Stream flow prediction for ungauged basins
Ölçülmemiş havzalar için akış tahmini
- Tez No: 921067
- Danışmanlar: PROF. DR. MEHMET İSHAK YÜCE
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Tahmin, MLR, Thornthwaite, CNN, SVM, Murat Havzası, LULC, Prediction, MLR, Thornthwaite, CNN, SVM, Murat Basin, LULC
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 177
Özet
Su kaynaklarının etkili planlaması ve yönetimi, hidrolojik modellerdeki belirsizliklerin ele alınmasına bağlıdır. Bu çalışmada, coğrafi bilgi sistemi (CBS) geliştirilmesinde Thiessen poligon interpolasyon yöntemi kullanılarak 40 yıllık aylık yağış verilerinin ayrıntılı analizi gerçekleştirilmiştir. Havzanın arazi kullanımı ve arazi örtüsü (LULC) istatistikleri, su kütleleri, çıplak zemin, ormanlar, kentsel alanlar, tarım arazileri ve çalılıklar olmak üzere altı farklı grup ortaya koymuştur. Çalışmada, yalnızca aylık ortalama sıcaklık (Tmean) ve enlemi gerektiren Thornthwaite denklemi kullanılarak potansiyel evapotranspirasyon (PET) tahmini için ayrıntılı bir model sunulmaktadır. Çalışma, yapay zekanın (AI) gücünden faydalanarak derin öğrenmeyi bir konvolüsyonel sinir ağı (CNN) aracılığıyla ve destek vektör makineleri (SVM) ile rastgele orman (RF) gibi makine öğrenimi tekniklerini uygulamaktadır. Çalışma, sıcaklık (T), potansiyel evapotranspirasyon (PET) ve yağış (P) ile akış (Q) arasındaki ilişkileri analiz ederek, çalışma alanının topoğrafik parametreleri hariç tutularak, çoklu doğrusal regresyon (MLR) tabanlı bir yaklaşım kullanmaktadır. Araştırma, Murat Nehri Havzasına katkıda bulunan dört alt havzada uygulanan dört MLR modelinin performansını araştırmakta ve karşılaştırmaktadır. Gözlemlenen ve tahmin edilen akış (Q) arasındaki karşılaştırma, önerilen denklemin önemini vurgulayarak umut verici sonuçlar ortaya koymaktadır. Karasu Karakopru için elde edilen en yüksek belirleme katsayısı (R²) %21.86'dır, Göynük Ç. Çayağzi ise 45'in üzerinde bir F-oranına sahiptir. Ayrıca, tüm modellerde P-değeri sıfırdır, bu da çalışmanın istatistiksel anlamlılığını ve genel etkinliğini göstermektedir.
Özet (Çeviri)
Effective planning and management of water resources rely on addressing the uncertainties inherent in hydrological models. This paper employs the Thiessen polygon interpolation method within geographic information system GIS development to perform a detailed analysis of 40 years of monthly precipitation data. The basin's land use and land cover (LULC) statistics revealed six distinct groups: It includes water bodies, barren ground, forests, urban areas, crops, and shrublands. This study presents a detailed model for predicting potential evapotranspiration PET using the Thornthwaite equation, which requires only mean monthly temperature (Tmean) and latitude, with calculations performed using R-Studio. The study harnesses the power of artificial intelligence (AI), applying deep learning through a convolutional neural network (CNN) and machine learning techniques, including support vector machine (SVM) and random forest (RF). This study employs a multiple linear regression (MLR)-based approach to predict streamflow (Q) by analyzing its relationships with temperature (T), potential evapotranspiration (PET), and precipitation (P), excluding topographical parameters of the study area. The research explores and compares the performance of four MLR models applied to four sub-basins that contribute to the Murat River Basin. The comparison between observed and predicted streamflow (Q) demonstrates promising results, highlighting the significance of the proposed equation. The highest coefficient of determination (R²) achieved is 21.86% for Karasu Karakopru, while Göynük Ç. Çayağzi shows an F-ratio exceeding 45. Additionally, the P-value is zero across all models, underscoring the statistical significance and overall effectiveness of the study.
Benzer Tezler
- Coğrafi bilgi sistemleri ile havza morfolojik özelliklerinin belirlenmesi ve havza sediment verimi tahmininde kullanımı
Basin sediment yield estimation using basin morphological characteristics determined by geographic information systems
ERCAN VAROL
Yüksek Lisans
Türkçe
2012
ZiraatMustafa Kemal ÜniversitesiTarımsal Yapılar ve Sulama Ana Bilim Dalı
YRD. DOÇ. DR. AHMET İRVEM
- Hidrolojik modelleme için havza parametrelerinin coğrafi bilgi sistemler ile belirlenmesi
Determination of basin parameters for hydrological modeling with geographical information systems
ARMAN UÇAR
Yüksek Lisans
Türkçe
2018
İnşaat Mühendisliğiİnönü Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT FIRAT
- Towards improved modeling for hydrologic predictions in poorly gauged basins
Başlık çevirisi yok
KORAY KAMİL YILMAZ
- Doğu Akdeniz akarsu havzalarında frekans analiz yöntemleri ile ölçümü olmayan alt havzalar için sediment taşınım tahminleri üzerine bir araştırma
A Research on estimations of sediment transport for ungauged subwatersheds by using frequency analysis methods in the East Mediterranean watersheds
ALİ YÜCEL
Doktora
Türkçe
1999
ZiraatÇukurova ÜniversitesiTarımsal Yapılar ve Sulama Ana Bilim Dalı
PROF.DR. KAZIM TÜLÜCÜ
- Sıcaklık ve yağış verilerinin akarsu akımları üzerindeki etkisinin incelenmesi
Examining the effect of temperature and precipitation data on stream flows
OĞUZHAN AYDOĞAN
Yüksek Lisans
Türkçe
2024
Çevre MühendisliğiSivas Cumhuriyet ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAYITER YILDIZ
DOÇ. DR. CAN BÜLENT KARAKUŞ
