SavedAdd your journal

Journals / Tarım Bilimleri Dergisi / 2015 / Cilt: 21 - Sayı: 4

Dalgacık-Sinir Ağı Yaklaşımı ile Yağış-Akış Tahmini: Kızılırmak Nehri Örneği

Özlem TERZİ
Melike BARAK
Pages
546–557
Publication Date
2015-12-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Geliştirilen modeller ölçülmüş değerlerle kıyaslandığında, dalgacık dönüşümü uygulandıktan sonra elde edilen D-YSA modellerinin, orijinal serilerle elde edilen YSA modellerinden daha iyi performans sergilediği görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Su kaynaklarının planlanmasında önemli bir etmen olan akarsu akımlarının tahmini için dalgacık dönüşüm tekniği (D) ve yapay sinir ağları (YSA) yöntemi kullanılarak modeller geliştirilmiştir.
📊
Key Findings & Data:Daha sonra, ölçülmüş yağış değerleri dalgacık dönüşümü ile alt serilere ayrılmıştır.
💡
Conclusion & Impact:Geliştirilen modeller ölçülmüş değerlerle kıyaslandığında, dalgacık dönüşümü uygulandıktan sonra elde edilen D-YSA modellerinin, orijinal serilerle elde edilen YSA modellerinden daha iyi performans sergilediği görülmüştür.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yağış · Akım · Dalgacık dönüşümü

Özet

Su kaynaklarının planlanmasında önemli bir etmen olan akarsu akımlarının tahmini için dalgacık dönüşüm tekniği (D) ve yapay sinir ağları (YSA) yöntemi kullanılarak modeller geliştirilmiştir. Kızılırmak Nehri’nde bulunan Söğütlühan akım istasyonuna ait akım tahmin modelleri geliştirmek için Sivas meteoroloji istasyonuna ait yağış verileri kullanılmıştır. İlk olarak ölçülmüş orijinal yağış serileri kullanılarak YSA modelleri geliştirilmiştir. Daha sonra, ölçülmüş yağış değerleri dalgacık dönüşümü ile alt serilere ayrılmıştır. Yağış alt serileri ile dalgacık-yapay sinir ağı (D-YSA) modelleri geliştirilmiştir. Geliştirilen modeller ölçülmüş değerlerle kıyaslandığında, dalgacık dönüşümü uygulandıktan sonra elde edilen D-YSA modellerinin, orijinal serilerle elde edilen YSA modellerinden daha iyi performans sergilediği görülmüştür.

🔖

Cite This Article

TERZİ, Ö., BARAK, M. (2015). Dalgacık-Sinir Ağı Yaklaşımı ile Yağış-Akış Tahmini: Kızılırmak Nehri Örneği. Tarım Bilimleri Dergisi, Cilt: 21 - Sayı: 4, 546–557. https://ajindex.com/articles/178455

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Adamowski J & Chan H F (2011). A wavelet neural network conjuction model for groundwater level forecasting. Journal of Hydrology407: 28-40 Anctil F & Tape D G (2004). An exploration of artificial neural network rainfall runoff forecasting combined with wavelet decomposition. Journal of Environmental Engineering and Science3: 121-129
  2. Bayazıt M (1998). Hidrolojik Modeller. İTÜ İnşaat Fakültesi Matbaası, İstanbul Coulibaly P & Burn D H (2004). Wavelet analysis of variability in annual Canadian Streamflows. Water Resources Research47: 1-14 Coşkun Ö & Çömlekçi S (2007). Wavelet teorisinin medikal alana uygulanması üzerine bir ön çalışma. Akademik Bilişim’07 - IX. Akademik Bilişim Konferansı, 31 Ocak - 2 Şubat 2007,
  3. Dumlupınar Üniversitesi, Kütahya, s. 317-320
  4. Fausett L (1994). Fundamentals of neural networks: Architectures, algorithms, and applications. Prentice Hall, New Jersey Fay D & Ringwood J V (2007). A wavelet transfer model for time-series forecasting. International Journal Bifurcation and Chaos17(10): 3691-3696
  5. Gaucherel C (2002). Use of wavelet transform for temporal characterisation of remote watersheds. Journal of Hydrology,269: 101–121
  6. Kartalopoulos S V (1996). Understanding neural networks and fuzzy logic: basic concepts and applications. IEEE Press, New York 20 100 200 300 400 500 600 700 800 Zaman (gün) 4. Sonuçlar Adamowski J & Chan H F (2011). A wavelet neural network conjuction model for groundwater level forecasting. Journal of Hydrology 407: 28-40 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
  7. Bayazıt M (1998). Hidrolojik Modeller. İTÜ İnşaat Fakültesi Matbaası, İstanbul Coulibaly P & Burn D H (2004). Wavelet analysis of variability in annual Canadian Streamflows. Water Resources Research 47: 1-14 Coşkun Ö & Çömlekçi S (2007). Wavelet teorisinin medikal alana uygulanması üzerine bir ön çalışma. Akademik Bilişim’07 - IX. Akademik Bilişim Konferansı, 31 Ocak - 2 Şubat 2007,
  8. Dumlupınar Üniversitesi, Kütahya, s. 317-320
  9. Fausett L (1994). Fundamentals of neural networks: Architectures, algorithms, and applications. Prentice Hall, New Jersey Fay D & Ringwood J V (2007). A wavelet transfer model for time-series forecasting. International Journal Bifurcation and Chaos 17(10): 3691-3696
  10. Gaucherel C (2002). Use of wavelet transform for temporal characterisation of remote watersheds. Journal of Hydrology