Su bütçesi elemanlarının belirlenmesinde yapay zeka yöntemlerinin kullanılması
Using artifical intelligence methods to determinewater budget compenentes
- Tez No: 889254
- Danışmanlar: DOÇ. DR. MUHTEREM DEMİROĞLU, DR. ÖĞR. ÜYESİ MURAT KOCA
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Su bütçesi, Buharlaşma, Yapay Zeka Yöntemleri, Karar Ağacı Regresörü, Water Budget, Evaporation, Artificial Intelligence Methods, Decision Tree Regression
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Hakkari Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Sürdürülebilir bütünleşik havza yönetimi anlayışı ile su kaynaklarının takip edilmesinde, su miktarının ve değişimlerin bilinmesi en temel unsurdur. Yüzey ve Yeraltı sularının birlikte değerlendirilerek su bütçesi oluşturulurken, bütçe elemanlarının (Yağış, Buharlaşma, Akış, Sızma) belirlenmesinde ölçüm ya da hesaplama kaynaklı belirsizlikler vardır. Son yıllarda yapay zeka teknikleri, günlük ve aylık buharlaşma oranlarını modellemek için etkili bir yol olarak ve başarıyla uygulanmaktadır. Kolay uygulanışı ve sonuçlarda verdiği yüksek doğruluk nedeniyle yapay zeka teknikleri, hidroloji ve su kaynakları mühendisliğinde umut verici bir araştırma yöntemi haline gelmektedir. Günlük tava buharlaşmaları hesaplamasında halihazırda kodlanmış ve kullanıma hazır makine öğrenmesi modellerinden Lineer Regresyon, Ekstrem Rastgele Ağaçlar, Rastgele Ağaçlar, Aşırı Gradyan Güçlendirme, Histogram Tabanlı Gradyan Arttırma, Karar Ağacı Regresörü ve Derin Öğrenme metodları kullanılmıştır. DSİ (Devlet Su İşleri) ve Meteoroloji Genel Müdürlüğünden temin edilen verilerin 1990-2010 tarih aralığı seçilerek girişleri yapıldı. Bu verilerin belirli bir kısmı öğrenim, bir kısmı doğrulama ve bir kısmı da tahmin edilmesi için kullanıldı. Aylık ortalama sıcaklık (oC), nem (%), rüzgar hızı (m/sn), basınç (hPa), güneşlenme şiddeti (cal / cm2) ve güneşlenme süresi (saat) iklimsel verileri kullanılarak, elde edilen sonuçlar karşılaştırılmıştır. Kullanılan tüm metotların buharlaşma tahmininin kabul edilebilir derecede başarılı olduğu ancak (ERT) yönteminin eldeki veriler ile en iyi sonucu verdiği görülmüştür (R2= 0.76). Optimize edilmesi tahmin doğruluğunu artırmamıştır. Daha sonra denenen Karar Ağacı Regresörü (Decision Tree Regression; DTR) yöntemi ile daha iyi sonuç alınmıştır (R2= 0.86).
Özet (Çeviri)
Knowing the quantity and changes in water resources in the context of sustainable integrated watershed management, is fundamental. When creating a water budget by evaluating surface and groundwater together, there are measurement or calculation-based uncertainties in determining budget elements (Pecipitation, Evaporation, Flow, Infiltration). In recent years, artificial intelligence techniques have been effectively and successfully applied to model daily and monthly evaporation rates. Due to their ease of application, simple architecture, and surprisingly positive results, artificial intelligence techniques have become a promising research method in hydrology and water resources engineering. Currently, pre-coded and ready-to-use Artificial Intelligence models such as Linear Regression, Extremely Randomized Trees, Random Forest, Extreme Gradient Boosting, HGBoost, Decision Tree Regression and Deep Learning are used to calculate daily pan evaporations. Data was sourced from institutions like the State Hydraulic Works (DSİ) and the General Directorate of Meteorology, selecting data from the period 1990-2010. Some of the data was used for training, another for validation, and a part for prediction. By using climatic data such as monthly average temperature (°C), humidity (%), wind speed (m/s), pressure (hPa), solar radiation (cal/cm²), and sunshine duration (hours), the obtained results were compared. The results indicated that all the methods used were acceptably successful in predicting evaporation, but the Extremely Randomized Trees method yielded the best results with the available data (R² = 0.76). Optimization did not increase the prediction accuracy. The Decision Tree Regressor method, which was tried later, gave better results (R2= 0.86).
Benzer Tezler
- Akdeniz bölgesindeki akımların tahmini için akıllı sistemlerin uygulanması
Application of intelligent systems for flows forecasting in region of mediterranean
EMİNE DİLEK TAYLAN
Doktora
Türkçe
2008
İnşaat MühendisliğiSüleyman Demirel Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. M. EROL KESKİN
- water balance of lakes by using stable isotope mass balance method
Göl su bütçesinin sabit izotop kütle denge yöntemleri ile belirlenmesi
VEHBİ ÖZAYDIN
Doktora
İngilizce
1997
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. UYGUR ŞENDİL
- Ankara'da yağış ve su buharının çevresel izotop içeriklerinin zamanla değişiminin incelenmesi
Investigation of temporal variation of environmental isotope contents in precipitation and water vapour in Ankara
ABDULLAH DİRİCAN
Yüksek Lisans
Türkçe
2003
Jeoloji MühendisliğiHacettepe ÜniversitesiHidrojeoloji Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TÜRKER KURTTAŞ
- İklim değişikliğinin İstanbul'un yüzeysel su kaynaklarına etkisi ve kuraklık dirençli bütünleşik su yönetimi
Climate change impacts on the surface water resources of Istanbul and drought resilient water management
GÖKHAN CÜCELOĞLU
Doktora
Türkçe
2019
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. İZZET ÖZTÜRK
- Extended water budget equation based on the fuzzy regression and implementation for lake Van
Bulanık regresyon ile su bütçesi denklemi geliştirilmesi ve Van Gölü üzerinde uygulanması
ECEM UYSAL
Yüksek Lisans
İngilizce
2021
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK