Yapay zeka teknikleri kullanarak pik nehir akımı ve yağış tahmini
Prediction of peak stream flow and rainfall using artificial intelligence techniques
- Tez No: 890015
- Danışmanlar: DOÇ. DR. LEVENT LATİFOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Hidrolik Bilim Dalı
- Sayfa Sayısı: 78
Özet
Hidrometeorolojik verilerin tahmini, su kaynakları yönetimi, taşkın önleme ve çevre planlaması gibi pek çok konuda kritik öneme sahiptir. Bu tez çalışmasında, Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM), Çift Yönlü Uzun Kısa Süreli Bellek (Bidirectional Long Short-Term Memory, biLSTM), Geçitli Tekrarlayan Birim (Gated Recurrent Unit, GRU) ve Çift Yönlü Geçitli Tekrarlayan Birim (Bidirectional Gated Recurrent Unit, biGRU) modelleri kullanılarak geliştirilen derin sinir ağları mimarileri ile hidrometeorolojik verilerden günlük ve pik akım/yağış verilerinin tahmin performansları analiz edilmiştir. Geleneksel yöntemler hidrolojik modellere ve istatistiksel tekniklere dayanırken, makine öğrenimi ve derin öğrenmedeki gelişmeler hidrometeorolojik verilerin tahmin doğruluğunu artırmada umut vaat etmektedir. Tez çalışmasında, 1-6 zaman gecikmeli girişler kullanarak genel ve pik akım/yağış tahminleri için bu modellerin performansları karşılaştırmıştır. Özellikle yüksek tahmin performansı gösteren biLSTM modeli ayrıntılı olarak analiz edilmiştir. Ayrıca tez çalışmasında biLSTM modeli, 1-4 ileri zamanlı tahmin çalışmasında kullanılmış ve hidrometeorolojik verilerin dinamiklerini yakalamadaki gücü ortaya konmuştur. Elde edilen sonuçlara göre, biLSTM modelinin pik akım/yağış tahminlerinde diğer modellerden daha iyi performans gösterdiği görülmüştür. Giriş sayısının artırılması, tahmin doğruluğunu iyileştirmiş, ancak modelin karmaşıklığını da artırmıştır. Ayrıca, biLSTM modeli, ileri tahminlerde de yüksek doğruluk oranları sağlamıştır. Tez çalışması sonucunda genel ve pik akım/yağış verilerinin tahmininde biLSTM'nin en uygun model olduğu ortaya konmuştur ve farklı veri tipleri için de kullanılabileceği gösterilmiştir.
Özet (Çeviri)
The prediction of hydrometeorological data is critically important in many areas such as water resources management, flood prevention, and environmental planning. In this thesis, the prediction performances of daily and peak flow/rainfall data were analyzed using deep neural network architectures developed with the Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (biLSTM), Gated Recurrent Unit (GRU), and Bidirectional Gated Recurrent Unit (biGRU) models. While traditional methods rely on hydrological models and statistical techniques, advances in machine learning and deep learning show promise in improving the accuracy of hydrometeorological data predictions. The thesis compared the performances of these models for general and peak flow/rainfall predictions using 1-6 time-lagged inputs. The biLSTM model, which demonstrated particularly high prediction performance, was analyzed in detail. Additionally, the biLSTM model was used in a 1-4 lead time prediction study, revealing its ability to capture the dynamics of hydrometeorological data. The results showed that the biLSTM model performed better than other models in predicting peak flow/rainfall. Increasing the number of inputs improved prediction accuracy but also increased model complexity. Moreover, the biLSTM model also achieved high accuracy in lead time predictions. The results of the thesis demonstrated that the biLSTM is the most suitable model for predicting general and peak flow/rainfall data and that it can also be applied to different types of data.
Benzer Tezler
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Study on synthetic and unit hydrographs by using GIS and artificial intelligence techniques
CBS ve yapay zeka teknikleri kullanılarak sentetik ve birim hidrograf çalışması
AYŞE YETER GÜNAL
Doktora
İngilizce
2015
İnşaat MühendisliğiGaziantep Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTAÇ GÜVEN
- D2O ve farklı ısıl işlemlerin yumurta akı proteinlerinin fizikokimyasal özellikleri üzerine etkilerinin spektroskopi, radyografi ve yapay zekâ teknikleri ile araştırılması
Investigation of effects of D2O and different thermal treatments on physicochemical properties of egg white proteins by spectroscopy, radiography and artificial intelligence techniques
BAHAR ÖZATİLA
Yüksek Lisans
Türkçe
2023
Gıda Mühendisliğiİstanbul Sabahattin Zaim ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN ARSLAN
DR. ÖĞR. ÜYESİ İSMAİL HAKKI TEKİNER
- Yapay zeka teknikleri kullanarak kemik yaşı tespiti üzerinde bir uygulama
An application on bone age detection using artificial intelligence techniques
NUR ZAKİROĞLU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ GÜNEŞ
- Yapay zeka teknikleri kullanarak kemik yaşı tespiti
Bone age determination using via artificial intelligence techniques
GÜR EMRE GÜRAKSIN
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HARUN UĞUZ