Affiliation:
1. KARADENİZ TEKNİK ÜNİVERSİTESİ
2. TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ
Abstract
Bu çalışmada bir akarsu havzasında takibi yapılan askıda katı madde (AKM) konsantrasyonu kapsamında, mansap verilerinden memba değerlerinin tahmin edilebilirliği hem regresyon analizinin doğrusal, üs, üstel ve kuadratik fonksiyonlara uygulanması hem de yapay sinir ağları (YSA) yöntemi ile araştırılmıştır. Kullanılan veriler Sera Deresi Havzası’nda (Trabzon) seçilen sekiz gözlem istasyonunda Haziran 2019-Mart 2020 döneminde 40 kez gerçekleştirilen örnekleme çalışmaları kapsamında elde edilmiş AKM verileridir. İstasyonlar memba (ilk dördü) ve mansap (son dördü) olarak iki gruba ayrılmıştır. Mansap verilerinin %50’si (iki istasyon) eğitim, %25’i (bir istasyon) doğrulama ve kalan %25’i (bir istasyon) test aşamasında kullanılmıştır. Farklı bağımsız değişken kombinasyonlarına sahip iki model oluşturulmuş olup ilk modelde (M1) sadece AKM verileri, diğer modelde (M2) ise AKM verilerinin yanı sıra örnekleme tarihlerine ait ay ve hafta bilgileri sayısallaştırılmış ve kullanılmıştır. Modellerin ve yöntemlerin tahmin performanslarının değerlendirilmesinde ortalama karesel hatanın karekökü, ortalama mutlak hata ve Nash-Sutcliffe (NS) verimlilik katsayısı olmak üzere üç farklı istatistik kullanılmıştır. Regresyon analizinde en iyi tahmin sonuçları üs fonksiyondan elde edilmiş olup YSA yönteminin regresyon analizine kıyasla daha iyi sonuçlar verdiği belirlenmiştir. Her iki yöntemde de M2 genel olarak daha iyi bir performans göstermiştir. YSA yönteminde M1 ve M2’den hesap edilen NS verimlilik katsayıları eğitim veri seti için sırasıyla 0.980 ve 0.997 ve test veri seti için ise 0.978 ve 0.978 olarak hesaplanmıştır. Bu değerler ile AKM modelleme çalışmalarında, gerçek verilerin ait olduğu tarih bilgilerinin bağımsız değişken olarak kullanımının model performansını olumlu etkileyeceği anlaşılmıştır. Bu çalışma kapsamında, akarsu havzalarının mansap tarafı AKM verilerinden memba tarafı AKM değerlerinin başarılı bir şekilde tahmin edilebileceği sonucuna ulaşılmıştır.
Publisher
Dogal Afetler ve Cevre Dergisi
Reference37 articles.
1. Atieh M., Mehltretter S.L., Gharabaghi B., Rudra R., (2015), Integrative neural networks model for prediction of sediment rating curve parameters for ungauged basins, Journal of Hydrology, 531, 1095-1107.
2. Bayazıt M., (1981), Hidrolojide istatistik yöntemler, İTÜ Matbaası, Gümüşsuyu, İstanbul, 223ss.
3. Bayazıt M., Yeğen Oğuz B., (2005), Mühendisler için istatistik, Birsen Yayınevi, İstanbul, 197ss.
4. Bayram A., Kankal M., (2015), Artificial neural network modeling of dissolved oxygen concentration in a Turkish Watershed, Polish Journal of Environmental Studies, 24(4), 1507-1515.
5. Bayram A., Kankal M., Onsoy H., (2012), Estimation of suspended sediment concentration from turbidity measurements using artificial neural networks, Environmental Monitoring and Assessment, 184(7), 4355-4365.