KaydedilenlerDerginizi ekleyin

Dergiler / Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi / 2022 / Cilt: 38 - Sayı: 3

Göl Su Seviyesi Tahmininde Alt Bant Ayrıştırma Tekniklerinin Performanslarının İncelenmesi

Investigation Of Lake Water Level Forecasting Performances Of Subband Decomposition Techniques

Levent LATİFOĞLU
Tefaruk HAKTANİR
Sayfa
657–675
Yayın Tarihi
2022-12-30
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)

Elde edilen sonuçlara göre, su seviyesi verilerine uygulanan ön işleme yöntemleri ile elde edilen hibrit yaklaşımların model performansını iyileştirdiği gözlemlenmiştir ve EMD-ANN ve SSA-ANN hibrit modellerinin bir ila altı aylık bir tahmin dönemi için ortalama aylık göl suyu seviyelerini ANN ve DWT-ANN modeline göre daha iyi tahmin ettiği görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, doğal bir gölde ortalama su seviyesinin bir aydan altıncı aya kadar olan aylık ileri tahmini için hibrit yöntemler geliştirilmiştir.
📊
Temel Bulgular & Veri:Böylece üç farklı hibrit model elde edilmiş olup bu modellerin tahmin performansı analiz edilmiştir.
💡
Sonuç & Katkı:Elde edilen sonuçlara göre, su seviyesi verilerine uygulanan ön işleme yöntemleri ile elde edilen hibrit yaklaşımların model performansını iyileştirdiği gözlemlenmiştir ve EMD-ANN ve SSA-ANN hibrit modellerinin bir ila altı aylık bir tahmin dönemi için ortalama aylık göl suyu seviyelerini ANN ve DWT-ANN modeline göre daha iyi tahmin ettiği görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Göl su seviyesi tahmini · Yapay Sinir Ağları · Ampirik Kip Ayrıştırma

Özet

Bu çalışmada, doğal bir gölde ortalama su seviyesinin bir aydan altıncı aya kadar olan aylık ileri tahmini için hibrit yöntemler geliştirilmiştir. Göl su seviyesi verileri Ayrık Dalgacık Dönüşümü (DWT), Ampirik Kip Ayrıştırma (EMD), Tekil Spektrum Analiz (SSA) teknikleri kullanılarak ön işleme tabi tutulmuştur ve elde edilen bu alt bant sinyalleri Yapay Sinir Ağlarına (YSA) giriş verileri olarak uygulanmıştır. Böylece üç farklı hibrit model elde edilmiş olup bu modellerin tahmin performansı analiz edilmiştir. Elde edilen sonuçlara göre, su seviyesi verilerine uygulanan ön işleme yöntemleri ile elde edilen hibrit yaklaşımların model performansını iyileştirdiği gözlemlenmiştir ve EMD-ANN ve SSA-ANN hibrit modellerinin bir ila altı aylık bir tahmin dönemi için ortalama aylık göl suyu seviyelerini ANN ve DWT-ANN modeline göre daha iyi tahmin ettiği görülmüştür.

Abstract

In this study, hybrid methods have been developed for estimation of monthly average water level of a natural lake in the coming months from the next one to the sixth month ahead. Lake water level data were preprocessed using Discrete Wavelet Transform (DWT), Empirical Mode Decomposition (EMD), Singular Spectral Analysis (SSA) techniques and these subband signals were applied to the input data of Artificial Neural Networks (ANN). Thus, three different hybrid models were obtained and the prediction performance of these models was analyzed. According to obtained results, it was observed that the hybrid approaches obtained with the preprocessing methods applied to the water level data improved the model performance and EMD-ANN and SSA-ANN hybrid models were found to better predict average monthly lake water levels for a forecast period of one to six months than the ANN and DWT-ANN model

🔖

Bu Makaleye Atıf Yap

LATİFOĞLU, L., HAKTANİR, T. (2022). Göl Su Seviyesi Tahmininde Alt Bant Ayrıştırma Tekniklerinin Performanslarının İncelenmesi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, Cilt: 38 - Sayı: 3, 657–675. https://ajindex.com/articles/859176

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (1)

  1. Chow, V.T., Maidment, D.R., Mays, L.W. 1988. Applied Hydrology. McGraw-Hill. NY [2] Ebtehaj, I., Bonakdari, H., Gharabaghi, B. 2019. A reliable linear method for modeling lake level fluctuations. Journal of Hydrology, 570, 236–250. [3] Muşmal, H. 2015. Beyşehir Regülâtörü (Taş Köprü), Tarih Okulu Dergisi (TOD) Journal of History School (JOHS). 357-373 [4] Degens, E. T., Wong, H. K., Kempe, S., & Kurtman, F. (1984). A geological study of Lake Van, eastern Turkey. Geologische Rundschau, 73(2), 701–734. [5] Batur, E., Kadıoğlu, M., Özkaya, M., Saban, M., Akın, İ., Kaya, Y. 2008. Water Level Modelling of Lake Van and Estimation of Extrem Levels. Van Lake Hydrology and Pollution Conference, 10-25. [6] Kılınçaslan, T. 2000. The rising water level in Lake Van: environmental features of the Van basin which increase the destructive effect of the disaster. Water Science and Technology, 42(1–2), 173–177. [7] Box, G.E.P., Jenkins, G.M. 1970. Time Series Analysis: Forecasting and Control. Holden-Day. San Francisco. [8] Carlson, R.F., MacCormick, A.J.A., Watts, D. G. 1970. Application of linear random models to four annual streamflow series. Water Resources Research. 6, 1070-1078. [9] Grimaldi, S. 2004. Linear parametric models applied to daily hydrological series. Journal of Hydrologic Engineering. 9, 383-391. [10] Noakes, D.J., McLeod, A.I., Hipel, K.W. 1985. Forecasting monthly riverflow time series. International Journal of Forecasting. 1:179-190. [11] Sifuzzaman, M., Islam, M.R., Ali, M.Z., 2009. Application of wavelet transform and its advantages compared to fourier transform. J. Phys. Sci. 13, 121–134. [12] Cahill, A.T. 2002. Determination of changes in streamflow variance by means of a wavelet‐based test. Water Resources Research, 38, 1065-1078. [13] Padmanabhan, G., Rao. A.R. 1988. Maximum entropy spectral analysis of hydrologic data. Water Resources Research. 24, 1519-1533. [14] Smith, L. C., Turcotte, D. L., Isacks, B. L. 1998. Stream flow characterization and feature detection using a discrete wavelet transform. Hydrological processes. 12, 233-249. [15] Yakowitz, S. J. 1973. A stochastic model for daily river flows in an arid region. Water Resources Research. 9, 1271-1285. [16] Kentel, E. 2009. Estimation of river flow by artificial neural networks and identification of input vectors susceptible to producing unreliable flow estimates. Journal of hydrology. 375, 481-488. [17] Hydrology, A. T. C. on A. of A. N. N. in. 2000. Artificial neural networks in