Taban suyu derinlikleri için grid tabanlı yeni bir optimizasyon modeli geliştirilmesi ve bazı geleneksel istatistik yöntemlerle karşılaştırılması: Aşağı Seyhan Havzası Örneği

Abstract

Bu araştırmayla; optimum Taban Suyu Derinliği (TSD) kuyu dağılımı oluşturularak gözlem ağlarının izlenmesinde zamandan tasarruf ve maliyetlerin azaltılması amaçlanmıştır. Bir alanın gridler yardımıyla matrislere dönüştürülerek TSD için grid tabanlı yeni bir optimizasyon modeli geliştirilmiştir. Optimizasyonun amaç fonksiyonu, Ceza Puanı (CP) olarak adlandırılan TSD ölçümlerinin bilgi kaybını veren ortalama (M)+standart sapma (STD) istatistiğinin minimize edilmesidir. Aşağı Seyhan Ovasında 9495 ha alanda yürütülen bu çalışmada, 107 adet TSD gözlem kuyusundan 2011, 2012 ve 2013 hidrolojik yılları arasında her yılda 4 dönem; yağışlı dönemde (Ocak/Şubat), sulama mevsimi başlangıcında (Mart/Nisan), sulamanın en yoğun olduğu ayda ve hidrolojik yılın sonunda olmak üzere toplamda 12 kez ölçülen TSD verileri kullanılmıştır. Mevcut 107 kuyu seti ile (KD_107) havzada 12 dönem gözlemlenen TSD değerleri ve farklı Kombinasyon Kuyu Dağılımlarının (KKD) aynı dönem TSD değerleri Ters Uzaklık Yöntemi (TUY) ile haritalanmıştır. Oluşturulan haritalar (havza matrisleri) arasında KD_107 havza matrislerinin 12 dönemini temsil eden M ve STD değerleri referans alınarak KKD'lerin bilgi kayıplarını veren CP=M+STD belirlenmiştir. Minimum bilgi kaybını veren 23 farklı KKD dikkate alınmış ve bu kuyu setleri optimize edilmiştir. İstatistiksel test ölçütleri, hipsometrik, frekans ve istatistiksel analiz sonuçlarına göre, optimize edilen 23 KKD arasında 67 gözlem kuyusundan oluşan KKD_67'nin optimal kuyu dağılımı olduğu saptanmıştır. Mevcut 107 kuyu ile gözlem yapılan havzada; %3.0 tahmin hatası (PE%) test ölçütüne sahip 67 kuyu ile taban suyu gözlemlerine devam edilmesi önerilmiştir.Anahtar Kelimeler: Taban suyu derinliği, Gözlem ağı kuyu dağılımı, Ters uzaklık yöntemi, Optimizasyon, Aşağı Seyhan Havzası

The main objective of this research was to optimize the number of groundwater (GW) observation wells in the monitoring network for the sake of saving time and money in data collection process. To this end, a new grid-based optimization model was developed by transforming the research area into matrices with the help of gridding. The objective function of the optimization procedure was to minimize the penalty point [mean (M)+ standard deviation (STD)] which was determined as the loss of information in GW depth measurements. This study was carried out in the Lower Seyhan Basin, covering an area of 9495 ha. GW depth measurements in 107 locations (NW_107), which were done in 2011, 2012 and 2013 years, was utilized in the study. GW Depth measurements were done in four seasons a year, i.e., in rainy season (in Jan/Feb), before irrigation season (in Mar/Apr), in the peak irrigation season and at the end of irrigation season. GW depth data of existing drainage observation network (NW_107) in the basin and depths of different network combinations {NCW=(n¦k)} of 107 drainage wells were mapped, in turn, by using Inverse Distance Weighting (IDW) interpolation technique. The derived maps were dubbed as `basin matrices`. The penalty points (PP=M+STD) of different network combinations established earlier were calculated by referencing Ms and STDs of 12-season observations of NW_107. In this regard, 23 different NCWs which were resulted in minimum information loss were considered and optimized accordingly. Statistical test criteria of RMSE and percent prediction error (PE%), and additional analysis of GW depth-area hypsometric and frequency curves, and classical statistical tests suggested that the GW observation network of 67 wells (NCW_67) was the optimal one with the minimum loss information compared to the existing network of 107 observation wells. Overall results helped us to recommend that NCW_67 network with the prediction error (PE%) of 3.0% might be, hereinafter, adopted in monitoring process instead of existing network of 107 wells in Basin.Key Words: Groundwater depth, Observation well network, Inverse distance weighting, Optimization, Lower Seyhan Basin