Yağış – akış ilişkisinin yapay sinir ağları ve otoregresif hareketli ortalamalar modelleri ile tahmini

Abstract

Su kaynaklarının daha verimli kullanılması, havza yönetimi ve afetlerin engellenmesi amacıyla yapılan su yapıları planlamasında, akış verilerinin tahmini büyük bir önem taşımaktadır. Planlama aşamasında kullanılacak verilerin eksiksiz ve tutarlı olması, planlama ve tasarım süreçlerinin verimini artıracak, daha güvenilir sonuçlar alınmasına olanak tanıyacaktır. Yağış - akış modellemelerinde, verilerin tahmini için kullanılan geleneksel yöntemler yetersiz kalabilmektedir. Bu nedenle eksik veya gelecekteki akışın tahmini için bir çok alternatif yöntem geliştirilmiştir. Bu çalışmada Amerika Birleşik Devletleri Waltham Massachusetts'te yer alan Stony Brook Rezervuarı'ndan elde edilen veriler kullanılarak yağış – akış modelleri oluşturulmuştur. 731 günlük yağış, akış ve sıcaklık bilgilerini içeren bu veriler İleri Beslemeli Geri Yayılımlı Sinir Ağı (İBGYSA), Çoklu Doğrusal Regresyon (ÇDR) ve Otoregresif Hareketli Ortalamalar (ARMA) yöntemlerinde girdi verisi olarak kullanılmıştır. Elde edilen akış verileri gerçek ölçüm sonuçları ile karşılaştırılarak bu üç yöntem değerlendirilmiştir. YSA yöntemi bu akış verilerinin tahmininde %92'nin üzerinde uyumluluk göstermiştir.

In terms of efficient use of water resources and prevention of disasters, rainfall and runoff relation is very important. Complete and consistent data increases the efficiency of planning and design processes and ensures more reliable results. In rainfall - runoff modeling, traditional methods for estimating data may be insufficient. Therefore, many alternative methods have been developed for the prediction of missing or future runoff. In this study, the data obtained from USA Waltham Massachusetts Stony Brook Reservoir was used. 731 days of rainfall, runoff and temperature data were used to generate input data in the Feed Forward Backpropagation Neural Network (FFBNN), Multiple Linear Regression (MLR) and Autoregressive Moving Average (ARMA) models. The results obtained were compared with the actual results. As a result, it was found that the ANN method is more than 92% compatibility in estimating these current data.