Dergiler / Çukurova Üniversitesi Mühendislik Fakültesi dergisi / 2016 / Cilt: 31 Sayı: 2

Yapay Sinir Ağı Yöntemleri ile Aşağı Seyhan Ovası Alt Havzası Yağış-Akış İlişkisinin Modellenmesi ve Yağışlı-Kurak Dönemler Açısından İrdelenmesi

Modelling of Rainfall-Runoff Relation with Artificial Neural Network Methods for Lower Seyhan Plain Sub-Basin and Assessment in Point of Rainy-Droughty Terms

Sayfa
227–242
Yayın Tarihi
2016-12-15
🏛️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)

Bu bağlamda StandartlaĢtırılmıĢ YağıĢ Ġndeksi (SYĠ) analizi de yapılarak tahmin modeli test edilmiĢtir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda yağıĢ-akıĢ iliĢkisini modellemede yapay zeka tekniklerinin kullanımı çok yaygınlaĢmıĢtır.
📊
Temel Bulgular & Veri:Bu çalıĢmada AĢağı Seyhan Ovası Alt Havzası’ndaki belirlenmiĢ Akım Gözlem Ġstasyonu (AGĠ) ve Çatalan, Karaisalı YağıĢ Gözlem Ġstasyonu (YAGĠ) verilerinden yararlanılarak yağıĢ-akıĢ iliĢkisinin modellenmesi üzerine çalıĢılmıĢtır. Ġleri Beslemeli Geri Yayınımlı (ĠBGYSA) ve GenelleĢtirilmiĢ Regresyon Yapay Sinir Ağları (GRYSA) gibi farklı Yapay Sinir Ağı (YSA) yöntemleri kullanılmıĢtır.
💡
Sonuç & Katkı:Bu bağlamda StandartlaĢtırılmıĢ YağıĢ Ġndeksi (SYĠ) analizi de yapılarak tahmin modeli test edilmiĢtir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay sinir ağları · YağıĢ-akıĢ · AĢağı Seyhan alt havzası

Özet

Son yıllarda yağıĢ-akıĢ iliĢkisini modellemede yapay zeka tekniklerinin kullanımı çok yaygınlaĢmıĢtır. Bu çalıĢmada AĢağı Seyhan Ovası Alt Havzası’ndaki belirlenmiĢ Akım Gözlem Ġstasyonu (AGĠ) ve Çatalan, Karaisalı YağıĢ Gözlem Ġstasyonu (YAGĠ) verilerinden yararlanılarak yağıĢ-akıĢ iliĢkisinin modellenmesi üzerine çalıĢılmıĢtır. Ġleri Beslemeli Geri Yayınımlı (ĠBGYSA) ve GenelleĢtirilmiĢ Regresyon Yapay Sinir Ağları (GRYSA) gibi farklı Yapay Sinir Ağı (YSA) yöntemleri kullanılmıĢtır. Elde edilen sonuçlar Çoklu Doğrusal Olmayan Regresyon (ÇDOR) yöntemi sonuçları ile karĢılaĢtırılmıĢtır. Bu bağlamda StandartlaĢtırılmıĢ YağıĢ Ġndeksi (SYĠ) analizi de yapılarak tahmin modeli test edilmiĢtir.

Abstract

Recently, using artificial intelligence techniques for modelling of rainfall-runoff relation is a very common application. In this study, modelling of rainfall-runoff relation for Lower Seyhan Plain Sub-Basin was applied with using existed flow data of certain Flow Observation Stations (FOS) in this basin and rainfall data of Çatalan, Karaisalı Rainfall Observation Stations (ROS). Different artificial neural network methods as Feed Forward Back Propagation Neural Networks (FFBPNN) and Generalized Regression Neural Networks (GRNN) were used. Obtained results were compared with Multiple Non-Linear Regression (MNLR) results. In this context, also analysing by using the Standardized Precipitation Index (SPI) method, estimation model has been tested.

🔖

Bu Makaleye Atıf Yap

Çağatay, H. Ö., Çetin, A. (2016). Yapay Sinir Ağı Yöntemleri ile Aşağı Seyhan Ovası Alt Havzası Yağış-Akış İlişkisinin Modellenmesi ve Yağışlı-Kurak Dönemler Açısından İrdelenmesi. Çukurova Üniversitesi Mühendislik Fakültesi dergisi, Cilt: 31 Sayı: 2, 227–242. https://doi.org/10.21605/cukurovaummfd.310289

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. ġahin, M., 2007. Karadeniz Bölgesindeki YağıĢ-AkıĢ ĠliĢkisinin Farklı Yapay Sinir Ağları Metotlarıyla Belirlenmesi, Yüksek Lisans Tezi, ĠTÜ Fen Bilimleri Enstitüsü, Ġstanbul.
  2. GümüĢ, V., KavĢut, M.E., Yenigün, K., 2010. YağıĢ-AkıĢ ĠliĢkisinin Modellenmesinde Orta Fırat Havzası Uygulaması, 2. Su Yapıları Sempozyumu, 14-16 Ekim, Diyarbakır.
  3. Sattari, M.T., Yürekli, K., Ünlükara, A., 2011. Karaman Ġlinde Yapay Sinir Ağları YaklaĢımı Kullanılarak Kuraklığın Tahmini, Tarım Bilimleri AraĢtırma Dergisi, Vol:4, No:1, pp:07-13.
  4. Turhan, E., 2012. Seyhan Havzası’nın YağıĢ-AkıĢ ĠliĢkisinin Yapay Sinir Ağları Yöntemi ile Modellenmesi, Yüksek Lisans Tezi, Adana.
  5. GümüĢ, V., Soydan, N.G., ġimĢek, O., Aköz, M.S., Kırkgöz, M.S., 2013. YağıĢ-AkıĢ ĠliĢkisinin Belirlenmesinde Farklı Yapay Sinir Ağı Yöntemlerinin KarĢılaĢtırılması, Ç.Ü. Müh.-Mim. Fak. Dergisi, Vol:28, No:1, 37-49.
  6. Seyran, Z., 2009. AĢağı Seyhan Ovasının GeçmiĢten Günümüze Arazi Kullanımındaki DeğiĢiminin Coğrafi Bilgi Sistemleri ve Uzaktan Algılama ile Belirlenmesi, Yüksek Lisans Tezi, Adana.
  7. Yeler, O., ġatır, O., Berberoğlu, S., 2014. Tarımsal Ürün Deseninin Çok Zamanlı Landsat Veri Seti Kullanılarak Obje Tabanlı Belirlenmesi: AĢağı Seyhan Ovası Örneği, 5. Uzaktan Algılama- CBS Sempozyumu (Uzal-CBS), 14-17 Ekim, Ġstanbul.
  8. Doğru, F., 2015. Güncel Optimizasyon Yöntemleri Kullanılarak Rezidüel Gravite Anomalilerinden Parametre Kestirimi, Hacettepe Yer Bilimleri Uygulama ve AraĢtırma Merkezi Bülteni, Vol:36, No:1, 31-43.
  9. KeleĢoğlu, Ö., Akarsu, E.E., 2008. Betorname Bir Binada Yıllık Isı Kaybı ve Enerji Ġhtiyacının Yapay Sinir Ağları ile Belirlenmesi, e-Journal of New World Sciences Academy, Vol:3, No:2, A0079, 381-390.
  10. Konate, A.A., Pan, H., Khan, N., Yang, J.H., 2015. Generalized Regression and Feed-Forward Back Propagation Neural Networks in Modelling Porosity from Geophysical Well Logs, Journal of Petroleum Exploration and Production Technology, ISSN 2190-0558, DOI 10.1007/s13202-014-0137-7.
  11. Seçkin, N., Güven, A., Yurtal, R., 2010. TaĢkın Debilerinin Yapay Sinir Ağları ile Modellenmesi: Örneksel Bölge ÇalıĢması-Batı Karadeniz Havzası, Ç.Ü. Müh. Mim. Fak. Dergisi, Vol.25, No:1-2, 45-57, Adana.
  12. Keskin, M.E., Terzi, Ö., Taylan, E.D., Yılmaz, A.G., 2007. Isparta Bölgesi Meteorolojik Kuraklık Analizi, I. Türkiye Ġklim DeğiĢikliği Kongresi- TĠKDEK, 11-13 Nisan, 350-359, Ġstanbul.
  13. EĠEĠ, 2005. Su Akımları Yıllığı Kitabı, Ankara.