KaydedilenlerDerginizi ekleyin

Dergiler / Toprak Su Dergisi / 2019 / Özel Sayı

Bulanık Yapay Sinir Ağları ve Çok Katmanlı Yapay Sinir Ağları ile Günlük Buharlaşma Tahmini

Estimation of Daily Evaporation Using Fuzzy Artificial Neural Network (ANFIS) and Multilayer Artificial Neural Network System (YSA)

Demet Yıldırım(SAMSUN KARADENİZ TARIMSAL ARAŞTIRMA ENSTİTÜSÜ MÜDÜRLÜĞÜ)0000-0002-1239-2588
Bilal Cemek(ONDOKUZ MAYIS ÜNİVERSİTESİ)0000-0002-0503-6497
Erdem Küçüktopcu(ONDOKUZ MAYIS ÜNİVERSİTESİ)0000-0002-8708-2306
Sayfa
24–31
Yayın Tarihi
2019-12-24
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak YSA ve ANFİS metotları özellikle sınırlı iklim parametrelerinin olduğunda buharlaşmayı tahmin etmede yararlı araçlardan olduğu belirlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Hidrolojik döngü için buharlaşma önemli parametrelerden biridir.
📊
Temel Bulgular & Veri:Bu çalışmada farklı iklim parametreleri kullanılarak günlük buharlaşmayı tahmin etmek için Yapay Sinir Ağları (YSA) ve Uyarlamalı Ağ Yapısına Dayalı Bulanık Çıkarım Sistemi (ANFİS) yöntemleri kullanılmıştır.
💡
Sonuç & Katkı:Sonuç olarak YSA ve ANFİS metotları özellikle sınırlı iklim parametrelerinin olduğunda buharlaşmayı tahmin etmede yararlı araçlardan olduğu belirlenmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:ANFIS · günlük buharlaşma · Samsun

Özet

Hidrolojik döngü için buharlaşma önemli parametrelerden biridir. Buharlaşma su döngüsü ve sulama yönetimi gibi birçok çalışma için kullanılır. Buharlaşmayı hesaplamak için çeşitli yaklaşımlar geliştirilmiştir. Bu çalışmada farklı iklim parametreleri kullanılarak günlük buharlaşmayı tahmin etmek için Yapay Sinir Ağları (YSA) ve Uyarlamalı Ağ Yapısına Dayalı Bulanık Çıkarım Sistemi (ANFİS) yöntemleri kullanılmıştır. Bu metotlarda test ve eğitim verisi olarak 3 meteoroloji istasyon (Samsun. Bafra ve Çarşamba) verisi kullanılmıştır. Ortalama sıcaklık, bağıl nem, güneşlenme şiddeti ve rüzgâr hızı farklı kombinasyonlar da tahmin için kullanılmıştır. Belirtme katsayısı (R2), tahmin hatasının standart sapması (RMSE), ortalama mutlak hata (MAE) gibi farklı istatistik parametreleri kullanılarak model performansını değerlendirilmiştir. Sonuç olarak YSA ve ANFİS metotları özellikle sınırlı iklim parametrelerinin olduğunda buharlaşmayı tahmin etmede yararlı araçlardan olduğu belirlenmiştir.

Abstract

Evaporation is one of the important parameters of hydrolojical cycle. Evaporation is used for many studies. such as water balange. planning and management of irrigation practices. In order to estimate of evaporation is used various approachs. Instudy Artifical Neural Network (ANN) and Adaptive Neuro- Fuzzy İnference System (ANFIS) is employed to estimate daily evaporation using different climatic parameters. For these methods are trained and tested using the data of three weather stations (Samsun, Bafra and Çarşamba). Mean temperature, relative humidity, global radiation, wind speed are used to estimate different conbination for these models. Different statistic parameters such as coffecient of determination (R2), root mean square error (RMSE), mean absolute error (MAE) are used to evaluate performance of the methods. The results showed that ANN and ANFİS methods are useful tools to estimate of evaporation especially when the limited climate parameters are used.

🔖

Bu Makaleye Atıf Yap

Yıldırım, D., Cemek, B., Küçüktopcu, E. (2019). Bulanık Yapay Sinir Ağları ve Çok Katmanlı Yapay Sinir Ağları ile Günlük Buharlaşma Tahmini. Toprak Su Dergisi, Özel Sayı, 24–31. https://doi.org/10.21657/topraksu.654778

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (22)

  1. Antonopoulos VZ, Antonopoulos AV (2017). Daily reference evapotranspiration estimates by artificial neural networks technique and empirical equations using limited ınput climate variables. Computers and Electronics in Agriculture. 132: 86-96.
  2. Afşar S (2008). Yapay sinir ağları ve bulanık mantık yöntemleri kullanılarak tava buharlaşma tahmini yapılması. İnşaat Müh. ABD. Yüksek Lisans Tezi. Kayseri. Atiaa AM, Abdul-Qadır AM (2012). Using Fuzzy Logic for Estimating Monthly Pan Evaporation From Meteorological Data in Emara/South of Iraq. J. Baghdad for Sci., 9(1): 133- 140. Boroomand-Nasab B, Joorabian M (2012). Estimating Monthly Evaporation Using Artificial Neural Networks. Journal of Environmental Science and Engineering. 5:88-91.
  3. Cemek B, Yıldırım D, Atiş A, Köksal ES, Temizel K (2010). Samsun ili aylık referans bitki su tüketiminin yapay sinir ağlarıyla belirlenmesi. I. Ulusal Su Kaynakları Kongresi. I / s. 44-52. 1-4 Haziran 2010,
  4. Eskişehir. Cemek B, Ünlükara A, Karaman S, Yıldırım D, Atiş A (2011). Marul yetiştirilen topraklarda toprak tuzluluğunun yapay sinir ağları ile belirlenmesi. II. Ulusal Toprak ve Su Kaynakları Kongresi. II / s. 811-817. 22-25
  5. Kasım, Ankara.
  6. Chung CH, Chiang YM, Chang FJ (2012). A Spatial Neural Fuzzy Network for Estimating Pan Evaporation at Ungauged Sites. Hydrology and Earth System Sciences, 16. 255–266.
  7. Doğan E, Işık S (2005). Sapanca Gölü Günlük Buharlaşma Miktarının Radyal Temelli Yapay Sinir Ağı Modeli Kullanılarak Tahmin Edilmesi. Bilim Modern Yöntemler Sempozyumu, s. 807-814. Kasım 16-18.
  8. Kocaeli. Hebb D (1949). The Organization of Behavior. Willey. NewYork. Jang (1993). ANFIS: Adaptive-network-based fuzzy ınference system. IEEE Trans. Syst. Man. Cybern, 2: 665– 685. Jang JS, Sun CT, Mizutani E (1997). Neuro-fuzzy and soft computing: A computational approach to learning and machine ıntelligence. Upper Saddle River. NJ: Prentice-Hall. 5-15.
  9. Kişi O (2006). Daily pan evaporation modelling using a neuro-fuzzy computing technique, J. Hydrol., 329: 636–646.
  10. Karimi-Googhari S (2012). Daily pan evaporation estimation using a neuro-fuzzy-based model. Journal of Agricultural Science and Technology. 2: 223-228.
  11. McCullogh WS, Pitts WA (1943). A logical calculus of the ıdeas ımmanent in nervous activity. Bull. Math. Biophysics. Vol. 5: 115-133 p. Sudheer PK, Gosain AK, Mohana RD, Saheb SM (2002). Modeling evaporation using an artificial neural network algorithm. hydrological process. 16:3189- 3202. Terzi Ö, Keskin EM (2005). Yapay sinir ağları yaklaşımı kullanarak günlük tava buharlaşmanın tayini. YMO Teknik Dergi. 3683-3693.
  12. Antonopoulos VZ, Antonopoulos AV (2017). Daily reference evapotranspiration estimates by artificial neural networks technique and empirical equations using limited ınput climate variables. Computers and Electronics in Agriculture. 132: 86-96.
  13. Afşar S (2008). Yapay sinir ağları ve bulanık mantık yöntemleri kullanılarak tava buharlaşma tahmini yapılması. İnşaat Müh. ABD. Yüksek Lisans Tezi. Kayseri. Atiaa AM, Abdul-Qadır AM (2012). Using Fuzzy Logic for Estimating Monthly Pan Evaporation From Meteorological Data in Emara/South of Iraq. J. Baghdad for Sci., 9(1): 133- 140. Boroomand-Nasab B, Joorabian M (2012). Estimating Monthly Evaporation Using Artificial Neural Networks. Journal of Environmental Science and Engineering. 5:88-91.
  14. Cemek B, Yıldırım D, Atiş A, Köksal ES, Temizel K (2010). Samsun ili aylık referans bitki su tüketiminin yapay sinir ağlarıyla belirlenmesi. I. Ulusal Su Kaynakları Kongresi. I / s. 44-52. 1-4 Haziran 2010,
  15. Eskişehir. Cemek B, Ünlükara A, Karaman S, Yıldırım D, Atiş A (2011). Marul yetiştirilen topraklarda toprak tuzluluğunun yapay sinir ağları ile belirlenmesi. II. Ulusal Toprak ve Su Kaynakları Kongresi. II / s. 811-817. 22-25
  16. Kasım, Ankara.
  17. Chung CH, Chiang YM, Chang FJ (2012). A Spatial Neural Fuzzy Network for Estimating Pan Evaporation at Ungauged Sites. Hydrology and Earth System Sciences, 16. 255–266.
  18. Doğan E, Işık S (2005). Sapanca Gölü Günlük Buharlaşma Miktarının Radyal Temelli Yapay Sinir Ağı Modeli Kullanılarak Tahmin Edilmesi. Bilim Modern Yöntemler Sempozyumu, s. 807-814. Kasım 16-18.
  19. Kocaeli. Hebb D (1949). The Organization of Behavior. Willey. NewYork. Jang (1993). ANFIS: Adaptive-network-based fuzzy ınference system. IEEE Trans. Syst. Man. Cybern, 2: 665– 685. Jang JS, Sun CT, Mizutani E (1997). Neuro-fuzzy and soft computing: A computational approach to learning and machine ıntelligence. Upper Saddle River. NJ: Prentice-Hall. 5-15.
  20. Kişi O (2006). Daily pan evaporation modelling using a neuro-fuzzy computing technique, J. Hydrol., 329: 636–646.
  21. Karimi-Googhari S (2012). Daily pan evaporation estimation using a neuro-fuzzy-based model. Journal of Agricultural Science and Technology. 2: 223-228.
  22. McCullogh WS, Pitts WA (1943). A logical calculus of the ıdeas ımmanent in nervous activity. Bull. Math. Biophysics. Vol. 5: 115-133 p. Sudheer PK, Gosain AK, Mohana RD, Saheb SM (2002). Modeling evaporation using an artificial neural network algorithm. hydrological process. 16:3189- 3202. Terzi Ö, Keskin EM (2005). Yapay sinir ağları yaklaşımı kullanarak günlük tava buharlaşmanın tayini. YMO Teknik Dergi. 3683-3693.