-

Öz

In the study, the models were developed by combining wavelet transform and gene expression programming (GEP) methods to estimate suspended sediment for the Kızılırmak River. First, the GEP models were developed by using river flow measurements for estimating sediment. Then, the flow data were decomposed into sub-series by wavelet transform and the effective sub-series on flow data were determined. The D-GEP models were developed by using the effective sub-series as inputs. When comparing the sediment measurements with the results of the developed models, it was shown that the DGEP models had better performance than GEP model

Anahtar Kelimeler

• Suspended sediment Flow Gene expression programmimg Wavelet transform

Dalgacık - GEP Modeli ile Akarsularda Askıda Katı Madde Miktarı Tahmini

Öz

Çalışmada, Kızılırmak Nehri'nin askıda katı madde miktarını tahmin etmek için dalgacık dönüşümü (D) ve gen ifade programlama (GEP) yöntemleri birlikte kullanılarak modeller geliştirilmiştir. İlk olarak, katı madde miktarının tahmini için akarsu akım ölçümleri kullanılarak GEP modelleri geliştirilmiştir. Daha sonra, bu akım verileri dalgacık dönüşümü ile alt serileri ayrılmış ve akım verileri üzerinde etkili olan alt seriler belirlenmiştir. Belirlenen alt seriler girdi parametresi olarak kullanılarak D-GEP modelleri geliştirilmiştir. Katı madde miktarı ölçüm değerleri ile geliştirilen modeller kıyaslandığında, dalgacık dönüşümü ile elde edilen D-GEP modelinin GEP modeline göre daha iyi performans gösterdiği görülmüştür.

Anahtar Kelimeler

• Askıda katı madde Akım Gen ifade programlama Dalgacık dönüşümü

Kaynakça

1. Anctil, F., Tape, D.G., (2004). An exploration of artificial neural network rainfall runoff forecasting combined with wavelet decomposition. Journal of Environmental Engineering and Science, 3, 121-129.
2. Anonim, 2014. http://www.samsun.gov.tr/? bolum=samsun-sehri&kategori=6 (Erişim Tarihi: 04.12.2014).
3. Aytek A., Kişi O., 2008. A genetic programming approach to suspended sediment modeling, Journal of Hydrology 351, 288– 298.
4. Doğan, E., 2009. Katı Madde Konsantrasyonunun Yapay Sinir Ağlarını Kullanarak Tahmin Edilmesi. İMO Teknik Dergisi, 302, 4567-4582.
5. Duran, K., 2013. Rüzgar Karakteristiklerinin Dalgacık Dönüşümü ile Ortaya Konması. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 142s, İstanbul.
6. Ferreira, C., 2001.Gene expression programming: A new adaptive algorithm for solving problems, Complex Systems 13(2), 87–129.
7. Ferreira, C., 2006.Gene-expression programming: Mathematical modeling by an artiŞcial intelligence. Springer-Verlag Berlin Heidelberg.
8. Goldberg, D.E., 1989.Genetic algorithms in search, optimization and machine learning. Addison-Wesley. Grosan, C., Abraham, A., 2006. Evolving computer programs for knowledge discovery, International Journal of System Management 4(2), 7–24.

9. Güven, A., Kişi, Ö., 2011. Estimation of Suspended Sediment Yield in Natural Rivers Using Machine- coded Linear Genetic Programming. Water Resour Manage, 25, 691–704.
10. Kişi, Ö., 2009. Neural network and wavelet conjunction model for intermittent streamflow forecasting. Journal of Hydrological Engıneering, 14(8), 773-782.
11. Kişi, Ö., Shiri, J., 2011. Precipitation Forecasting Using Wavelet-Genetic Programming and Wavelet-Neuro- Fuzzy Conjunction Models. Water Resour Manage, 25, 3135–3152.
12. Kişi, Ö., Shiri, J., 2012. River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques. Computers & Geosciences, 43, 73–82.
13. KozaJ.R., 1992. Genetic Programming: On the Programming of Computers by Means of Natural Selection, A Bradford Book The MIT Press Cambridge, Massachusetts London, England.
14. Küçük, M., Ağıralioğlu, N., 2006. Dalgacık Dönüşüm Tekniği Kullanılarak Hidrolojik Akım Serilerinin Modellenmesi. İTÜ Mühendislik Dergisi, 5 (2), 69-80. Makkeasorn A., Chang N.B., Zhou X., 2008. Short-term streamflow forecasting with global climate change implications – A comparative study between genetic programming and neural network models, J Hydrol 352, 336–354.
15. Mehr A.D., Kahya E., Olyaie E., 2013. Streamflow prediction using linear genetic programming in comparison with a neuro wavelet technique, J Hydrol 505 , 240–249.
16. Okkan, U., 2012. Wavelet neural network model for reservoir inflow prediction. Scientia Iranica, 19(6), 1445-1455.
17. Öztürk, F., 2002. Yüzey Akış ve Sediment Miktarının AGNPS Modeli ile Belirlenmesi. Bilimsel Araştırma Projesi Kesin Raporu, Ankara Üniversitesi Bilimsel Araştırma Projeleri, Ankara.
18. Partal, T., Cığızoğlu, H.K., 2008. Estimation And Forecasting of Daily Suspended Sediment Data Using wavelet–Neural Networks. Journal of Hydrology 358, 317– 331.
19. Savic D.A., Walters G.A. and Davidson J.W., 1999. A Genetic programming gapproach to rainfall-runoff modelling, Water Resour Manag 13, 219–231.
20. Sivapragasam, C., Maheswaran R., and Venkatesh V., 2008. Genetic programming approach for flood routing in natural channels, Hydrological Processes 22(5), 623–628.
21. Terzi, Ö., Barak, M., Baykal, T., 2013. Akarsularda Askıda Katı Madde Miktarı Tahmini İçin Dalgacık- Sinir Ağı Modeli. VII. Ulusal Hidroloji Kongresi, 26-27 Eylül 2013, SDÜ Isparta, 232-239.
22. Wang, W., Ding J., (2003). Wavelet network model and its application to the prediction of hydrology. Nature and Science, 1(1), 67-71.
23. Wu C.L., Chau K.W., 2010. Data-driven models for monthly streamflow time series prediction, Engineering Applications of ArtiŞcial Intelligence 23, 1350–1367.
24. Zakaria, N. A., Azamathulla, H. Md., Chang, C.K., Ghani, A.Ab., 2010. Gene expression programming for total bed material load estimation—a case study. Science of the Total Environment, 408, 5078–5085.
25. Zhang, F.X., Wai, W.H.O., Jiang, Y.W., 2010. Prediction of sediment transportation in deep bay (Hong Kong) using genetic algorithm, J Hydrodyn 22(5), 599–604. Semboller A D KM
26. katı madde miktarı (ton)