Dicle havzasında yağış-akış ilişkisinin makine öğrenme yöntemleriyle belirlenmesi
Determination of rainfall-runoff relationship in Tigris basin with machine learning methods
- Tez No: 777002
- Danışmanlar: DOÇ. DR. OĞUZ ŞİMŞEK
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Dicle Havzası, Makine öğrenmesi, Yağış-akış modelleri, Dicle Basin, Machine learning, Rainfall-runoff models
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hidrolojik döngünün en önemli bileşeni olan yağış-akış süreci, hidrolojik analiz ve su kaynakları mühendisliği açısından oldukça önemlidir. Son zamanlarda, karmaşık problemlerin modellenmesinde ve çıktıların tahmin edilmesinde başarılı sonuçlar veren yapay zekâ yöntemleri, birçok alanda olduğu gibi hidrolojik olayların modellenmesinde de sıklıkla tercih edilmektedir. Bu çalışmada, Dicle Havzası'nda bulunan 11 adet akım gözlem istasyonuna ait aylık ortalama akım değerleri, meteoroloji gözlem istasyonlarında kaydedilen yağış verilerine bağlı olarak belirlenmeye çalışılmıştır. Yağış ve akım gözlem istasyonlarının ilişkisinin kurulmasında Thiessen Çokgenleri yöntemi kullanılmıştır. Yağış akış ilişkisinin belirlenmesinde farklı girdi modelleri için Uyarlanabilir Nöro-Bulanık Çıkarım Sistemi (Adaptive Neuro-Fuzzy Inference System–ANFIS), Yapay Sinir Ağları (YSA), Gen Ekspresyon Programlama (GEP) ve Çoklu Doğrusal Regresyon (ÇDR) yöntemlerinin başarısı değerlendirilmiştir. Tahmin yöntemlerinin ve girdi modellerinin başarısının belirlenmesinde belirlilik katsayısı (R2), ortalama karesel hata (OKH) ve Nash-Sutcliffe verimlilik (NSE) kriterleri kullanılmıştır. Kullanılan istasyonlardan ANFIS ve GEP yöntemi ile kurulan modeller, gözlemlenen akış ile yağış parametrelerine bağlı tahmin edilen akış arasındaki ilişkiyi belirlemede diğer yöntemlere kıyasla daha başarılı olmuştur. Çalışma sonucunda elde edilen bulgular yağış-akış ilişkisini belirlemek için, yapay zekâ yöntemlerinin uygulanabilirliğini doğrulamakta aynı zamanda matematiksel bir yöntem olan GEP yönteminin de kullanılabilirliğini göstermektedir.
Özet (Çeviri)
Rainfall-runoff process, the most crucial component of hydrological cycle, has a significant place in hydrological analysis and water resources engineering. Recently, artificial intelligence methods, which have been in great demand because they bring successful results to complex problems, are preferred in modelling hydrological events as in many areas. In this thesis study, the monthly average flow values of 11 station located within the borders of the Tigris Basin were tried to be determined by using the precipitation data obtained from the meteorological observation stations. For the stations used, models were built using Adaptive Neuro-Fuzzy Inference System (ANFIS), Artificial Neural Network (ANN), Gene Expression Programming (GEP) and Multiple Linear Regression (MLR) and rainfall-runoff relationship was evaluated. The determination coefficient (R2), Mean Square Error (MSE) and Nash-Sutcliffe Efficiency (NSE) error criterion parameters were used to determine the obtained values. It has been observed that the models established with methods of ANFIS and GEP from stations used give more successful outcomes in evaluating the relationship between the observed runoff and the predicted runoff compared to other methods. The results confirm the applicability of artificial intelligence methods to determine rainfall-runoff relationship, and also show the utilizability of the GEP method, which is a mathematical method.
Benzer Tezler
- Çekirdeksiz kuru üzümde uygulanan politikanın Ege Bölgesinde üretim ve üretici açısından sonuçlarının değerlendirilmesi
Başlık çevirisi yok
GÜVEN ÖZERİN
- Cumhuriyet döneminde Milli Eğitim Şuralarının müzik eğitimi ile ilgili aldığı kararlar
Başlık çevirisi yok
SİBEL DOĞAN(ÖZBAKAN)
