Forecasting streamflow in Asi River using long-short term memory networks
Uzun-kısa süreli bellek ağları kullanarak Asi Nehri'nde akım tahmini
- Tez No: 673191
- Danışmanlar: DR. ÖĞR. ÜYESİ ADEM YURTSEVER, DR. ÖĞR. ÜYESİ HÜSEYİN ÇAĞAN KILINÇ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Hasan Kalyoncu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Su kaynaklarının kontrol altına alınabilmesi ve sürdürülebilir kullanımının sağlanabilmesi için nehir akış tahmini gereklidir. Uzun süreli akış tahmini, hem kısa hem de uzun vadede su kaynakları planlaması ve yönetimi için büyük önem taşımaktadır. Nehir havzalarında geleneksel olarak yapılan anlık akım ölçümleri çok zaman almakta ve yüksek maliyet gerektirmektedir. Anlık yapılan ölçümler yerine, günümüz teknolojisiyle akış tahmini yapabilen yapay zekâ programları oldukça önemli gelişmeler ortaya koymaktadır. Gelişmeleri destekleyen ve kullanımı yaygınlaşan derin öğrenme sinir ağlarından uzun kısa süreli bellek (LSTM) sinir ağı performansı, günlük ve aylık ölçeklerde nehir akımlarının akış tahmini için değerlendirilmektedir. Bu çalışmada, Asi nehir havzası sınırları içinde kalan D19A006 No'lu Afrin akım gözlem istasyonu'ndan (AGİ) alınan günlük akım verileri ile LSTM modeli oluşturularak, modelin tahmin performansı analiz edilmiştir. Modelde kullanılan 2006-2018 yılları arasını kapsayan akım değerleri, test veri seti olarak kullanılmıştır. Oluşturulan model, Adam ve Adamax iyileştiricileri kullanılarak MSE, Huber ve LogCosh kayıp fonksiyonları ile test edilmiştir. En iyi tahmin modeli belirlenirken, gözlemlenen veriler ve tahmin modelleri karşılaştırılarak istatistiksel değerlendirme kriterleri belirlenmiştir. Değerlendirme kriterleri göz önüne alındığında Adamax iyileştiricisinin LogCosh kayıp fonksiyonunun daha iyi performansa sahip olduğu ve R² 0.9949 elde edildiği görülmüştür. Ayrıca, model analizine göre LSTM'nin günlük akış tahmininde farklı senaryolarla analizinde performans etkisinin genişletilebileceği ve su kaynaklarının sürdürülebilirliğini sağlamaya yardımcı olabileceği görülmüştür.
Özet (Çeviri)
River flow estimation is necessary in order to control water resources and to ensure sustainable use. Long-term flow forecasting is of great importance for water resources planning and management in both the short and long term. Traditional instantaneous flow measurements in river basins take a lot of time and require high costs. Instead of instantaneous measurements, artificial intelligence programs that can predict flow with today's technology reveal very important developments. Long-short term memory (LSTM) neural networks from deep learning neural networks, which support developments and are widespread in use, are adopted to predict the flow of river flows on daily and monthly scales. In this study, the LSTM model was created with daily flow data from Afrin flow measurement station (FMS) no D19A006, which is within the boundaries of the Asi river basin, and the predictive performance of the model was analyzed. The flow values used in the model between 2006-2018 were used as test data set. For the study, was tested with MSE, Huber and LogCosh loss functions using Adam and Adamax optimizer. When determining the best forecast model, statistical evaluation criterion were determined by comparing the observed data and forecast models. Considering the evaluation criterion, the LogCosh loss function of the Adamax optimizer was found to have better performance and R² 0,9949 was achieved. Also, according to the model analysis, LSTM analysis of daily flow forecasting with different scenarios has shown that the performance impact can be expanded and help ensure the sustainability of water resources.
Benzer Tezler
- Bootstrap yöntemi yardımıyla akım tahminlerindeki girdi belirsizliğinin incelenmesi
Investigating of input uncertainty in streamflow forecasts using bootstrap method
M. IBRAHIM TIMORI
Yüksek Lisans
Türkçe
2020
İnşaat MühendisliğiSüleyman Demirel Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN TONGAL
- Öznitelik seçim metotlarının akarsu akış tahmininde araştırılması ve uygulanması
Investigation and application of feature selection methods in streamflow forecasting
OSMAN SELVİ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAM HÜSEYİNOV
- Evaluation of baseflow seperation models for Büyük Menderes River subbasins
Büyük Menderes Nehri alt havzaları için taban akışı ayırma modellerinin değerlendirilmesi
MERVE NUR GÜNGÖR
Yüksek Lisans
İngilizce
2024
İnşaat MühendisliğiAnkara Yıldırım Beyazıt Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZU ÖZKAYA
- Improving data-driven based streamflow forecasting using wavelet transformation
Dalgacık dönüşümü kullanılarak veriye dayalı akım tahmin modellerinin iyileştirilmesi
SINAN JASIM HADI AL-DOORI
Doktora
İngilizce
2018
İnşaat MühendisliğiAnadolu ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. MUSTAFA TOMBUL
- Aylık ortalama akım verilerinin yapay sinir ağları kullanılarak tahmin edilmesi
Forecasting monthly average streamflow using artificial neural networks
MUSTAFA NAJAT ASAAD ASAAD
Yüksek Lisans
Türkçe
2021
İnşaat MühendisliğiNecmettin Erbakan Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KAĞAN ERYÜRÜK
DR. ÖĞR. ÜYESİ ŞULE ERYÜRÜK