Hatay Amik Ovası Kumlu bölgesindeki yer altı suyu seviyesinin yapay sinir ağları yöntemi ile tahmini

Abstract

Stratejik bir kaynak niteliğinde olan yeraltı suyundan ülkemizde içme-kullanma, tarımsal sulama ve sanayi maksatlı önemli miktarda çekim yapılmaktadır. Nüfus artışı ile birlikte toplam su tüketimi sürekli artmaktadır. Su ihtiyacının karşılanabilmesi amacıyla yeraltı sularından yapılan aşırı çekimler neticesinde yeraltı su seviyesinde önemli düşmeler meydana gelmektedir. Etkin ve sürdürülebilir yeraltı suyu yönetiminin planlanabilmesi için yeraltı su seviyesinin tahmin edilmesi önem arz etmektedir.Bu çalışmada Hatay Amik Ovası Kumlu bölgesinde bulunan Devlet Su İşleri Genel Müdürlüğü (DSİ) rasat kuyusuna ait 2000 ile 2015 yılları arasındaki yeraltı su seviyesi aylık ölçüm değerleri ile bölgenin aylık toplam yağış ve ortalama sıcaklık değerleri kullanılarak yeraltı suyu seviyesi tahmini yapılmıştır. Bu verilerle Çoklu Lineer Regrasyon (MLR), Otoregresif Model (AR) ve Yapay Sinir Ağları (YSA) modelleri oluşturularak yeraltı su seviyesi tahmininin performans değerlendirmesi yapılmıştır. Bölgenin yeraltı su seviyesi tahmininde YSA modelinin MLR ve AR modelinden daha iyi sonuç verdiği görülmüştür.

Groundwater, which is a strategic resource in Turkey, is used for drinking, agricultural irrigation and industrial purposes. Population increase and total water consumption are constantly increasing. In order to meet the need for water, over-shoots from underground water have caused significant falls in groundwater level. Estimation of water level is important for planning an efficient and sustainable groundwater management. In this study, groundwater level prediction was carried out by using the monthly total rainfall, mean temperature and monthly groundwater level values between 2000-2015. Mounthly groundwater level values were obtained from observation well of The General Directorate of State Hydraulic Works, located Kumlu Region in Hatay Amik Plain. The performance evaluation was done by creating Multi Linear Regression (MLR), Autoregressive (AR) and Artificial Neural Networks (ANN) models. The ANN model gave better results than the MLR and the AR models.