Modern yöntemlerle korelasyon, mesafe, yükseklik matrisi tabanlı yağış tahmin modelleri
Precipitation prediction of correlation, distance, elevation matrix based models by modern methods
- Tez No: 558455
- Danışmanlar: PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Hidrolik ve Su Kaynakları Mühendisliği Bilim Dalı
- Sayfa Sayısı: 171
Özet
Su hayatın iksiridir. Su sadece doğal hayatı değil, aynı zamanda sürdürülebilir bir kalkınma için önemli bir bileşendir. Sosyoekonomik gelişme, sağlıklı ekosistemler ve insanın hayatta kalması için kritik öneme sahiptir. Aynı zamanda, insanlar için birçok fayda ve hizmetin üretimi ve korunması için de merkezidir. Ayrıca, su zaman ve mekanda sınırlı ve yeri doldurulamaz bir kaynaktır ve yalnızca iyi yönetildiği takdirde varlığını sürdürebilir. Yerkürenin olmazsa olmazı olan su atmosferde katı, sıvı ve gaz halinde bulunur. Su buharının yoğunlaşarak katı veya sıvı halde yeryüzüne inmesi olayına ise yağış denir. O halde yağış, bir ülkenin refahını ve ekonomik senaryosunu belirleyen kaçınılmaz bir parçasıdır. Yağış, zamana ve mekana göre değişen karmaşık, doğrusal olmayan bir atmosferik süreçtir. Bu nedenle yağışın anlaşılması, doğru ve eksiksiz ölçümü ve tahmini de yağış kadar karmaşık ve zor bir süreçtir. Hidrolojik açıdan bakıldığında yağış hidrolojinin başlangıç noktası ve itici güç görevi görür. Birçok hidrolojik modelin ana girdisi yağıştır. Yağış su kaynaklarını doğrudan etkiler. Bu nedenle yağışın tahmini her dönemde kritik öneme sahiptir. Ayrıca yağış tahmini su kaynaklarının yönetimi ve planlanması, su yapılarının projelendirilmesi ve tasarımı, havzaların hidrolojik modellemesi, sel ve taşkınlara karşı erken uyarı sistemlerinin geliştirilmesi, tarımsal faaliyetler ve şehir planlamaları gibi daha pek çok konuda kritik yer tutmaktadır. Hızlı hareket eden dünyada, özellikle küresel ısı seviyeleri yükselirken yağış tahmini bir zorunluluk haline gelmiştir Yağışın doğru tahmin edilmesi hidrolojik araştırmalarda en önemli konulardan biri olmuştur. Yağışların değişen düzenlerini analiz etmek sadece insani ihtiyaçlar için değil, aynı zamanda beklenmeyen şiddetli yağışların yol açabileceği doğal afetleri tahmin etmek ve gelecek hakkında fikir sahibi olabilmek için güvenilir tahminlere duyulan ihtiyaçı arttırmaktadır. Günümüzde araştırmacılar, hidrolojik olayların tahmini için amprik, matematiksel ve son zamanlarda adını sıkca duyduğumuz yapay zeka teknikleri geliştirmiştir. Bu çalışma kapsamında aylık ortalama yağış değerleri kullanılarak yağış tahmin modellemesi yapılmıştır. Yağış esnasında ölçümü yapılamamış verileri, aynı havzada bulunan diğer istasyon verileri yardımıyla tahmini amaçlanmıştır. Bu amaçla istasyonlar arasıda bir takım benzerlik kıstasları belirlenmiştir. Yağış tahmini için istasyonlar arasında oluşturulan bu benzerlik kıstasları; istasyonların arası korelasyon ,mesafe ve yükseklik olarak belirlenmiştir. Benzerliklerden faydalanmak için istasyonlar arası korelasyon matrisi, mesafe matrisi ve yükseklik matrisi oluşturulmuş ve matrisler ışığında farklı girdi kombinasyonları ile model yapısı belirlenmiştir. Matris tabanları yardımıyla oluşturulan modellerin, uyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS), K-en yakın komşuluk (K-NN) ve çoklu doğrusal regresyon (ÇDR) yöntemleri aracılığı ile yağış tahmini yapılmıştır. Yukarı Fırat havzası sınırları içerisinde yer alan, 18 adet yağış gözlem istasyonunun 1980-2010 yılları arasına ait aylık ortalama yağış değerleri kullanılmıştır. Aylık ortalama yağış verilerinin 228 adedi modelin kalibrasyonunda, geriye kalan 144 adet veri ise model başarısının test edilmesinde kullanılmıştır. Oluşturulan modellerin analizi ve tahmin yeteneği istatiksel başarı kriterleri yardımıyla değerlendirilmiştir. Elde edilen sonuçlar göz önüne bulundurularak korelasyon, mesafe ve yükseklik matrisi tabanlı oluşturulan modellerin yağış tahmine katkısı irdelenmiştir. Korelasyon ve mesafe matrisi tabanlı modellerde yakın CE katsayıları elde edildiği ancak korelasyon matrisi tabanlı modellerin daha az girdi sayısı ile yüksek başarı sağladığı, mesafe matrisi tabanlı modellerin bu yönüyle korelasyona nispeten geride kaldığı görülmüştür. Yükseklik matrisi tabanlı modellerin diğer iki matris tabanından kıyasla çok az farklarla daha düşük CE sonuçlar verdiği ve yüksek başarı için daha çok girdi sayısınına ihtiyaç olduğu görülmüştür. Bunun yanı sıra yağış tahmini için kullanılan tahmin yöntemlerinin uygulanabilirliliği tartılışmıştır. Her üç yöntemde de yakın CE değerleri elde edilmiş ancak bulanık mantık yönteminin özellikle korelasyon matrisi tabanlı modellerde az girdi sayısıyla yükek başarı elde edildiği görülmüştür. Çalışmanın birinci bölümde tezin amacı hakkında bilgi verilmiş literatürde daha önce yapılan benzer çalışmalardan bahsedilmiştir. İkinici bölümde verilerin temin edildiği çalışma sahası tanıtılmış fiziki ve çoğrafi özellikleri verilmiştir. Temin edilen veri tanıtılmış ve istatistiki özellikleri açıklanmıştır. Üçüncü bölümde, yağışın fiziksel sürcinden ve tahmin için kullanılan yöntemlerin çalışma prensipleri detaylı şekilde açıklanmıştır.Ayrıca, model başarı kıstasları verilmiştir. Dördüncü bölümde uygulaması yapılan modellerin sonuçları tartışılmıştır. Geliştirilen yöntemlerin kullanılabilirliliği karşılaştırılmıştır. Beşinci bölümde sonuçlar ve önerilere yer verilm
Özet (Çeviri)
The essence of life is water. Water is not only a vital source for natural life but also for sustainable development. It has a critical importance for survival of mankind, healthy ecosystems and socioeconomic development. It occupeis acenteral posisiton in production and protection of considerable amounts of benefits and services for humans. Also to remember; it is limited within time and place, a source that is irreplaceable, only available when it is managed well. As it is obvious to anyone water is a prerequisite for the inhabitants of the the earth. It can be found in gaseous, liquid and solid forms. Transformation of water from gaseous state to liquid state is called precipitation. Precipitation, in particular, which is a decisive factor for a country's welfare and economic model, is a non-linear varying atmospheric process depending on time and place. Moreever, understanding, proper and accurate measurement and accurate prediction of precipitation is as complicated as precipitation itself, which requires a long and rocky road for fully comprehension of the underlying physics. Hydrologically speaking, precipitation is the initial point in hydrology and it is actually the driving force behind the science of hydrology. Precipitation is the main input of many hydrological model. It affects water resources directly. That is the reason why precipitation forecast is critically importan in every period of time, in areas such as water resource management, water planning, prelimanry project preparation, designing, basin and reservoir modelling, development of pre-warning systems against floods, agricultural activities and urban planning. Therefore, precipitation forecast becomes more important in a fast-moving world that global warming gains momentum. Forecasting precipitation is one of the most important issues of hydrology. Analyzing changing precipitation patterns and forecasting disasters that are caused by unexpected heavy rains are the main focuses of the subject and it is not only for human needs of daily kind but also for future and beyond. Researchers of our times have developed empirical, mathematical, and other smart techniques for the forecast of hydrological events. Within the framework of this study, a new forecasting model have been developed using monthly precipitation amounts. Present study aims to forecast the precipitation that come into existence during rainfall by using data taken from other stations within the borders of the same basin. In order to make use of similarities between stations, different input combinations are formed using inter-station correlation matrix, distance matrix and elevation matrix and through the usage of these inputs Adaptive Neuro-Fuzzy Interference System (ANFIS), K Nearest Neighbor (K-NN) and Multiple Linear Regression (MLR) data mining forecast models are now available. Monthly average precipitation values from 1980 to 2010, from 18 precipitation observation stations in the basin of Upper Euphrates have been taken into consideration. 228 average precipitation data points is used for calibration of the model and the remaining 144 data points is used for validation of the model. Developed models are based on correlation matrix, distance matrix and elevation matrix. All parameters that models are based on are individually tested to improve the success of the model. Also the study will contribute to the determination of the optimum model for precipitation forecast by applying different methods to the same data. Analysis of new methods and their predictive ability are evaluated through mean square errors (OHK) and Nash-Stucliffe efficiency coefficient (CE) performance criteria. In correlation based models, the same models are used for each method and the first five stations that score the highest in correlation. Five different models are formed for each output station. In Model 1, the first station that scores the highest in correlation is considered as input station and output station precipitation values are predicted. In Model 2, two stations that score the highest in correlation are considered as the input stations and output stations precipitation values are predicted. Among other models Model 3 considers three stations, Model 4 four stations and Model 5 five stations and respective models are formed. In distance based models the same models are used for each three methods. While generating the models, five stations that are the least in distance to output stations are considered. In Model 1 the first station that scores the least in distance is considered as the input station and prepicitation values of the output stations are predicted. In Model 2, two stations that score the least in distance are considered as the input stations and the output stations prepicitation values are predicted. Among other models, Model 3 considers three stations, Model 4 four stations, Model 5 five stations and respective models are formed. Similarly,in elevation based models the same models are used. For the generation of the models five stations that are the least in elevation compared to output stations are considered. For each output station five models are formed. In Model 1 the first station that scores the least in elevation is considered as the input station and output stations precipitation values are predicted. In Model 2, two stations that score the least in elevation are considered as the input stations and the output stations precipitation values are predicted. Among other models, Model 3 considers three stations, Model 4 four stations, Model 5 five stations and respective models are formed. Models in this chapter are presented in sub-headings. Considering the obtained results, the contribution of the models based on correlation, distance and elevation matrix to the rainfall estimation was examined. Correlation and distance matrix based models showed that close CE coefficients were obtained, but correlation matrix based models achieved higher success with less number of inputs, and distance matrix based models were relatively lagging behind in this aspect. It has been found that elevation matrix based models give lower CE results with very few differences compared to the other two matrix bases and need more input number for high success. In addition, the applicability of the prediction methods used for rainfall estimation was discussed. Nearly CE values were obtained in all three methods, but it was observed that fuzzy logic method achieved high success especially with correlation matrix based models with low number of inputs. Additionally, distribution graphics that represent the harmony of forecast and observations take their own place in the chapter. In the first part aim of this study is explained and similar studies in the literature within the same field are mentioned. In the second part, the physical processes involved in precipitation is explained, Data taken from the study field is introduced and information about its physical and geographical features is given. The data taken is represented and statistical features of data are explained. In the third part, principles of the methods used in prediction are explicitly and thoroughly explained and model performance criteria are listed. In the fourth part, models, their application and results are discussed. In a compatible way, usability of the methods are compared. Lastly, in fifth part results and suggestions take place.
Benzer Tezler
- Evaluation of groundwater resourges in the upper middle part of chaj doab area, Pakistan
Chaj Doab Pakistan bölgesinin üst-orta kısımlarında yeraltı suyu kaynaklarının incelenmesi
NİAZ AHMAD
Doktora
İngilizce
1998
Meteorolojiİstanbul Teknik ÜniversitesiUygulamalı Jeoloji Ana Bilim Dalı
PROF. DR. ZEKAİ ŞEN
- Analysis and field observation of diesel fuel injector nozzle reliability
Dizel enjektör memesinin saha güvenilirliğinin incelenmesi
İBRAHİM CİVANOĞLU
Yüksek Lisans
İngilizce
2017
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. OSMAN AKIN KUTLAR
- Yapay sinir ağlarına dayalı uçak algılayıcı arızası tespiti ve sistemin yeniden yapılandırılması
Aircraft sensor fault detection and system reconstruction based on artificial neural networks
UĞUR KILIÇ
Doktora
Türkçe
2021
Havacılık MühendisliğiEskişehir Teknik ÜniversitesiHavacılık Elektrik ve Elektroniği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLAY ÜNAL
- Derin öğrenme kullanılarak geleneksel Türk halk dansları figür tespiti: Harmandalı örneği
Traditional turkish folk dance figure detection using deep learning: The case of Harmandalı
ERDEM BÜYÜKGÖKOĞLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIsparta Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİNAN UĞUZ
- Makine öğrenmesi algoritmalarıyla elektrik tüketimi için talep tahmin modellemeleri ve yenilenebilir enerjinin artan önemi: Türkiye örneği
Demand forecasting modelling for electricity consumption with machine learning algorithms and the increasing importance of renewable energy: The case of Turkiye
İLKNUR YEŞİM DİNÇEL KIRATOĞLU