Estimation of Monthly Pan Evaporation of Adıyaman and Diyarbakir Stations with Artificial Intelligence Methods

Abstract

Evaporation, one of the most important elements of the hydrological cycle. In addition, accurate estimation of evaporation is used as a fundamental parameter in many areas including design of irrigation system, hydrological modeling, river flow estimation and irrigation planning. Although there are different empirical approaches to prediction of evaporation, artificial intelligence methods have also been used. In this study, monthly pan evaporation measured at Adıyaman and Diyarbakır stations in the Southeastern Anatolia Region are estimated using the different climatic parameters such as temperature, wind speed, relative humidity, pressure, solar radiation and monthly open days. Artificial Neural Networks (ANN), Adaptive Network Based Fuzzy Logic Inference System (ANFIS) and Gene Expression Programming (GEP) methods are used to predict pan evaporation with different input combinations. To determine performance of these methods to prediction of pan evaporation, R2, Mean Square Error (MSE) and Mean Absolute Error (MAE) criteria are used. The GEP method is more successful than the other two methods used and the highest R2 values calculated with this method during the test process are 0.923 for Adıyaman station and 0.963 for Diyarbakır station.

Keywords

• Adıyaman
• Diyarbakır
• estimate evaporation
• GEP
• ANN
• ANFIS

Yapay Zekâ Yöntemleri ile Adıyaman ve Diyarbakır İstasyonlarının Aylık Tava Buharlaşmalarının Tahmin Edilmesi

Öz

Buharlaşma, hidrolojik çevrimin en önemli elemanlarından biridir. Buharlaşmanın doğru bilinmesi sulama sistemi tasarımı, hidrolojik modelleme, nehir akışı tahmini ve sulama planlaması da dâhil olmak birçok alanda temel bir parametre olarak kullanılmaktadır. Tahmini için farklı ampirik yaklaşım bulunmasına rağmen, son zamanlarda yapay zekâ yöntemleri de kullanılmaktadır. Bu çalışmada, Güney Doğu Anadolu Bölgesinde bulunan Adıyaman ve Diyarbakır meteoroloji gözlem istasyonlarında ölçülen aylık tava buharlaşması; sıcaklık, rüzgâr hızı, nisbi nem, basınç, güneşlenme şiddeti ve aylık açık gün sayısı parametreleri kullanılarak tahmin edilmiştir. Buharlaşmanın tahmininde farklı girdi kombinasyonlarıyla, Yapay Sinir Ağları (YSA), Uyarlamalı Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi (ANFIS) ve Gen Ekspresyon Programlama (GEP) yöntemleri kullanılmıştır. Bu yöntemlerin buharlaşmayı tahmin etmedeki başarı sıralaması R2, Ortalama Karesel Hata (OKH) ve Ortalama Mutlak Hata (OMH) kriterleri kullanılarak belirlenmiştir. Ölçülen ve bu yöntemlerle tahmin edilen değerlerin karşılaştırılmasından, GEP yönteminin kullanılan diğer iki yönteme göre daha başarılı olduğu ve bu yöntemle test sürecinde hesaplanan en yüksek R2 değerleri, Adıyaman istasyonu için 0.923, Diyarbakır istasyonu için ise 0.963 olmuştur.

Anahtar Kelimeler

• Adıyaman
• Diyarbakır
• Buharlaşma tahmini
• GEP
• YSA
• ANFİS

Kaynakça

1. Shirsath PB, Singh AK. A comparative study of daily pan evaporation estimation using ANN, regression and climate based models. Water Resources Management, 2010; 24(8): 1571-1581.
2. Doğan E, Işık S, Sandalcı M. Günlük buharlaşmanın yapay sinir ağları kullanarak tahmin edilmesi. Teknik Dergi, 2007; 18(87): 4119-4131.
3. Ariapour A. Nassaji Zavareh M. Estimation of daily evaporation using of artificial neural networks (case study; Borujerd meteorological station). Journal of Rangeland Science, 2011; 1(2): 125-132.
4. Sanikhani H. Kisi O. Nikpour MR. Dinpashoh Y. Estimation of daily pan evaporation using two different adaptive neuro-fuzzy computing techniques. Water resources management, 2012; 26(15): 4347-4365.
5. Goyal MK, Bharti B, Quilty J, Adamowski J, Pandey A. Modeling of daily pan evaporation in sub tropical climates using ANN, LS-SVR, Fuzzy Logic, and ANFIS. Expert systems with applications, 2014; 41(11): 5267-5276.
6. Rahimikhoob A. Estimating daily pan evaporation using artificial neural network in a semi-arid environment. Theoretical and applied climatology, 2009; 98(1): 101-105.
7. Shiri J, Dierickx W. Pour-Ali Baba A, Neamati S, Ghorbani M. Estimating daily pan evaporation from climatic data of the State of Illinois, USA using adaptive neuro-fuzzy inference system (ANFIS) and artificial neural network (ANN). Hydrology Research, 2011; 42(6): 491-502.
8. Kisi O, Shiri J, Nikoofar B. Forecasting daily lake levels using artificial intelligence approaches. Computers & Geosciences, 2012; 41: 169-180.

9. Terzi Ö. Daily pan evaporation estimation using gene expression programming and adaptive neural-based fuzzy inference system. Neural Computing and Applications, 2013; 23(3): 1035-1044.
10. Gümüş V, Şimşek O, Soydan NG, Aköz MS, Yenigün K. Adana istasyonunda buharlaşmanın farklı yapay zeka yöntemleri ile tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 2016; 7(2): 309-318.
11. Rashid Niaghi A, Hassanijalilian O, Shiri J, Estimation of reference evapotranspiration using spatial and temporal machine learning approaches. Hydrology, 2021; 8(25): 1-15.
12. Apaydin H, Sonmez FK, Yildirim YE. Spatial interpolation techniques for climate data in the GAP region in Turkey. Climate Research, 2004; 28(1): 31-40.
13. Gümüş V, Soydan NG, Şimşek O, Aköz MS, Kırkgöz MS. Yağıs-akış ilişkisinin belirlenmesinde farklı yapay sinir ağı yöntemlerinin karşılaştırılması. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 2013; 28(1): 37-50.
14. Saplıoğlu K, Çimen M. Yapay sinir ağlarını kullanarak günlük yağış miktarının tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 2010; 1(1): 14-21.
15. Jang JSR. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 1993; 23(3): 665-685.
16. Wu JD, Hsu CC, Chen HC. An expert system of price forecasting for used cars using adaptive neuro-fuzzy inference. Expert Systems with Applications, 2009; 36(4): 7809-7817.
17. Ferreira C. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems, 2001; 13(2):1-22.
18. Ferreira C. Gene expression programming in problem solving, Soft Computing and Industry, 2002; 635-653.