Spatial data analysis for monitoring and prediction of selected water quality parameters in reservoirs: Porsuk dam reservoir case
Rezervuarlarda seçilmiş su kalitesi parametrelerini izleme ve tahmin için mekansal veri analizi: Porsuk baraj gölü örneği
- Tez No: 355299
- Danışmanlar: DOÇ. DR. AYŞEGÜL AKSOY, PROF. DR. HAFİZE ŞEBNEM DÜZGÜN
- Tez Türü: Doktora
- Konular: Çevre Mühendisliği, Environmental Engineering
- Anahtar Kelimeler: İzleme ağı, Kernel Yoğunluk Tahmini, kriging, Porsuk Baraj Gölü, SGeMS, Monitoring network, kernel density estimation, kriging, Porsuk Dam Reservoir, SGeMS
- Yıl: 2014
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Çevre Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 241
Özet
Su kalite izleme ağlarının oluşturulmasında, örnekleme noktalarının seçimi su kütlesindeki su kalitesinin doğru belirlenmesi açısından çok önemlidir. Bununla birlikte, analiz ve arazi çalışmalarının yüksek maliyet gerektirmesi bu seçimi daha da önemli hale getirmektedir. Bu çalışmada, seçilmiş su kalitesi parametrelerinin mekansal dağılımının jeoistatistiksel yöntemler kullanılarak oluşturulması ile baraj ve göllerde temsili örnekleme noktalarının belirlenmesi için yeni bir yaklaşım geliştirilmiştir. Bu amaçla, kernel yoğunluk tahmini (KDE), iki-boyutlu kriging yöntemi ile birlikte 2010 yılı Ağustos ayında elde edilen çözünmüş oksijen (ÇO) konsantrasyonu verileri kullanılarak Porsuk Baraj Gölü temsili örnekleme noktalarını belirlemek için uygulanmıştır. KDE, örnekleme ağındaki toplam örnekleme sayısını azaltmak için uzaklaştırılacak noktaların belirlenmesi amacıyla kullanılmıştır. Böylece, her seferinde 4 veya 5 örnekleme noktası uzaklaştırılarak farklı örnekleme ağları örnekleme noktaları 65'den 10'a düşürülerek oluşturulmuştur. Örnekleme ağları için ÇO variogramları ve kriging haritaları oluşturulmuştur. Temsili örnekleme noktalarından oluşan ağ, variogram modelleri, kriging haritaları, standart hata haritaları ve verifikasyon sonuçları değerlendirilerek belirlenmiştir. Buna göre, ÇO verileri baz alındığında göldeki mekansal ilişkinin yansıtılabilmesi için 35 örnekleme noktasına ihtiyaç vardır. Seçilen örnekleme ağının, Özgül İletkenlik (Öİ) parametresi için de uygunluğu kontrol edilmiştir. Bununla birlikte arazi kullanımı göz önüne alınarak ÇO ve Öİ parametrelerinin yüzeyde oluşturduğu kümelenmeler irdelenmiştir. Daha sonra önerilen metodun etkinliği, uzmanlar tarafından seçilen örnekleme ağlarına karşı test edilmiştir. Sonuçlar, çözünmüş oksijen parametresi mekansal korelasyonunu sürdürmesi sebebiyle bu çalışmada önerilen metodun daha iyi olduğunu göstermiştir. Çalışmanın ikinci bölümünde, Stanford Jeoistatistiksel Modelleme yazılımı (SGeMS) kullanılarak 81 noktadan elde edilen ÇO verisi için üç boyutlu kriging uygulanmıştır. Böylece, yalnızca PDR yüzeyindeki değil alt tabakalardaki kümelenmeler de krililik giriş noktaları dikkate alınarak değerlendirilmiştir. İki boyutlu ve üç boyutlu kriging uygulamaları neticesinde elde edilen kriging haritaları karşılaştırılmış ve ÇO için benzer kümeler gözlenmiştir. Son olarak çözünmüş oksijen, iletkenlik ve sıcaklık parametrelerinin üç boyutlu dağılımları termoklin tabakasının belirlenmesi için incelenmiştir. Buna göre geleneksel örnekleme çalışmalarında toplam derinliğin yarısından alınan numunelerin termoklin tabakası ile çakışmayabileceği ve su kalitesinin hatalı değerlendirilmesine sebep olabileceği görülmüştür.
Özet (Çeviri)
In the design of a water quality monitoring network, selection of water quality sampling locations is crucial to adequately represent the water quality of the water body when high costs of analyses and field work are taken into account. In this study, a new approach was proposed to identify the representative water quality sampling locations in reservoirs and lakes using geostatistical tools for estimation of spatial distribution of selected water quality parameters. To do so, kernel density estimation (KDE) was coupled with ordinary 2-dimensional kriging (OK) in order to select the representative sampling locations in kriging of dissolved oxygen (DO) concentrations in Porsuk Dam Reservoir (PDR). Field data obtained in August 2010 were used to start the process of sampling point elimination while maintaining the spatial correlation structure of DO. KDE was used as a tool to aid in identification of the sampling locations that would be removed from the sampling network in order to decrease the total number of samples. Accordingly, several networks were generated in which sampling locations were reduced from 65 to 10 in increments of 4 or 5 points at a time based on kernel density maps. DO variograms were constructed and DO values in PDR were kriged. Performance of the networks in DO estimations were evaluated through various error metrics, standard error maps (SEM), and whether the spatial correlation structure was conserved. Results indicated that lower sampling points resulted in loss of information in regard to spatial correlation structure in DO when more than 30 sampling points were removed from the initial 65. Representativeness of the selected network for specific conductivity (SC) was also checked and confirmed. Furthermore, potential hotspots for DO and SC were also assessed based on landuses in the vicinity of PDR. Then, efficacy of the representative sampling locations selection method was tested against the networks generated by experts. It was shown that the evaluation approach used in this study provided a better sampling network design in which the spatial correlation structure of DO was sustained. In the second part of the study, three-dimensional (3D) kriging of DO with the 81 sampling points was performed using Stanford Geostatistical Modeling Software (SGeMS). Hence, not only the hotspots at the surface of PDR but also in deeper layers were constituted and evaluated in terms of the inlets of pollution sources. Similar hotspots were obtained both for 2D kriging and 3D kriging of DO for the dataset used in this study. Moreover, 3D distributions of DO, SC and temperature were constituted to determine the location of the thermocline layer. It was identified that the traditional approach of collecting samples from mid depths may cause incomplete characterization and evaluation of water quality since thermocline layer may not coincide with mid-depth.
Benzer Tezler
- Evaluating BFAST algorithm in landsat time series analysisof monitoring deforestation dynamics in coniferousand deciduous forests
Landsat zaman serisi ile iğne ve geniş yapraklı ormanlardaormansızlaşma dinamiklerinin izlenmesinde BFASTalgoritmasının değerlendirilmesi
NOOSHIN MASHHADI
Yüksek Lisans
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiCoğrafi Bilgi Teknolojileri Ana Bilim Dalı
Assist. Prof. Dr. UĞUR ALGANCI
- Yeraltı su kalitesinin tahmin modelleri kullanılarak değerlendirilmesi; Gediz Havzası örneği
Evaluation of groundwater quality by using prediction models; Gediz Basin
HATİCE KÜBRA DEMİR
Yüksek Lisans
Türkçe
2020
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Rüzgar enerji santralları üretim ve işletme değişkenlerinin çoklu-yarıvariogram yöntemi ile alansal tahmini
Spatial forecast of production and operation parameters from wind power plants using multi-semivariogram method
MURAT DURAK
Doktora
Türkçe
2018
Enerjiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET DURAN ŞAHİN
- Utilizing corine land cover data in diverse spatial decision making and management processes
Çeşitli mekansal karar alım ve yönetim süreçlerinde corine arazi örtüsü verisinden yararlanılması
ARTAN HYSA
Doktora
İngilizce
2018
Peyzaj Mimarlığıİstanbul Teknik ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. FATMA AYÇİM TÜRER BAŞKAYA
- Uzaktan algılama verilerinden su kalitesi parametrelerinin tespit edilmesi
Detection of water quality parameters from remote sensing data
ERSAN BATUR
Doktora
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MİTHAT DERYA MAKTAV