Öz
The objective of this paper was to estimate the dormant season interception of an oak-beech mixed forest with the growing season interception data by using an artificial neural network model. Precipitation and throughfall data were used to find out the amount of interception amounts in growing and dormant seasons. There is statistical difference (P =0,004) between two seasons in terms of interception. Received: 01.03.2012; accepted: 22.01.20131. GirişTemiz tatlı su üretimi ülkemizde son yıllarda ön plana çıkan konular arasında yer almaktadır. Su üretimindeki devamlılığın sağlanması doğal kaynaklardan koruma-kullanma dengesini bozmadan yararlanılması ile mümkün olabilmektedir (FAO, 2005). Doğal kaynaklardaki bozulmanın başlıca nedeni insan etkisidir. Ormanlar, bu bozulmadan en çok etkilenen doğal kaynakların başında gelmektedir. Odun üretimi, yaban hayatı, rekreasyon, yem ürünü gibi amaçlara hizmet eden kullanım şekillerinden birine yada birkaçına tahsis edilen ormanlar ayrıca temiz tatlı su üretiminin yapıldığı alanlardır. Ormanlar toprağın korumasında etkili bir araç olurken aynı zamanda suyun depolanması, akış rejiminin ve su kalitesinin düzenlenmesi ile sel ve taşkınların önlenmesi gibi olumlu hidrolojik ve hidrokimyasal etkiler yaptığı da bilinmektedir (Özhan, 2004).Su döngüsü içerisinde atmosferden yeryüzüne ulaşan yağmur damlasının geçtiği aşamaların yani yağışın dispozisyonun bilinmesi, su üretimi amacına hizmet eden havzalara yapılacak silvikültürel müdahale tekniklerinin yapısını belirlemektedir (Özyuvacı ve diğ., 2004). Bu tip havzalarda kilit parametre yağmur damlasının toprağa ulaşmasını engelleyen dolayısıyla üretilen suyun miktarını belirleyen intersepsiyon olgusudur. İntersepsiyon, yağış sularının (yağmur, kar, çiğ vb.) bitkilerin yaprak, sürgün ve gövdelerinde yada ölü örtü üzerinde tutulması ve bu kısımlardan buharlaşma ile atmosfere hızla geri dönmesidir (Zhang ve diğ., 1995). Genel olarak intersepsiyon miktarının bulunabilmesi açık alana düşen yağışın bilinmesinin dışında ormanaltı yağış ve gövdeden akış değerlerinin bilinmesini gerektirmektedir (Lewis, 2003). Orman ekosistemlerinde intersepsiyon miktarı, ağaç türüne, meşcere tipine, yaşına, meşcere kapalılık derecesine ve mevsimlere bağlı olarak değişmektedir (Çepel, 1986).Ormanaltı yağış, açık alana düşen yağış ve intersepsiyon arasında var olan ilişkilerin doğrusal nitelikte olmayışı nedeniyle normal dağılıma dönüştürülmüş verilerin regresyon ilişkilerinin kullanımından ziyade, lineer olmayan ilişkileri tam anlamıyla simule edebilecek bir modele gereksinim duyulmaktadır. İşte bu çalışma ile bir yerde açık alana düşen yağış ve orman altı yağış miktarı bilindiği takdirde benzer niteliklere sahip meşcerelerdeki yapraklı ve yapraksız dönem intersepsiyon miktarları yapay sinir ağı modeli ile ayrı ayrı tahmin edilebilecektir. Literatürde özellikle yağış akış ilişkilerinin modellenmesinde kullanılan yapay sinir ağı modelleri (Dawson ve Wilby, 1998; Tokar ve Markus, 2000; Modarres, 2008), intersepsiyon tahminlerinde de kullanılmıştır. Örneğin, Lü ve ark. (2007) Populus euphratica türüne ait intersepsiyon değerlerini geriye beslemeli yapay sinir ağı modeli ile tahmin etmiştir. Havza modelleme için kullanılan kara kutu modellerinde havza sistem davranışı, havza mekanizması ve özelliklerini dikkate almaksızın matematiksel olarak bir davranış fonksiyonları takımı ile temsil edilmektedir (Alp ve Cığızoğlu, 2004). Sistem davranışının simule edildiği kara kutu modellerindeki davranış fonksiyonları sistemin girdi ve çıktı dataları arasındaki optimum ilişkinin ağırlık değerleri ile saptanmasını sağlayan yapılardır. Yani yapay sinir ağı mimarisinde gerekli olan ağırlık değerlerinin belirlenmesi matematiksel algoritmalardan bir tanesi kullanılarak üretilen çıktıların doğruluk düzeyinin maksimize edilmesi
Anahtar Kelimeler
Artificial neural networks interception growing season dormant season
Kaynakça
- Alp, M. and K. Cığızoğlu, 2004. Farklı yapay sinir ağarı metodları ile yağış-akış ilişkisinin modellenmesi. İTÜ dergisi/d mühendislik. 3(1), 80-88.
- ASCE (2000a). Artificial Neural Networks In Hydrology. I: Preliminary Concepts. Journal Of Hydrologic Engineering. 5(2), 115-123.
- ASCE (2000b). Artificial Neural Networks In Hydrology. II: Hydrologic Applications. Journal Of Hydrologic Engineering. 5(2), 124-137.
- Çepel, N., 1986. Barajların Yukarı Yağış Havzaları İçin Arazi Kullanım Planlamasının Ekolojik Esasları, İstanbul Üniversitesi, Orman Fakültesi Dergisi. Seri B, Cilt 36, Sayı 2, Sayfa 17-27.
- Dawson, C.W. and R. Wilby, 1998. An artificial neural network approach to rainfall runoff modelling. Hydrological Sciences. 43(1), 47-66.
- FAO, 2005. Forests and Water. A Thematic Study Prepared in the Framework of the Global Forest Resources Assessment. Food And Agriculture Organization of the United Nations. FAO Forestry Paper No: 155.
- Lewis, J., 2003. Stemflow Estimation in a Redwood Forest Using Model-Based Stratified Random Sampling, Environmetrics. 14: 559–571.
- Lü, H., Y. Zhu and X. Yang, 2007. Application of BP neural network to predict rainfall interception loss in an arid region in China. IAHS Publ. 311, 541–545.
- Maier, H.R. and G.C. Dandy, 2000. Neural Networks for The Prediction and Forecasting of Water Resources Variables: a Review of Modelling Issues and Applications, Environmental Modelling & Software. 15 (2000) 101–124.
- Modarres, R., 2008. Multi-criteria validation of artificial neural network rainfall-runoff modeling. Hydrology and Earth System Sciences Discussions. 5, 3449–3477
- Özhan, S., 2004. Havza Amenajmanı, İ.Ü. Rektörlük Yayın No: 4510, Orman Fakültesi Yayın No: 481. İstanbul. 385 pp.
- Özhan S., A. Hızal, K. Şengönül, F. Gökbulak, Y. Serengil, and M. Özcan, 2008. Belgrad Ormanı İçersindeki Havza Sistemlerinin Hidrolojik ve Hidrokimyasal Modellenmesi Proje No: TOVAG-105 0 182
- Özhan, S., A. Hızal, and İ. Yurtseven, 2011. MeşeKayın Karışık Ormanında Ormanaltı Yağış. İ.Ü. Orman Fakültesi Dergisi. 61 (1): 23-30.
- Özkan, O., C. Kınacı and Ş. Sağıroğlu, 2008. Çözünmüş Oksijen Değişiminin Yapay Sinir Ağları İle Belirlenmesi: Kızılırmak Nehri Örneği, İTÜ Dergisi/d mühendislik. Cilt: 5, Sayı: 3, Kısım: 1, 30-38, Haziran 2008.
- Özyuvacı, N., S. Özhan, F. Gökbulak, Y. Serengil and A. N Balcı, 2004. Effect of Selective Cutting on Streamflow in an Oak-Beech Forest Ecosystem Water Resources Management. 18: 249–262.
- Sattari, M.T., A.F. Fard, M. Docherkhesaz and F. Öztürk, 2007. Yapay Sinir Ağları Yöntemi ile Savalan Sulama Rezervuarının Simülasyonu, Ankara Üniversitesi Ziraat Fakültesi Tarım Bilimleri Dergisi. 2007 13(4) 337-345.
- Tokar, A.S. and M. Markus, 2000. Precipitationrunoff modeling using artificial neural networks and conceptual models, Journal of Hydrolologic Engineering. 5, 156–161.
- Şen, Z., 2004. Yapay Sinir Ağları İlkeleri, Su vakfı yayınları ISBN:975-6455-13-6.
- Yurtoğlu, H., 2005. Yapay Sinir Ağı Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği, Devlet Planlama Teşkilatı, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü Uzmanlık Tezi. Yayın No: DPT: 2683.
- Zhang, G., G. M. Zeng, Y. M. Jiang, G. H. Huang, J. B. Li, J. M. Yao, W. Tan, R. J. Xiang, and X. L. Zhang, 2005. Modeling and Measurement of Two-Layer-Canopy Interception Losses in a Subtropical Mixed Forest of Central-South China Hydrology and Earth System Sciences Discussions. 2, 1995–2024, 2005.
Öz
Bu çalışmada meşe-kayın karışık meşceresinde, yapraklı dönem intersepsiyonu kullanılarak
yapay sinir ağı modeli ile yapraksız dönem intersepsiyonunun tahmin edilmesi amaçlanmıştır. Yapraklı
ve yapraksız olmak üzere iki dönemde belirlenmeye çalışılan intersepsiyon miktarı için açık alana
düşen yağış ile meşe-kayın karışık meşcere altına düşen yağış miktarları kullanılmıştır. Yapay sinir ağı
modeline entegre edilecek veriler test ve tahmin olmak üzere iki ayrı gruba ayrılmıştır. Test grubu girdi
verileri olarak yapraklı dönem yağış değerleri (açık alan-ormanaltı yağış), çıktı verileri için ise yapraklı
dönem intersepsiyon değerleri kullanılmıştır. Tahmin grubu girdi verileri olarak yapraksız dönem
yağış değerleri (açık alan-orman altı yağış) alınmıştır. Yapraksız dönem (bilinen) intersepsiyon değerleri
ile yapay sinir ağı modeli sonucu tahmin edilen intersepsiyon değerleri kendi aralarında regresyon ve
ortalama karesel hatadan oluşan bir performans değerlendirmesine tabi tutulmuştur.
Yapılan regresyon analizine göre bilinen intersepsiyon miktarı (mm) ile tahmin edilen intersepsiyon
miktarı (mm) arasında önemli bir ilişki saptanmış (R2
= 0,90) ve bu iki değer arasında hesaplanan
ortalama karesel hatanın düşük çıktığı (OKH = 3,47) görülmüştür. Ancak, bu iki periyot değerleri
arasında istatistiksel anlamda önemli bir fark bulunmamaktadır (P =0,004). Araştırma sonucunda
ortaya konulan yapay sinir ağı tahmin modeli yardımıyla benzer özelliklere sahip bir meşceredeki
yapraklı veya yapraksız dönem intersepsiyon miktarları tahmin edilebilecektir.
Anahtar Kelimeler
Yapay sinir ağları intersepsiyon meşe-kayın meşceresi yapraklı dönem yapraksız dönem
Kaynakça
- Alp, M. and K. Cığızoğlu, 2004. Farklı yapay sinir ağarı metodları ile yağış-akış ilişkisinin modellenmesi. İTÜ dergisi/d mühendislik. 3(1), 80-88.
- ASCE (2000a). Artificial Neural Networks In Hydrology. I: Preliminary Concepts. Journal Of Hydrologic Engineering. 5(2), 115-123.
- ASCE (2000b). Artificial Neural Networks In Hydrology. II: Hydrologic Applications. Journal Of Hydrologic Engineering. 5(2), 124-137.
- Çepel, N., 1986. Barajların Yukarı Yağış Havzaları İçin Arazi Kullanım Planlamasının Ekolojik Esasları, İstanbul Üniversitesi, Orman Fakültesi Dergisi. Seri B, Cilt 36, Sayı 2, Sayfa 17-27.
- Dawson, C.W. and R. Wilby, 1998. An artificial neural network approach to rainfall runoff modelling. Hydrological Sciences. 43(1), 47-66.
- FAO, 2005. Forests and Water. A Thematic Study Prepared in the Framework of the Global Forest Resources Assessment. Food And Agriculture Organization of the United Nations. FAO Forestry Paper No: 155.
- Lewis, J., 2003. Stemflow Estimation in a Redwood Forest Using Model-Based Stratified Random Sampling, Environmetrics. 14: 559–571.
- Lü, H., Y. Zhu and X. Yang, 2007. Application of BP neural network to predict rainfall interception loss in an arid region in China. IAHS Publ. 311, 541–545.
- Maier, H.R. and G.C. Dandy, 2000. Neural Networks for The Prediction and Forecasting of Water Resources Variables: a Review of Modelling Issues and Applications, Environmental Modelling & Software. 15 (2000) 101–124.
- Modarres, R., 2008. Multi-criteria validation of artificial neural network rainfall-runoff modeling. Hydrology and Earth System Sciences Discussions. 5, 3449–3477
- Özhan, S., 2004. Havza Amenajmanı, İ.Ü. Rektörlük Yayın No: 4510, Orman Fakültesi Yayın No: 481. İstanbul. 385 pp.
- Özhan S., A. Hızal, K. Şengönül, F. Gökbulak, Y. Serengil, and M. Özcan, 2008. Belgrad Ormanı İçersindeki Havza Sistemlerinin Hidrolojik ve Hidrokimyasal Modellenmesi Proje No: TOVAG-105 0 182
- Özhan, S., A. Hızal, and İ. Yurtseven, 2011. MeşeKayın Karışık Ormanında Ormanaltı Yağış. İ.Ü. Orman Fakültesi Dergisi. 61 (1): 23-30.
- Özkan, O., C. Kınacı and Ş. Sağıroğlu, 2008. Çözünmüş Oksijen Değişiminin Yapay Sinir Ağları İle Belirlenmesi: Kızılırmak Nehri Örneği, İTÜ Dergisi/d mühendislik. Cilt: 5, Sayı: 3, Kısım: 1, 30-38, Haziran 2008.
- Özyuvacı, N., S. Özhan, F. Gökbulak, Y. Serengil and A. N Balcı, 2004. Effect of Selective Cutting on Streamflow in an Oak-Beech Forest Ecosystem Water Resources Management. 18: 249–262.
- Sattari, M.T., A.F. Fard, M. Docherkhesaz and F. Öztürk, 2007. Yapay Sinir Ağları Yöntemi ile Savalan Sulama Rezervuarının Simülasyonu, Ankara Üniversitesi Ziraat Fakültesi Tarım Bilimleri Dergisi. 2007 13(4) 337-345.
- Tokar, A.S. and M. Markus, 2000. Precipitationrunoff modeling using artificial neural networks and conceptual models, Journal of Hydrolologic Engineering. 5, 156–161.
- Şen, Z., 2004. Yapay Sinir Ağları İlkeleri, Su vakfı yayınları ISBN:975-6455-13-6.
- Yurtoğlu, H., 2005. Yapay Sinir Ağı Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği, Devlet Planlama Teşkilatı, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü Uzmanlık Tezi. Yayın No: DPT: 2683.
- Zhang, G., G. M. Zeng, Y. M. Jiang, G. H. Huang, J. B. Li, J. M. Yao, W. Tan, R. J. Xiang, and X. L. Zhang, 2005. Modeling and Measurement of Two-Layer-Canopy Interception Losses in a Subtropical Mixed Forest of Central-South China Hydrology and Earth System Sciences Discussions. 2, 1995–2024, 2005.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Bölüm | Araştırma Makalesi (Research Article) |
| Yazarlar | |
| Yayımlanma Tarihi | 1 Ocak 2013 |
| Yayımlandığı Sayı | Yıl 2013 Cilt: 63 Sayı: 1 |
