Yıllık anlık maksimum akımların, coğrafi veri bileşenleri ve yapay sinir ağları ile modellenmesi

Abstract

Yıllık Anlık Maksimum Akım (YAMA), su yılı içerisindeki anlık olarak kaydedilen en büyük debiyi göstermektedir. Bu debi meydana geldiği yerde genelde taşkınla sonuçlanmaktadır. Taşkına sebebiyet veren en önemli parametreler ani yağışlar ve kar erimeleri olarak görülmektedir. Ortaya çıkan taşkın; yerleşim yerlerinde, tarım arazilerinde can ve mal kayıplarına sebep olmaktadır. Bu nedenle taşkına sebebiyet veren debinin tahmin edilmesi, buna bağlı önlem alınması zararları en aza indirmek için önem arz etmektedir. Bu çalışmada; 14 nolu Yeşilırmak Havzasında yer alan beş adet Akım Gözlem İstasyonuna (AGİ) ait coğrafi konum, yükseklik ve alan bilgileri olmak üzere 8 giriş verisi kullanılarak her bir AGİ için YAMA verileri tahmin edilmeye çalışılmıştır. Çalışmada toplamda 240 adet (5 istasyon x 48 yıl) giriş verisi kullanılmıştır. Veri periyodu 1964-2012 yıllarını kapsamaktadır. Maalesef YAMA değerleri 2012 yılından sonra kullanılan 5 istasyon için de izlenememektedir. Bu nedenle veri periyodu 2012 yılında durdurulmuştur. YAMA tahmininde Çok Katmanlı Yapay Sinir Ağları (ÇKYSA), Genelleştirilmiş Yapay Sinir Ağları (GRYSA), Radyal Tabanlı Yapay Sinir Ağları (RTYSA) ve Çoklu Doğrusal Regülasyon (ÇDR) yöntemleri kullanılmıştır. Giriş veri setleri 4'er paket haline getirilerek bu paketler hem eğitim hem de test aşamalarında sırasıyla kullanılmıştır. Karşılaştırma kriteri olarak Karekök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (OMH) ve Korelasyon Katsayısı (R) kullanılmıştır. Sonuçlara bakıldığında son yılların modellendiği analizlerin sonuçları ÇKYSA (8 Giriş) (KOKH=119.118, OMH= 93.213, R=0.808), şeklinde gözlemlenirken, eksik verilerin tamamlanması gibi çalışmalarda kullanılmak üzere yapılan geçmiş yılların modellemesi RTYSA (2 Giriş) (KOKH=111.559, OMH= 81.114, R=0.900) şeklinde gözlemlenmiştir.

Annual Maximum Flow (AMF) represents the largest flow rate recorded in the water year. This flow usually results in floods. The most important parameters that cause flooding are seen as precipitation and snow melts. Occurring flood is the resulted loss of life and property in agricultural areas in residential areas. Therefore, it is important to estimate the flow causing the flood and to take precautions accordingly. In this study; It is used in five Current Observation Stations (COS) located in Yeşilırmak Basin 14. By using 8 input data including geographical location, altitude and area information of these stations, AMF data were tried to be estimated for each COS. A total of 240 input data was used in the study. The data period covers the years 1964-2012. Unfortunately, YAMA values cannot be monitored for all 5 stations used after 2012.Therefore, the data period was stopped in 2012. In this study, Multilayer Artificial Neural Networks (MANN), Generalized Artificial Neural Networks (GANN), Radial Based Artificial Neural Networks (RBANN) and Multiple Linear Regulation (MLR) methods were used. Input data sets were made into 4 packets and these packages were used respectively in both training and testing stages.Root mean square error (RMSE), mean absolute error (MAE) and correlation coefficient (R) were used as the comparison criteria. The results of the analysis of the MANN (8 Input) (RMSE = 119.118, MAE = 93.213, R = 0.808), and RBANN (2 Input) (RMSE = 111.559, MAE = 81.114, R = 0.900) like this.