Yapay sinir ağları ile zaman-konum bilgileri kullanılarak referans bitki su tüketiminin tahmin edilmesi
Estimation of reference evapotranspiration with artificial neural networks using information of time-location
- Tez No: 346663
- Danışmanlar: PROF. DR. KENAN UÇAN
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Yapay Sinir Ağları (YSA), Referans Bitki Su Tüketimi, Artificial Neural Networks (ANN), Reference Evapotranspiration
- Yıl: 2013
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyosistem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 222
Özet
Tahmin eşitlikleriyle referans bitki su tüketiminin (ETo) belirlenmesinde çeşitli meteorolojik verilere ihtiyaç duyulmaktadır. Bu verilerin elde edilmesi zor, zaman alıcı ve yüksek maliyet gerektirmektedir. Yapılan bu çalışmayla kolay temin edilebilen girdiler kullanılarak Yapay Sinir Ağları (YSA) ile ETo'nun ekonomik bir şekilde tahmin edilmesi amaçlanmıştır. Bu kapsamda; 'zaman' ve 'konum' değerleri kullanılarak, ETo değerleri YSA ile tahmin edilmeye çalışılmıştır. YSA'da konum bilgisi olarak; enlem, yükseklik ve denize uzaklık verileri kullanılmıştır. Çalışmada zaman-konum değerleriyle, FAO Penman-Monteith (FAO PM) eşitliği girdileri arasındaki ilişkiler belirlenmeye çalışılmıştır. Tahminlerde, Geri Yayılım Ağları da denilen Çok Katmanlı Algılayıcı (ÇKA) YSA kullanılmıştır. Yüksek performanslı ağlar elde etmek amacıyla farklı mimari ve algoritmalar denenmiştir. YSA'nın eğitiminde, girdi olarak 'zaman' ile birlikte, belirlenen iklim istasyonlarına ait konum değerleri ve beklenen çıktılar (hedef) olarak aynı istasyonlara ait FAO PM ETo değerleri kullanılmıştır. Elde edilen 'zaman-konum' YSA, girdileri 'FAO PM eşitlik parametreleri', 'zaman', 'zaman, enlem', 'zaman, enlem, yükseklik', 'zaman, enlem, yükseklik, denize uzaklık, bağıl nem, rüzgâr hızı' ve 'zaman, enlem, bağıl nem, rüzgâr hızı' olan 6 farklı girdi birleşimiyle (kombinasyon) eğitilen ağlarla karşılaştırılmıştır. Sonuç olarak, 'zaman-konum' girdileriyle eğitilen YSA'yla, FAO PM ETo değerleri yüksek bir yakınsama ile tahmin edilmiştir. Tahmin belirlilik katsayısı (R2) 0.97, ortalama mutlak hata (MAE) 0.24 mm bulunmuştur.
Özet (Çeviri)
Various meteorological data are required in the estimation of evapotranspiration (ETo) with estimation equations. It is hard and time consuming to obtain these data and requires high cost. With this study it was aimed to estimate ETo economically with Artificial Neural Networks (ANN) by using easily obtainable input. In this scope, it was aimed to estimate ETo values by using 'time' and 'location' information. Latitude, height and sea distance data were used as location information in ANN. In the study, the relation between time-location information and FAO Penman-Monteith (FAO PM) equation input. In the estimations, Multilayer Perceptron (MLP) ANN which is also named as Back Propagation Networks was used. In the training of ANN, location information of determined climate stations together with 'time' were used as input and FAO PM ETo values of the same stations were used as expected outputs (target). 'Time-location' ANN input which were obtained were compared with networks trained with 6 different input combinations which are 'FAO PM equation parameters', 'time', 'time, latitude', 'time, latitude, height', 'time, latitude, height, sea distance, relative humidity, wind speed' and 'time, latitude, relative humidity, wind speed'. As a result ETo was estimated with high convergence with ANN trained with 'time-location' input. Determination coefficient (R2) was 0.97, mean absolute error (MAE) was found 0.24 mm.
Benzer Tezler
- Türkiye elektrik piyasası kısa dönemli referans fiyat tahmini
Turkish electricity market short term market clearing price forecasting
SERCAN YILDIZ
Yüksek Lisans
Türkçe
2015
Ekonometriİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. SERMİN ONAYGİL
- Modelling longitudinal motion of an electric vehicle and wheel slip control through NN based uncertainty prediction
Elektrikli aracın boyuna hareketinin modellenmesi ve yapay sinir ağı tabanlı belirsizlik kestirimli tekerlek kayma kontrolü
DUYGU ÖZYILDIRIM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Artificial intelligence based detection schemes for secure wireless communication
Güvenli telsiz iletişimin sağlanmasına yönelik yapay zeka tabanlı sınıflandırma metotları
SELEN GEÇGEL
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR