Journals / İstanbul Üniversitesi Orman Fakültesi Dergisi / 2013 / Cilt: 63 - Sayı: 1

Estimation of Interception with Artificial Neural Networks in Oak-Beech Mixed Stand

Meşe Kayın Karışık Meşceresinde Yapay Sinir Ağları Kullanılarak İntersepsiyonun Tahmin Edilmesi

Pages
19–25
Publication Date
2022-10-18
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)

There is statistical difference (P =0,004) between two seasons in terms of interception.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The objective of this paper was to estimate the dormant season interception of an oak-beech mixed forest with the growing season interception data by using an artificial neural network model.
📊
Key Findings & Data:Precipitation and throughfall data were used to find out the amount of interception amounts in growing and dormant seasons.
💡
Conclusion & Impact:There is statistical difference (P =0,004) between two seasons in terms of interception.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

The objective of this paper was to estimate the dormant season interception of an oak-beech mixed forest with the growing season interception data by using an artificial neural network model. Precipitation and throughfall data were used to find out the amount of interception amounts in growing and dormant seasons. There is statistical difference (P =0,004) between two seasons in terms of interception.

Özet

Bu çalışmada meşe-kayın karışık meşceresinde, yapraklı dönem intersepsiyonu kullanılarak yapay sinir ağı modeli ile yapraksız dönem intersepsiyonunun tahmin edilmesi amaçlanmıştır. Yapraklı ve yapraksız olmak üzere iki dönemde belirlenmeye çalışılan intersepsiyon miktarı için açık alana düşen yağış ile meşe-kayın karışık meşcere altına düşen yağış miktarları kullanılmıştır. Yapay sinir ağı modeline entegre edilecek veriler test ve tahmin olmak üzere iki ayrı gruba ayrılmıştır. Test grubu girdi verileri olarak yapraklı dönem yağış değerleri (açık alan-ormanaltı yağış), çıktı verileri için ise yapraklı dönem intersepsiyon değerleri kullanılmıştır. Tahmin grubu girdi verileri olarak yapraksız dönem yağış değerleri (açık alan-orman altı yağış) alınmıştır. Yapraksız dönem (bilinen) intersepsiyon değerleri ile yapay sinir ağı modeli sonucu tahmin edilen intersepsiyon değerleri kendi aralarında regresyon ve ortalama karesel hatadan oluşan bir performans değerlendirmesine tabi tutulmuştur. Yapılan regresyon analizine göre bilinen intersepsiyon miktarı (mm) ile tahmin edilen intersepsiyon miktarı (mm) arasında önemli bir ilişki saptanmış (R2= 0,90) ve bu iki değer arasında hesaplanan ortalama karesel hatanın düşük çıktığı (OKH = 3,47) görülmüştür. Ancak, bu iki periyot değerleri arasında istatistiksel anlamda önemli bir fark bulunmamaktadır (P =0,004). Araştırma sonucunda ortaya konulan yapay sinir ağı tahmin modeli yardımıyla benzer özelliklere sahip bir meşceredeki yapraklı veya yapraksız dönem intersepsiyon miktarları tahmin edilebilecektir.

🔖

Cite This Article

YURTSEVEN, İ., SERENGİL, Y., ÖZHAN, S. (2022). Estimation of Interception with Artificial Neural Networks in Oak-Beech Mixed Stand. İstanbul Üniversitesi Orman Fakültesi Dergisi, Cilt: 63 - Sayı: 1, 19–25. https://ajindex.com/articles/554366

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Alp, M. and K. Cığızoğlu, 2004. Farklı yapay sinir ağarı metodları ile yağış-akış ilişkisinin modellenmesi. İTÜ dergisi/d mühendislik. 3(1), 80-88. ASCE (2000a). Artificial Neural Networks In Hydrology. I: Preliminary Concepts. Journal Of Hydrologic Engineering. 5(2), 115-123. ASCE (2000b). Artificial Neural Networks In Hydrology. II: Hydrologic Applications. Journal Of Hydrologic Engineering. 5(2), 124-137.
  2. Çepel, N., 1986. Barajların Yukarı Yağış Havzaları İçin Arazi Kullanım Planlamasının Ekolojik Esasları, İstanbul Üniversitesi,
  3. Orman Fakültesi Dergisi. Seri B, Cilt 36, Sayı 2, Sayfa 17-27.
  4. Dawson, C.W. and R. Wilby, 1998. An artificial neural network approach to rainfall runoff modelling. Hydrological Sciences. 43(1), 47-66. FAO, 2005. Forests and Water. A Thematic Study Prepared in the Framework of the Global Forest Resources Assessment. Food And Agriculture Organization of the United Nations. FAO Forestry Paper No: 155. Lewis, J., 2003. Stemflow Estimation in a Redwood Forest Using Model-Based Stratified Random Sampling, Environmetrics. 14: 559-571.
  5. Lü, H., Y. Zhu and X. Yang, 2007. Application of BP neural network to predict rainfall interception loss in an arid region in China. IAHS Publ. 311, 541-545.
  6. Maier, H.R. and G.C. Dandy, 2000. Neural Networks for The Prediction and Forecasting of Water Resources Variables: a Review of Modelling Issues and Applications, Environmental Modelling & Software. 15 (2000) 101-124.
  7. Modarres, R., 2008. Multi-criteria validation of artificial neural network rainfall-runoff modeling. Hydrology and Earth System Sciences Discussions. 5, 3449-3477
  8. Özhan, S., 2004.
  9. Havza Amenajmanı, İ.Ü. Rektörlük Yayın No: 4510, Orman Fakültesi Yayın No: 481. İstanbul. 385 pp. Özhan S., A. Hızal, K. Şengönül, F. Gökbulak, Y. Serengil, and M. Özcan, 2008. Belgrad Ormanı İçersindeki Havza Sistemlerinin Hidrolojik ve Hidrokimyasal Modellenmesi Proje No: TOVAG-105 0 182 Özhan, S., A. Hızal, and İ. Yurtseven, 2011. Meşe- Kayın Karışık Ormanında Ormanaltı Yağış. İ.Ü. Orman Fakültesi Dergisi. 61 (1): 23-30.
  10. Özkan, O., C. Kınacı and Ş. Sağıroğlu, 2008. Çözünmüş Oksijen Değişiminin Yapay Sinir Ağları İle Belirlenmesi: Kızılırmak Nehri Örneği, İTÜ Dergisi/d mühendislik. Cilt: 5, Sayı: 3, Kısım: 1, 30-38, Haziran 2008.
  11. Özyuvacı, N., S. Özhan, F. Gökbulak, Y. Serengil and A. N Balcı, 2004. Effect of Selective Cutting on Streamflow in an Oak-Beech Forest Ecosystem Water Resources Management. 18: 249-262.
  12. Sattari, M.T., A.F. Fard, M. Docherkhesaz and