Makine öğrenmesi kullanılarak hidrolojik modelleme: fırtına deresi örneği
A hydrologi̇c modelli̇ng based on machi̇ne learni̇ng: firtina stream case
- Tez No: 743690
- Danışmanlar: DOÇ. DR. ALPER BAYRAK, DR. ÖĞR. ÜYESİ ŞAFAK KAYIKÇI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Bolu Abant İzzet Baysal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Su yeryüzündeki yaşamın temelini oluşturan maddedir. Suyun var olmaması dünya üzerindeki canlıların çok büyük bölümünün yaşamasını imkansız hale getirmektedir. Su canlılar ve insan için bu kadar önemliyken suya kolay ulaşım imkanı da aynı derecede önemli olmaktadır. Ancak suya yakın olmak bazı sorunları da beraberinde getirmiştir. Nehir kenarlarına kurulan şehirler, taşkınlar, su yolunun değişimi, gel-git gibi sorunlarla baş etmek zorunda kalmıştır. Bu sorunların sonucu olarak yerleşim alanları ve tarım arazileri yok olan insanlar yerleşim yerlerini terk etmek zorunda kalmıştır. Ek olarak maddi ve manevi zararları da beraberinde getirmiştir. Bölge analizlerinin yapılması ile elde edilecek doğru debi tahminleri sayesinde bu zararların önüne geçilebilir. Bu çalışmada makine öğrenimi ve derin öğrenme modelleri vasıtasıyla debi tahminleri gerçekleştirilmiştir. Makine Öğrenemi programlama dilleri vasıtasıyla geliştirilen ve bilgisayar sistemlerinin öğrenme algoritmalarını kullanarak tahminler üretebilen yöntemdir. Bu çalışmada XGBoost makine öğrenimi, LSTM ve GRU derin öğrenme eğitim algoritmaları kullanılmıştır ve bu algoritmaların karşılaştırılması yapılmıştır. Çalışma sahası olarak Fırtına Deresi havzası seçilmiştir. Çalışma sahasının bağımsız değişken veri setleri için CFSR (iklim tahmin sistemi analizi) sisteminden alınan günlük maksimum sıcaklık, minimum sıcaklık, bağıl nem, solar radyasyon ve rüzgar değişkenleri kullanılmıştır. Akım gözlem verileri ise Elektrik İşleri Enstitüsü (EİE) 2232 nolu akım gözlem istasyonu Topluca Köyü mevkiinden (AGİ) kayıtlarından elde edilmiştir. Veriler 1 Ocak 1979 ve 31 Aralık 2002 yılları arasında toplam 8758 günün verisini kapsamaktadır. Temin edilen veriler 21 farklı bağımsız değişken ve 1 adet bağımlı değişken olarak tahmin modellerine tanıtılıp 875 günün günlük akım tahmini yapılmıştır. Çalışma sonuçları incelendiğinde en başarılı tahmini LSTM modeli yaptığı gözlemlenmiştir. En kötü başıraya sahip model ise XGBoost olduğu görülmüştür. Sonuç olarak; LSTM ve GRU modellerinin debi tahmini yapmakta oldukça iyi performanslar gösterdiği sonucuna varılmıştır. Ek olarak CFSR veri setlerinin makine öğrenmi hidrolojik modellemelerinde kullanılabileceğide tespit edilmiştir.
Özet (Çeviri)
Water is the basis of life on Earth. The lack of water makes it impossible for many of the creatures on Earth to live. So it is very important to be close to water sources since its vital importance. But being close to the water has also brought some problems. The cities set up near water sources hat to cope with some problems such as flood, tidal currents, and changes in the water lines. People whose residential areas and farmland have been destroyed as a result of these problems have been forced to leave their settlements. They had also faced financial and spiritual damages.These losses can be avoided thanks to the accurate flow predictions to be obtained by performing regional analyzes. In this study, flow predictions were carried out through machine learning and deep learning models.Machine learning is a method developed through programming languages that can generate predictions using the learning algorithms. In this study, Xgboost machine learning, LSTM and GRU as deep learning training algorithms were performed and compared. Fırtına River basin has been chosen as the study site. Daily maximum temperature, minimum temperature, relative humidity, solar radiation and wind variables from the CFSR (climate prediction system analysis) system were used for independent variable data sets of the study site. Current observation data were obtained from the Institute of Electrical Affairs (EIS) 2232 current observation station at Topluca Village location. The data covers a total of 8758 days between 1 January 1979 and 31 December 2002. The data were used in prediction models by separating into 21 independent and 1 dependent variable and flow predictions of 875 days were performed. As a result, it was seen that LSTM model had the best performance while XGBoost had the worst. GRU model has shown quite good performance in estimating flow. In addition, it was observed that the CFSR datasets are suitable to use in machine learning hydrological modeling.
Benzer Tezler
- Coğrafi bilgi sistemi tabanlı hidrolojik havza modellemesi ve makine öğrenmesi yöntemiyle hidrograf tahmini
Geographic information systems-based hydrological basin modeling and hydrograph prediction using machine learning methods
BURAK CAN
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiAkdeniz Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL İBRAHİM BURGAN
- High-resolution soil salinity mapping using machine learning based regression and classification methods
Makine öğrenimi tabanlı regresyon ve sınıflandırma yöntemlerini kullanarak yüksek çözünürlüklü toprak tuzluluğu haritalaması
AYLİN YILDIRIM
Yüksek Lisans
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- A new agro-meteorological drought index based on remote sensing
Uzaktan algılama temelli yeni bir agro-meteorolojik kuraklık indeksi
EYYUP ENSAR BAŞAKIN
Doktora
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET CÜNEYD DEMİREL
- İklim değişikliği projeksiyonu ve bunun olası senaryolarının su kaynaklarına etkisi: Dicle-Fırat alt havzası örneği
Climate change projection and the effect of its possible scenarios on water resources: The example of Di̇cle-Fırat sub-basin
ERGUN AKBAŞ
Doktora
Türkçe
2024
İnşaat MühendisliğiDicle Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. RECEP ÇELİK
- Forecasting the performance of shale gas wells using machine learning
Makine öğrenmesi kullanarak şeyl gaz kuyularının performansının tahmin edilmesi
MOHAMMED SHEDAIVA
Yüksek Lisans
İngilizce
2023
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. FAZIL EMRE ARTUN