Bulanık c ortalamalar yöntemi ile Karadeniz bölgesi standart süreli yağış şiddetlerinin kümelenmesi

Yıl 2021, , 285 - 287, 15.04.2021

Utku Zeybekoğlu

https://doi.org/10.17714/gumusfenbil.864904

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 hidrometeorolojik 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

Kaynakça

• Alexandersson H. (1986). A homogeneity test applied to precipitation data. Journal of Climatology, 6(6), 661-675.
• Acreman, M. C. and 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. and Chaoka, R.T. (2016). Regionalization of rainfall intesity duration frequency (idf) curves in Botswana. Journal of Water Resource and Protection, 8(12), 1128-1144.
• Azem, Z. (2013). A comprehensive cluster validity framework for clustering algorithms. MSc Thesis, The University of Guelph, Canada.
• Bezdek, J. C. (1981). Pattern Recognition With Fuzzy Objective Function Algorithms. New York: Plenum Press.
• Burn, D. H. (1989). Cluster analysis as applied to regional flood frequency. Journal of Water Resources Planning and Management, 115(5), 567–582.
• Burn, D. H. (1997). Catchment similarity for regional flood frequency analysis using seasonality measures. Journal of Hydrology, 202(1-4), 212–230.
• Burn, D.H., Zrinji, Z., and Kowalchulk, M. (1997). Regionalization of catchments for regional flood frequency analysis. Journal of Hydrologic Engineering, 2(2), 76–82.
• Burn, D. H. and 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. Istanbul Technical University, İstanbul.
• Demirel, M. C., Mariano, A. J. and 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. and Gungor, M. (2012). Classificiation of precipitation series using fuzzy cluster method. International Journal of Climatology, 32(10), 1596-1603.
• 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, 23(113), 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(12), 2309–2325.
• Isik, S. and Singh, V. P. (2009). Hydrologic regionalization of watersheds in Turkey. Journal of Hydrologic Engineering, 13(9), 824-834.
• Kahya, E., Demirel, M.C. and Piechota, T. C. (2007). Spatial grouping of annual streamflow patterns in Turkey. Hydrology Days, 169-176.
• Karahan H. (2011). Bölgesel Yağış-Şiddet-Süre-Frekans Bağıntılarının Diferansiyel Gelişim Algoritması Kullanılarak Elde Edilmesi. TÜBİTAK (108Y299), Sonuç Raporu.
• Lecce, S. A. (2000). Spatial variations in the timing of annual floods in the Southeastern United States. Journal of Hydrology, 235(3-4), 151–169.
• Mosley M. P. (1981). Delimitation of New Zealand hydrologic regions. Journal of Hydrology, 49(1-2), 173–192.
• Pal, N. R. and Bezdek, J. C. (1995). On cluster validity fort he fuzzy c-means model. IEEE Transactions On Fuzzy Systems, 3(3), 370-379.
• Shen, J., Chang, S. I., Lee, E. S., Deng, Y. and Brown, S. J. (2005). Determination of cluster number in clustering microarray data. Applied Mathematics and Computation, 169(2), 1172–1185.
• Soltani, S. and 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. and James, G. M. (2003). Finding the number of clusters in a data set: an information-theoretic approach. Journal of the American Statistical Association, 98(463), 750-763.
• Turan, A. (2005). Türkiye akarsu verimlerinin küme analizi ile sınıflandırılması. Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya.
• Velthuizen, R. P., Hall, L. O., Clarke L. P. and Silbiger, M. L. (1997). An investigation of mountain method clustering for large data sets. Pattern Recognition, 30(7), 1121-1135.
• Zhang, Y., Wang, W., Zhang, X. and Li, Y. (2008). A cluster validity index for fuzzy clustering. Information Sciences, 178(4), 1205–1218.