Geri Dön

Sakarya Havzası için meteorolojik kuraklığın modellenmesi

Modeling meteorological drought modeling for the Sakarya Basin

PDF İndir

  1. Tez No: 934288
  2. Yazar: GİZEM ÖZTÜRK
  3. Danışmanlar: PROF. DR. EMİNE DİLEK TAYLAN, DR. ÖĞR. ÜYESİ TAHSİN BAYKAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Süleyman Demirel Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 144

Özet

Bu tez çalışmasında makine öğrenmesi yöntemleri ile Sakarya Havzası için bir meteorolojik kuraklık tahmin modelleme çalışması yapılmıştır. Sakarya Havzası'ndan 13 adet istasyon seçilmiştir. Bu istasyonların 1991-2023 yılları arasındaki aylık ortalama yağış ve sıcaklık verileri Eskişehir Meteoroloji 3. Bölge Müdürlüğü'nden temin edilmiştir. Meteorolojik kuraklık indisi olarak Standart Yağış Evapotranspirasyon İndisi (SYEİ) kullanılmıştır. 3-, 6-, 9- ve 12- aylık periyottaki SYEİ değerleri her istasyon için ayrı ayrı hesaplanmıştır. Meteoroloji istasyonlarının kuraklık tahmin modelleri, Python dilinde Google Colab ara yüzü kullanılarak kodlanmıştır. Modellerde AdaBoost, Aşırı Gradyan Arttırma (XGBoost), CatBoost, Çok Katmanlı Algılayıcı (MLP), Destek Vektör Regresyonu (SVR), Lineer Regresyon (LR), Ekstra Ağaç Yöntemi (ETM), Gauss Süreç Regresyonu (GPR), Gradyan Arttırma Yöntemi (GBM), Histogram Tabanlı Gradyan Arttırma Regresyonu (HGBR), Huber Yöntemi, K-En Yakın Komşu (KNN), LightGBM (LGBM), RANSAC, Rastgele Orman (RF) ve Ridge Makine Öğrenmesi yöntemleri kullanılmıştır. Modellerin performansları determinasyon katsayısı (R2) ve ortalama karesel hata (OKH) yöntemleri ile değerlendirilmiştir. 12 aylık periyot için makine öğrenmesi modellerini, diğer periyotlara göre daha iyi tahmin sonuçları verdiği bulunmuştur. Polatlı istasyon tahmininde 12 aylık SYEİ değeri için GPR modeli R2:0.975 ve OKH:0.148 değerleri ile en iyi tahmin sonucunu vermiştir. SYEİ 12 değerlerinin yıllara göre değişimleri incelenmiştir. En yüksek kuraklıkların yaşandığı tarihlerin: Şubat 1995, Ekim 2001, Ekim 2007, Kasım 2008, Temmuz 2013, Aralık 2013, Mayıs 2021, Nisan 2022 ve Mart 2023 olduğu tespit edilmiştir. Ters mesafe ağırlıklı enterpolasyon yöntemi (IDW) ile en kurak tarihlere göre haritalar her bir istasyon için ayrı ayrı oluşturulmuştur. IDW yöntemiyle oluşturulmuş haritalardaki tahmin edilmesi istenen istasyon noktalarından elde edilen kuraklık tahmin sonuçları incelenmiştir. Kuraklık haritalarında şiddetli kuraklıkların yaşandığı bölgeler ve istasyonlar tespit edilmiştir. Uzun zaman periyodunda en kurak tarihlerin değerlendirilmesi amacıyla SYEİ 12 değerleri ile IDW harita noktalarındaki değerler ve ML modellerinden elde edilmiş değerler karşılaştırılmıştır. OKH, kök ortalama kare hata (KOKH) ve Ortalama Yüzde Hata (OYH) ölçütleri ile kıyaslamaları yapılmıştır. Makine öğrenmesinde OKH:0.053, KOKH:0.230 ve OYH:5.230 ile 12 aylık periyottaki SYEİ kuraklık değerlerine en yakın sonuçları verdiği tespit edilmiştir. IDW yöntemindeki tahmin değerleri ise OKH:0.722, KOKH:0.849 ve OYH:33.324 ile 12 aylık periyottaki SYEİ kuraklık değerlerinden uzak tahmin sonuçları verdiği bulunmuştur. Sakarya Havzası'nın alt havzalarından en az birer adet istasyonun seçilmesi ile geniş çaplı bir kuraklık modelleme çalışması yapılmıştır. Bu çalışmada, her bir istasyonun 3-, 6-, 9- ve 12- aylık periyotlardaki SYEİ değerleri girdi verisi olarak kullanılmıştır. İstasyonlar ile farklı girdi kombinasyonları oluşturulmuş ve Sakarya Havzası için SYEİ, ilk kez meteorolojik kuraklık modellerinde makine öğrenmesi yöntemleriyle geniş çapta değerlendirilmiştir. Sakarya Havzası'nda daha önce kullanılmamış HGBR, Huber ve Ridge gibi makine öğrenmesi yöntemlerinin kuraklık modelleme çalışmasında ilk kez kullanılmasıyla literatüre önemli bir katkı sunulması amaçlanmıştır.

Özet (Çeviri)

In this thesis study, a meteorological drought prediction modeling study was conducted for the Sakarya Basin using machine learning methods. A total of 13 stations were selected from the Sakarya Basin. The monthly average precipitation and temperature data of these stations for the years 1991-2023 were obtained from the Eskişehir Meteorology 3rd Regional Directorate. The Standardized Precipitation Evapotranspiration Index (SPEI) was used as the meteorological drought index. The SPEI values for 3-, 6-, 9-, and 12-month periods were calculated separately for each station. The drought prediction models of the meteorological stations were coded in Python using the Google Colab interface. The models employed included AdaBoost, Extreme Gradient Boosting (XGBoost), CatBoost, Multilayer Perceptron (MLP), Support Vector Regression (SVR), Linear Regression (LR), Extra Trees Method (ETM), Gaussian Process Regression (GPR), Gradient Boosting Method (GBM), Histogram-Based Gradient Boosting Regression (HGBR), Huber Method, K-Nearest Neighbors (KNN), LightGBM (LGBM), RANSAC, Random Forest (RF), and Ridge Regression machine learning methods. The performance of the models was evaluated using the coefficient of determination (R²) and mean squared error (MSE) metrics. It was found that the machine learning models provided better prediction results for the 12-month period compared to the other periods. In the prediction for the Polatlı station, the GPR model gave the best prediction results for the 12-month SPEI value with R²: 0.975 and MSE: 0.148. The temporal variations of the 12-month SPEI values were examined. The dates of the most severe droughts were identified as February 1995, October 2001, October 2007, November 2008, July 2013, December 2013, May 2021, April 2022, and March 2023. Drought maps were created separately for each station using the Inverse Distance Weighting (IDW) interpolation method based on the most severe drought dates. The drought prediction results obtained from the estimated station points on the IDW-generated maps were analyzed. The regions and stations experiencing severe droughts were identified through drought maps. To evaluate the most severe drought periods over a long time span, the 12-month SPEI values were compared with the values from IDW map points and machine learning models. Comparisons were made using MSE, root mean square error (RMSE), and mean absolute percentage error (MAPE) metrics. In machine learning models, the 12 month SPEI drought values were best approximated with MSE: 0.053, RMSE: 0.230, and MAPE: 5.230. In contrast, the estimated values from the IDW method yielded more distant predictions from the 12-month SPEI drought values, with MSE: 0.722, RMSE: 0.849, and MAPE: 33.324. A comprehensive drought modeling study was conducted by selecting at least one station from each sub-basin of the Sakarya Basin. In this study, the SPEI values for 3-, 6-, 9-, and 12-month periods were used as input data for each station. Different input combinations were created with the stations, and for the first time, SPEI was extensively evaluated in meteorological drought models using machine learning methods in the Sakarya Basin. Moreover, by employing machine learning methods such as HGBR, Huber, and Ridge, which had not been previously used for drought modeling in the Sakarya Basin, this study aims to provide a significant contribution to the literature.

Benzer Tezler

  1. Tez No

    909780

    Yukarı Sakarya Havzasında kuraklığın uzunluk, şiddet ve frekans bakımından incelenmesi

    Investigation of drought in terms of length, intensity and frequency in the Upper Sakarya Basin

    GÖNÜL MERVE ŞEN KUL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Ormancılık ve Orman MühendisliğiBartın Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    PROF. DR. TUĞRUL VAROL

  2. Tez No

    787176

    Sakarya Havzası'nda farklı kuraklık indisleri ile kuraklık analizi ve performans değerlendirmesi

    Drought analysis and performance evaluation with different drought indices in Sakarya basin

    ABDULSAMED ÖZLÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İnşaat MühendisliğiKırıkkale Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GAYE AKTÜRK

  3. Tez No

    379553

    Karadeniz ve Sakarya havzalarında yağış-akış-askıda katı madde verilerinin trend analizi ile incelenmesi

    Investigation of rainfall-flow-suspended load data in Black Sea and Sakarya basins by trend analysis

    GÖKMEN ÇERİBAŞI

    Doktora

    Türkçe

    Türkçe

    2015

    İnşaat MühendisliğiSakarya Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRAH DOĞAN

  4. Tez No

    853116

    İklim değişikliğinin hidro-meteorolojik parametrelere etkisi

    Impact of climate change on hydro-meteorological parameters

    GAMZE TUNCER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Çevre MühendisliğiSakarya Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN SÖNMEZ

  5. Tez No

    610845

    Hidroelektrik enerji santrallerinde üretilen enerjinin kısa ve uzun süreli olarak tahmin edilmesi ve taşkın riskinin araştırılması: Doğançay Hidroelektrik Enerji Santralleri örneği

    Estimation of energy produced in hydroelectri̇c power plants as short and long term and investigation of flood risk: case study of Dogancay Hydroelectric Power Plants

    AHMET IYAD CEYHUNLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İnşaat MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKMEN ÇERİBAŞI

Geri Dön