Çoruh Nehri Günlük Akımlarının Yapay Sinir Ağları ile Tahmin Edilmesi

Yıl 2010, Cilt: 14 Sayı: 3, 251 - 261, 27.02.2014

Umut Okkan Ayşe Mollamahmutoğlu

Öz

Su kaynakları planlanması ve tasarımı aşamasında, güvenilir akım tahminlerinin ve akım modelleme çalışmalarının yapılması büyük önem taşımaktadır. Sunulan çalışmada, bir yapay sinir ağı modeli (YSA) geliştirilerek, bu model Çoruh havzasında yer alan Çoruh Nehrine ait günlük akımlara uygulanmıştır. Girdi olarak 1 ve 2 gün önceki akım değerlerine ihtiyaç duyan YSA modeli, 03.10.1991-01.04.1996 tarihleri arasındaki 1643 günlük akım verileri kullanılarak eğitilmiş; 02.04.1996-30.09.2000 tarihleri arasındaki 1643 günlük akım verileri kullanılarak sınanmıştır. Hazırlanan YSA modeli içsel bağımlı stokastik AR(2) model yapısıyla da karşılaştırılmıştır. Analiz sonucu, yöntemlerin yaklaşık sonuçlar verdiği görülmüş ancak YSA performansı içsel bağımlı modele göre daha başarılı bulunmuştur. Uzun dönemde gözlenmiş ve modellenmiş akımların istatistikleri karşılaştırıldığında; kurulan YSA modelinin Çoruh Nehri günlük akımlarını başarıyla temsil ettiği; böylece geliştirilen model yapısının diğer akarsu havzalarının günlük akımlarının tahmininde de başarıyla kullanılabileceği düşünülmektedir. Anahtar Kelimeler: Günlük Akım tahmini, Yapay Sinir Ağları, İçsel Bağımlı Modeller, Çoruh Nehri

Anahtar Kelimeler

Günlük Akım tahmini, Yapay Sinir Ağları, İçsel Bağımlı Modeller, Çoruh Nehri

Kaynakça

• Abbott, M.B. and Refsgaard, J.C. 1996. Distributed Hydrological Modelling. Kluver Academic Publishers,Dordrecht. 17-39.
• Alp, M. ve Cığızoğlu, H. K., 2005. Yapay Sinir Ağı Metodları ve Regresyon Analizi ile Akım Tahmini, II. Ulusal Su Mühendisliği Sempozyumu, 589-598,İzmir.
• Alp, M. ve Cığızoğlu, H.K., 2004. Farklı yapay sinir ağı metodları ile yağış-akış ilişkisinin modellenmesi, İTU dergisi, 3(1), 80-88.
• Andrews, W. H., Riley, J. P., and Masteller, M. B. 1978. Mathematical modeling of a sociological and hydrological system. ISSR Research Monograph, Utah Water Research Laboratory Utah State Univ., Logan, Utah.
• Baran T. ve Bacanlı, Ü. 2006. Uygun stokastik model seçim ölçütlerinin değerlendirilmesi, İMO Teknik Dergi, 264, 3987-4002.
• Bayazıt, M., 1998. Hidrolojik Modeller. İTÜ, İnşaat Fakültesi Matbaası, İstanbul.
• Box, G. E. P. and Jenkins, G. M., 1976. Time series analysis, forecasting and control. Holden Day Inc., San Francisco, California.
• Box, G.E.P., Jenkins, G.M., and Reinsel G.C., 1994. Time series analysis forecasting and control, 3. Edition, Prentice Hall, New Jersey, USA.
• Campolo, M., Andreussi, P. ve Soldati, A., 1999. River flood forecasting with a neural network model, Water Resources Research, 35, 1191-1197.
• Cigizoglu, H.K., 2003. Incorporation of ARMA models into flow forecasting by artificial neural networks, Environmetrics, 14, 4, 417-427.
• Durbin, J. 1960. The fitting of time series models. Rev. Inst. Int. Stat., 28, 233-243.
• Fernando, D.A.K., and Jayawardena, A.W., 1998. Runoff forecasting using RBF networks with OLS algorithm, Journal of Hydrologic Engineering 3(3), 203-209.
• Govindaraju, R.S. and Rao, A.R. 2000. Artificial Neural Networks in Hydrology. Kluwer: The Netherlands.
• Gül, A. ve Harmancıoğlu, N. 2003. Su Kaynakları Yönetiminde Bilgisayar Modellerinin Kullanımı. I. Ulusal Su Mühendisliği Sempozyumu Bildiriler Kitabı, 735-745, İzmir.
• Ham, F., and Kostanic, I., 2001. Principles of Neurocomputing for Science and Engineering. Macgraw-Hill. USA.
• Haykin, S. 1994. Neural Networks: A Comprehensive Foundation. MacMillan. New York.
• Hsu, K., Gupta, H.V. and Sorooshian, S., 1995. Artificial neural network modelling of the rainfall runoff process, Water Res. Research, 31, 2517-2530.
• İçağa, Y. 2003. Akarçay Havzası Yağış-Akış İlişkilerinin Modellenmesi I. Ulusal Su Mühendisliği Sempozyumu, 203-214, İzmir.
• Karabörk, M.Ç., ve Kahya, E., 1999, Sakarya havzasındaki aylık akımların çok değişkenli stokastik modellemesi, Turkish J. Eng. Env. Sci., 23, 2, 133-147.
• Keskin, E.M. ve Taylan D.E. 2007. Orta Akdeniz Havzasındaki Akımların Stokastik Modellemesi, İMO Teknik Dergi, 282, 4271-4291.
• Kisi, O., 2005. Daily river flow forecasting using artificial neural networks and auto-regressive models. Turkish Journal of Engineering and Environmental Sciences, 29, 9–20.
• Lin, G., and Chen, L., 2004. A non-linear rainfall-runoff model using radial basis function network, Journal of Hydrology, 289, 1-8.
• Raman, H. and Sunilkumar, N., 1995. Multivariate modelling of water resources time series using artificial neural networks, Hydrological Sciences Journal, 40(2), 145-163.
• Lin, G., Wu, M., Chen, G. and Tsai F., 2009. An RBF-based model with an information processor for forecasting hourly reservoir inflow during typhoons, Hydrol. Process. 23, 3598–3609.
• Rumelhart D.E., Hinton G.E., Williams R.J. 1986. Learning representations by backpropagation errors, Nature, 323, 533-536.
• Mandic, D. P. and Chambers, J. A. 2001. Recurrent Neural Networks for Prediction - Learning Algorithms, Architectures and Stability, John Wiley & Sons Ltd.
• Salas, J.D., Delleur, J.W., Yevjevich, V., Lane, W.L., 1980. Applied Modeling of Hydrologic Time Series, Water Resources Publications, Colorado.
• Méndez, M. C., Manteiga, W.G., Bande, M.F. Sánchez J.M.P. and Calderón R.L., 2004.Modelling of the monthly and daily behavior of the runoff of the Xallas river using Box–Jenkins and neural networks methods. Journal of Hydrology, 296, 38-58.
• Singh, V.P. 1995. Watershed modeling. Computer models of watershed hydrology. 1-22. Ed. By V.P. Singh. Water Resources Publication, USA.
• Minns, A.W. and Hall, M.J., 1996. Artificial neural networks as rainfall runoff models Hydrological Sciences Journal, 41, 3, 399-417.
• Öztemel, E., 2003. Yapay Sinir Ağları. Papatya Yayıncılık. İstanbul.