Estimation of Reference Evapotranspiration with Artificial Neural Networks Using Values of Time, Location, Relative Humidity and Wind Speed

Yıl 2016, Cilt: 30 Sayı: 1, 75 - 87, 01.07.2016

Necati Aksu

Öz

In this study, the easy and economic way of prediction of the reference evapotranspiration (ET0), an important factor in planning and management of limited water resources, was aimed. Accordingly, Evapotranspiration (ET0) was predicted with the helping Artificial Neural Networks (ANN) ability in solving the complex cause-and-effect relationships by using natural data and less meteorological data instead of large amount of real meteorological data that require various difficulties, high costs, and longer durations. In this context, numerous network project in different structures and features has been generated. In these projects, location variables such as time, latitude, elevation, distance to sea and meteorological variables such as relative humidity and wind speed have been used as input data while FAO PM ET0 has been used as output (target) value. These projects have been tested by the training with Levenberg Marquardt algorithms and different iterations, ANN with the highest prediction success was identified. On the selected network, Nash-Sutcliffe Coefficient (NS), Root Mean Square Error (RMSE), Mean Relative Error (MRE), Determination Coefficient (R2), the Mean Absolute Percentage Error (MAPE), and the Mean Absolute Error (MAE) between the ANN predictions and the FAO PM ET0 were 0.99, 0.15 mm day-1 , 0.04, 0.99, 4.3%, and 0.11 mm day-1 , respectively. In conclusion a reliable result was obtained.

Anahtar Kelimeler

ET0, reference evapotranspiration, ANN, location, meteorological factors

Referans Evapotranspirasyonun Zaman, Konum, Bağıl Nem ve Rüzgâr Hızı Girdileri Kullanılarak Yapay Sinir Ağlarıyla Tahmin Edilmesi

Öz

Bu çalışma ile sınırlı olan su kaynaklarının planlanmasında ve yönetiminde önem arz eden referans evapotranspirasyonun (ET0) kolay ve ekonomik olarak tahmini amaçlanmıştır. Bu doğrultuda, Yapay Sinir Ağlarının (YSA) karmaşık sebep-sonuç ilişkilerini çözebilme yeteneğinden yararlanmak suretiyle, temin edilmesi çeşitli zorluklar içeren ve ayrıca yüksek maliyet ve uzun zaman gerektiren birçok meteorolojik girdi yerine, bu girdileri şekillendiren doğal veriler ve daha az meteorolojik veri kullanılarak ET0 tahmin edilmiştir. Bu kapsamda; zaman, enlem, yükseklik ve denize mesafe gibi konum değişkenleriyle, bağıl nem ve rüzgâr hızı gibi meteorolojik değişkenler girdi olarak, FAO PM ET0 değerleri de çıktı (hedef) olarak kullanılan farklı yapı ve özelliklerde çok sayıda ağ projesi oluşturulmuştur. Bu projeler Levenberg Marquardt (LM) algoritması ve farklı yinelemelerle eğitilerek test edilmiş ve tahmin başarısı en yüksek YSA belirlenmiştir. Belirlenen ağın Ortalama Mutlak Hatası (MAE) = 0.11 mm gün-1; Ortalama Mutlak Yüzde Hatası (MAPE) = % 4.3; Belirlilik Katsayısı (R2) = 0.99; Ortalama Göreceli Hatası (OGH) = 0.04; Kök Ortalama Kare Hatası (KOKH) = 0.15 mm gün-1 ve NS katsayısı 0.99 bulunmuştur. Netice itibariyle, güvenle kullanılabilir doğrulukta bir sonuç elde edilmiştir.

Anahtar Kelimeler

ET0, referans evapotranspirasyon, YSA, konum

Kaynakça

• Allen, R.G., L.S. Pereira, D. Raes and M. Smith. 1998. Crop evapotranspirasyon, guidelines for computing crop water requirements. Irrigation and Drainage paper No. 56, FAO, 300p.
• Haykin, S. 1999. Neural Networks: A Comprehensive Fundation. (2nd ed.), Pearson Education, Inc. Pearson Prentice Hall, ISBN 81-7808-300-0, McMaster University, Hamilton, Ontario, Canada.
• Kaastra, I. and I. Boyd. 1996. Designing a neural network for forecasting financial and econometric time series. Neurocomputing, 10: 215-236.
• Linacre, E. 1999. Geography and Climate, http://www-das.uwyo.edu/~geerts/cwx/notes/ chap16/geo_clim.html (10.04.2015).
• MGM, 2013. İklimi meydana getiren elemanlar, iklim. Meteoroloji Genel Müdürlüğü, 1998-2013, http://www.mgm.gov.tr/iklim/iklim.aspx?k=B (12.04.2015)
• Yu, H. And B.M. Wilamowski. 2010. Levenberg-Marquardt Training. Auburn University. http://www.eng.auburn.edu/~wilambm/pap/2011/K10149_C012.pdf (01.01.2016).
• Yurtoğlu, H. 2005. Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği, DPT – Uzmanlık Tezleri, Yayın No: Dpt: 2683