Yağış-Akış Modellemesinde Optimum Yapay Sinir Ağı Yapısının Araştırılması

Öz

Bu çalışmada, Giresun ili Aksu deresi üzerinde bulunan D22A116 numaralı Akım Gözlem İstasyonu'nda ölçülmüş günlük ortalama akış ve 17034 numaralı Giresun Meteoroloji İstasyonu'nda ölçülmüş günlük toplam yağış verileri kullanılarak tasarlanmış 5 girdi modeli kullanılmış, farklı Yapay Sinir Ağı (YSA) yapıları ile noktasal yağış-akış modeli oluşturulmuştur. Oluşturulan yağış-akış modelinde; YSA’da eğitim algoritması olarak Levenberg-Marquardt (LM), Quasi-Newton (QN) ve Conjugate-Gradient (CG) kullanılmıştır. Her farklı YSA yapısında, Hiperbolik Tanjant Sigmoid (HTS), Logaritmik Sigmoid (LS) transfer fonksiyonları ve gizli katmanda farklı nöron sayıları denenmiştir. YSA yapılarının performansları Ortalama Hata Kareleri Karekökü (RMSE), Korelasyon Katsayısı (R) ve Nash-Sutcliffe Katsayısı (E) hesaplanarak belirlenmiştir. Oluşturulan yağış-akış modelinde tüm YSA yapıları iyi sonuçlar üretilmiş, ancak en iyi yapı olarak YSA-QN belirlenmiştir (RMSE=12.090, R=0.806, E=0.649).

Anahtar Kelimeler

• Yapay Sinir Ağları,Yağış-Akış Modeli,Yüzeysel Akış Tahmini

Kaynakça

1. Aksoy, M. Coşkun, B. (2010). Aksu Vadisi (Giresun) aşağı kesiminde doğal ortam şartlarının taşkın üzerine etkileri. Gazi Türkiyat Türkoloji Araştırmaları Dergisi, 1(7).
2. Anilan, T., Satilmis, U., Kankal, M., & Yuksek, O. (2016). Application of artificial neural networks and regression analysis to l-moments based regional frequency analysis in the Eastern Black Sea Basin, Turkey. KSCE Journal of Civil Engineering, 20(5), 2082-2092.
3. Antar, M. A., Elassiouti, I., & Allam, M. N. (2006). Rainfall‐runoff modelling using artificial neural networks technique: a Blue Nile catchment case study.Hydrological Processes, 20(5), 1201-1216.
4. Babacan. H. T. (2015). Giresun İli Aksu Deresi için farklı parametreler kullanılarak yapay sinir ağları ile akış modellemesi ve ileriye dönük akım tahminleri yapılması. Yayımlanmamış Yüksek Lisans Tezi. Gümüşhane: Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü.
5. Bayram, A., Kankal, M., Tayfur, G., & Önsoy, H. (2014). Prediction of suspended sediment concentration from water quality variables. Neural Computing and Applications, 24(5), 1079-1087.
6. Dibike, Y. B., & Solomatine, D. P. (2001). River flow forecasting using artificial neural networks. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 26(1), 1-7.
7. Gill, P. E., Murray, W., & Wright, M. H. (1981). Practical optimization, Elsevier Academic Press, California, USA.
8. Hsu, K. L., Gupta, H. V., & Sorooshian, S. (1995). Artificial neural network modeling of the rainfall‐runoff process. Water resources research, 31(10), 2517-2530.

9. Keskin, M. E., & Terzi, Ö. (2006). Artificial neural network models of daily pan evaporation. Journal of Hydrologic Engineering, 11(1), 65-70.
10. Machado, F., Mine, M., Kaviski, E., & Fill, H. (2011). Monthly rainfall–runoff modelling using artificial neural networks. Hydrological Sciences Journal–Journal des Sciences Hydrologiques, 56(3), 349-361.
11. Mohanty, S., Jha, M. K., Raul, S. K., Panda, R. K., & Sudheer, K. P. (2015). Using artificial neural network approach for simultaneous forecasting of weekly groundwater levels at multiple sites. Water Resources Management, 29(15), 5521-5532.
12. Mishra, A. K., & Desai, V. R. (2006). Drought forecasting using feed-forward recursive neural network. ecological modelling, 198(1-2), 127-138.
13. Moré, J. J. (1978). The Levenberg-Marquardt algorithm: implementation and theory. In Numerical analysis (pp. 105-116). Springer, Berlin, Heidelberg.
14. Motahari, M., & Mazandaranizadeh, H. (2017). Development of a PSO-ANN Model for Rainfall-Runoff Response in Basins, Case Study: Karaj Basin. Civil Engineering Journal, 3(1), 35-44.
15. Nayak, P. C., Rao, Y. S., & Sudheer, K. P. (2006). Groundwater level forecasting in a shallow aquifer using artificial neural network approach. Water Resources Management, 20(1), 77-90.
16. Oztemel, E. (2003). Yapay sinir ağları, Papatya Yayıncılık. Istanbul. pg48.
17. Powell, M. J. D. (1977). Restart procedures for the conjugate gradient method. Mathematical programming, 12(1), 241-254.
18. Saka, F., & Yüksek, Ö. (2017). Belli aşılma olasılığına sahip debilerinin bölgeselleştirilmesi ve Doğu Karadeniz Havzası örneği. Journal of the Faculty of Engineering & Architecture of Gazi University, 32(2).
19. Shoaib, M., Shamseldin, A. Y., Khan, S., Khan, M. M., Khan, Z. M., Sultan, T., & Melville, B. W. (2018). A Comparative Study of Various Hybrid Wavelet Feedforward Neural Network Models for Runoff Forecasting. Water Resources Management, 32(1), 83-103.
20. Singh, V. P., Jain, S. K., & Tyagi, A. (2007, October). Risk and reliability analysis: a handbook for civil and environmental engineers. American Society of Civil Engineers.
21. Svozil, D., Kvasnicka, V., & Pospichal, J. (1997). Introduction to multi-layer feed-forward neural networks. Chemometrics and intelligent laboratory systems, 39(1), 43-62.
22. Uslu, H., & Içaga, Y. (2010). Yapay sinir ağları ile Akarçay akımının modellemesi. Electronic Journal of Construction Technologies/Yapi Teknolojileri Elektronik Dergisi, 6(2).
23. Zhao, Y., Nan, J., Cui, F. Y., & Guo, L. (2007). Water quality forecast through application of BP neural network at Yuqiao reservoir. Journal of Zhejiang University-Science A, 8(9), 1482-1487.
24. Zhu, Y. M., Lu, X. X., & Zhou, Y. (2007). Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84(1-2), 111-125.