Su kalitesi öngörüsü için yeni bir derin tekrarlayan yapay sinir ağı
A new deep recurrent artificial neural network for water quality prediction
- Tez No: 916645
- Danışmanlar: PROF. DR. TAMER AKKAN
- Tez Türü: Doktora
- Konular: Biyoloji, Biology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Giresun Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zeka (AI) ve makine öğrenimi (ML) modelleri, doğrusal olmayan verilerin modellenmesinde kullanılabilmektedir. Bu tekniklerin uygulanması aşamasında kullanılan çoklu katmanlar modellerin farklı alanlarda uygulanabilirliğine olanak sağlamaktadır. AI teknikleri son yıllarda çevresel ve hidrolojik çalışmalarda özellikle de su kalitesinin modellenmesinde ve tahmininde araştırmacılara çeşitli avantajlar sağlamaktadır. Yüzey suyu kalitesini analiz etmek için farklı AI modellerinin kullanılması, su kalitesi parametrelerini ve su kalite indeksinin (WQI) tahmininde etkili olmaktadır. Bu çalışmada tatlısu kaynaklarında su kalitesi öngörüsü için yeni bir derin tekrarlayan yapay sinir ağının uygulaması sınanmıştır. Örnek uygulama için Gelevera Deresi'nden (Giresun) seçilen sekiz istasyondan bir yıl boyunca aylık periyotlar halinde toplanan veriler kullanılmıştır. Su kalitesinin belirlenmesi ve kirlilik kaynaklarının su üzerindeki etkisini tespit etmek amacıyla sekiz değişken izlenmiştir. Geleneksel değerlendirme için Pearson Korelasyon İndeksi (PCI), Temel Bileşen Analizi (PCA) ve Hiyerarşik Küme Analizi (HCA) uygulanmıştır. Ayrıca, suların kalite durumunu belirlemek için iki farklı su kalite indeksi (WQI) kullanılmıştır. Bu çalışmada yenilikçi değerlendirmede WQI'nin yapay sinir ağlarıyla (YSA) öngörüsü sınanmıştır. Bu kapsamda sık kullanılan makine öğrenme algoritmalarının yanında literatüre yeni sunulan Çarpımsal Geçitli Geri Beslemeli Derin (MGRU) YSA kullanılmıştır. Çalışmada su kalitesini belirlemek için daha az değişken kullanılan bir yaklaşım benimsenmiş ve eksik veri sorununu çözmek amacıyla bootstrap yöntemiyle veri seti 96 birimden 3064 birime genişletilmiştir. Bunun yanı sıra, modelimiz eşzamanlı olarak iki farklı su kalite indeksinin tahminini başarıyla gerçekleştirmiştir. Bu çalışma, su kalitesi tahmininde daha az değişkenle yüksek doğruluk sağlayarak verimli, pratik ve yeşil tabanlı bir yaklaşım sunmuştur. Eksik veri sorununu çözmek için bootstrap yöntemiyle veri seti genişletilmiş ve ML modellerinin performansı artırılmıştır. Elde edilen bulgular, su kalitesi öngörüsü için AI tabanlı yöntemlerin etkinliğini göstererek sürdürülebilir su yönetimi ve çevre politikalarına katkı sağlamaktadır. Bu çalışma, Yükseköğretim Kurulu (YÖK) 100/2000 Doktora Bursu Programı kapsamında desteklenmiştir.
Özet (Çeviri)
Artificial intelligence (AI) and machine learning (ML) models can be used for modelling non-linear data. The multiple layers used in the application of these techniques allow the models to be applied in different fields. In recent years, AI techniques have provided various advantages to researchers in environmental and hydrological studies, especially in modelling and prediction of water quality. The use of different AI models to analyse surface water quality is effective in predicting water quality parameters and water quality index (WQI). In this study, the new deep recurrent artificial neural network for water quality prediction in freshwater sources is tested. For the case study, water samples were collected monthly for one year from eight stations in Gelevera Creek (Giresun). In order to determine the water quality and to identify the impact of pollution sources on water, eight variables were monitored. Traditional evaluation is based on the Pearson Correlation Index (PCI), Principal Component Analysis (PCA), and Hierarchical Cluster Analysis (HCA). In addition, two different water quality indices (WQI) were calculated and evaluated. Innovative evaluation in this study involved the prediction of WQI by artificial neural networks (ANNs). In this context, the multiplicative gated feedback unit (MGRU) artificial neural network, which was recently introduced to the literature, was used in addition to the commonly used machine learning algorithms. In the study, an approach using fewer parameters to determine water quality was adopted, and the data set was expanded from 96 units to 3064 units by the bootstrap method to solve the missing data problem. In addition, our model successfully predicted two different water quality indices simultaneously. This study provided an efficient, practical, and green approach to water quality prediction by providing high accuracy with fewer parameters. In order to solve the problem of missing data, the data set was expanded by the bootstrap method, and the performance of ML models was improved. The obtained findings contribute to sustainable water management and environmental policies by demonstrating the effectiveness of AI-based methods in water quality prediction. This study was supported by the Council of Higher Education 100/2000 Ph.D. scholarship programme.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
- La Vie artistique litteraire culturelle et sociale l'Izmir en langue Française (du XVII'eme siecle a nos jours)
Fransızca'da İzmir'in sanatsal edebi kültürel ve toplumsal yaşamı (XVII'inci yüzyıldan günümüze)
HASAN ZORLUSOY
- Comparable approach to“The Theory of Efficient Market”a modified capital asset pricing model for maritime firms
Başlık çevirisi yok
ORAL ERDOĞAN
- Toprak üstü sıcaklığının yapay sinir ağları yöntemi ile modellenmesi
Modelling of soil temperature by ann
ALAA SALEMDAWOD
Yüksek Lisans
Türkçe
2017
İstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Klinik izole sendrom'da multipl skleroza dönüşümü etkileyen prognostik etmenler: Kontrollü, prospektif çalışma
Prognostic factors for conversion to multiple sclerosis in clinically isolated syndrome: A controlled, prospective study
BİLGE PİRİ ÇINAR
