat, M., Dursun, Ö.F., Aydoğdu, M. ve Dikbaş, F., 2013. Hiyearşik Olmayan Kümeleme Yöntemi ile Türkiye Akarsularındaki Askı Maddesi Konsantrasyonu ve Miktarının Sınıflandırılması, BEÜ Fen Bilimleri Dergisi, 2(1), 61-67.
• Guttman, N.B., 1993. The use of L-Moments in the Determination of Regional Precipitation Climates. Journal of Climate 6, 2309–2325.
• Isik, S. Ve Singh, V.P., 2009. Hydrologic Regionalization of Watersheds in Turkey. Journal of Hydrologic Engineering. 13(9), 824-834.
• Kahya, E., Demirel, M.C. ve Piechota, T.C., 2007. Spatial Grouping of Annual Streamflow Patterns in Turkey. Hydrology Days, 169-176.
• Karahan H. “Bölgesel Yağış-Şiddet-Süre-Frekans Bağıntılarının Diferansiyel Gelişim Algoritması Kullanılarak Elde Edilmesi”, TÜBİTAK (108Y299), Sonuç Raporu, 2011.
• Lecce, S.A., 2000. Spatial Variations in the Timing of Annual Floods in the Southeastern United States. Journal of Hydrology, 235, 151–169.
• Mosley M.P., 1981. Delimitation of New Zealand Hydrologic Regions. Journal of Hydrology, 49, 173–192.
• Pal, N.R ve Bezdek, J.C., 1995. on Cluster validity fort he fuzzy c-means model, IEEE Transactions On Fuzzy Systems, 3,370-379.
• Shen, J., Chang, S. I., Lee, E. S., Deng, Y. ve Brown ,S.J., 2005. Determination of cluster number in clustering microarray data Judong, Applied Mathematics and Computation, 169, 1172–1185.
• Soltani, S. ve Modarres, R., 2006. Classification of Spatio-Temporal Pattern of Rainfall in Iran Using A Hierarchical and Divisive Cluster Analysis. Journal of Spatial Hydrology, 6(2), 1-12.
• Sugar, C. A. ve James, G.M., 2003. Finding the number of clusters in a data set: an information-theoretic approach, Journal of the American Statistical Association, 98, 750-763.
• Turan, A., 2005. Türkiye Akarsu Verimlerinin Küme Analizi ile Sınıflandırılması. Sakarya Üniversitesi, Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 155s.
• Velthuizen, R. P., Hall, L. O., Clarke L. P. Ve Silbiger, M.L., 1997. An investigation of mountain method clustering for large data stes, Pattern Recognition, 30, 1121-1135.
• Zhang, Y., Wang, W., Zhang, X. ve Li, Y., 2008. A cluster validity index for fuzzy clustering, Information Sciences, 178,1205–1218.