KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Teknolojik Bilimler Dergisi / 2015 / Cilt: 7 - Sayı: 1

GENETİK EVRİMSEL PROGRAMLAMA İLE YAĞIŞ TAHMİN MODELİ

PRECIPITATION PREDICTION MODEL WITH GENETIC EVALUATIONARY PROGRAMMING

Emine Dilek TAYLAN
Sayfa
8–21
Yayın Tarihi
2015-03-01
DOI
—
🏛️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)

GEP ile geliştirilen yağış modeli sayesinde eksik ya da ölçülmemiş yağış verilerinin tahmini aynı zamanda en düşük ve en yüksek yağış verilerinin tahmini kolaylıkla yapılabilecektir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmanın amacı Genetik Evrimsel Programlama (GEP) ve Yapay Sinir Ağları (YSA) yöntemlerini kullanarak en uygun yağış tahmin modelini geliştirmektir.
📊
Temel Bulgular & Veri:Kullanılan meteorolojik veriler 1975 yılından 2010 yılına kadar olan 36 yıllık periyottan oluşmaktadır.
💡
Sonuç & Katkı:GEP ile geliştirilen yağış modeli sayesinde eksik ya da ölçülmemiş yağış verilerinin tahmini aynı zamanda en düşük ve en yüksek yağış verilerinin tahmini kolaylıkla yapılabilecektir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010 Verileri
⚙️Değişkenler:Aylık Yağış · Genetik Evrimsel Programlama · Yapay Sinir Ağları

Özet

Bu çalışmanın amacı Genetik Evrimsel Programlama (GEP) ve Yapay Sinir Ağları (YSA) yöntemlerini kullanarak en uygun yağış tahmin modelini geliştirmektir. Söz konusu metotlar Türkiye’de Göller Bölgesinde yeralan Eğirdir’e düşen yağışı tahmin etmek için kullanılmışlardır. Eğirdir’e ait yağış verileri aynı bölgede yeralan Isparta ve Senirkent istasyomlarının yağış verileri kullanılarak tahmin edilmiştir. Aylık yağış tahminleri için veriler Meteoroloji Genel Müdürlüğü’nden alınmıştır. Kullanılan meteorolojik veriler 1975 yılından 2010 yılına kadar olan 36 yıllık periyottan oluşmaktadır. GEP ve YSA modelleri için farklı girdi değişkenleri denenerek en uygun girdi seti elde edilmeye çalışılmıştır. Model sonuçları ile tarihi yağış kayıtları mukayese edildiğinde GEP modellerinin YSA modellere göre daha iyi sonuçlar verdiği görülmüştür. GEP ile geliştirilen yağış modeli sayesinde eksik ya da ölçülmemiş yağış verilerinin tahmini aynı zamanda en düşük ve en yüksek yağış verilerinin tahmini kolaylıkla yapılabilecektir.

Abstract

The aim of this study was to develop an optimum precipitation prediction model, based on genetic evaluationary programming (GEP) and artificial neural network (ANN). The methodologies were applied to predict precipitation in Eğirdir located in the Lakes District of Turkey. The precipitation values of Eğirdir station were predicted using precipitation values of Isparta and Senirkent stations located in same region. For monthly precipitaion predictions, the data were taken from Turkish State Meteorological Service. The used data covered 36 years period during 1975-2010 for monthly precipitations. The GEP and ANN models were developed using different combinations of input variables. The comparison of historical records and models showed a better agreement in the GEP models than ANN models. With the help of GEP model for integrated precipitaton prediction, it is possible to estimate missing or unmeasured data and it was good at prediction of min and max precipitations.

🔖

Bu Makaleye Atıf Yap

TAYLAN, E. D. (2015). GENETİK EVRİMSEL PROGRAMLAMA İLE YAĞIŞ TAHMİN MODELİ. Uluslararası Teknolojik Bilimler Dergisi, Cilt: 7 - Sayı: 1, 8–21. https://ajindex.com/articles/847452

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (6)

  1. Ab. Ghani,, A., and Md. Azamathulla, H., 2011.Gene-Expression Programming for Sediment Transport in Sewer Pipe Systems., J. Pipeline Syst. Eng. Pract. 2(3), 102–106. Ahmad,S., Simonovic,S. P., 2005. An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of Hydrology. 315, 236-251. Braddock,R.D., Kremmer,M.L., Sanzogni,L., 1998. Feed-forward artificial neural network model for forecasting rainfall run-off. Environmetrics.9, 419-432.
  2. Chen, S.H., Lin, Y.H., Chang, L.C., Chang, F.J., 2006. The strategy of building a flood forecast model by neuro-fuzzy network. Hydrol. Processes. 20, 1525-1540. Dibike,Y.B., Solomatine, D.P., 2001. Stream flow forecasting using artificial neural networks. Phys. Chem. Earth (B). 26, 1-7.
  3. Ferreira, C., 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Syst. 13(2),87–129
  4. Ghorbani, M.A., Khatibi, R., Aytek, A., Makarynskyy, O., Shiri, J. 2010. Sea water level forecasting using genetic programming and comparing the performance with artificial neural networks.,Comput Geosci. 36,620–627
  5. Güven, A., Aytek, A., 2009. New approach for stage–discharge relationship: gene-expression programming. J Hydrol Eng. 14(8), 812–820.
  6. Hashmi, M.Z., Shamseldin, A.Y., Melville, B.W., 2011. Statistical downscaling of watershed precipitation using Gene Expression Programming (GEP).Environmental Modelling and Software. 26(12), 1639-1646. Imrie,C.E., Durucan,S., Korre,A., 2000. Stream flow prediction using artificial neural networks: generalisation beyond the calibration range. Journal of Hydrology.233, 138- 153. Jervase,J.A., Al-Lawati, A., Dorvlo,A.S.S., 2002. Contour maps for sunshine ratio for Oman using radial basis function generated data. Renewable Energy.28, 487-497. Keskin,M.E., Terzi, Ö., 2006. Artificial Neural Network models of Daily pan Evaporation. Journal of Hydrologic Engineering.11(1), 65-70. Lin,C.T., Lee,C.S.G., 1996. Neural Fuzzy Systems. Prentice Hall P.T.R., Upper Saddle Stream, NJ 07458. Luk,K.C., Ball,J.E., Sharma,A., 2000. A study of optimal model lag and spatial inputs to artificial neural network for rainfall forecasting. Journal of Hydrology.227, 56-65. McCulloch,W.S., Pitts,W., 1943. A logical calculus of ideas immanent in nervous activity. Bull. Math. Biophys. 5, 115-133. Ramirez,M. C. V., Velho,H. F. C., Ferreira,N. J., 2005. Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region. Journal of Hydrolog