Günlük buharlaşma miktarının yapay sinir ağları metotları ve klasik yöntemlerle tahmini

Abstract

Buharlaşma, hidrolojik ve meteorolojik çalışmaların önemli bir parametresi olarak karşımıza çıkmaktadır. Buharlaşma tahmininin doğru yapılması ise su kaynaklarının geliştirilmesi, kontrol edilmesi ve yönetimi gibi çeşitli amaçlar için önem taşımaktadır. Bu çalışmada FAO (Food and Agriculture Organization) tarafından standart metot olarak önerilen Penman-Monteith metoduna göre günlük buharlaşma tahmini (ET_0) yapılmış, bu metoda göre bulunan buharlaşma tahminleri referans olarak kabul edilmiştir. Hargreaves-Samani, ve Turc denklemleri gibi ampirik yöntemler ile Yapay Sinir Ağları (YSA), Radyal Tabanlı Yapay Sinir Ağları (RTYSA), Çoklu Doğrusal Regresyon (ÇDR) yöntemleri ve Oto-regresif modelin AR(p) performansları karşılaştırılarak buharlaşma miktarı tahmini yapılmıştır. Çalışma alanı olarak Güney Carolina (ABD) Anderson bölgesindeki Hartwell gölünde bulunan bir istasyon seçilmiştir. Günlük ortalama buharlaşma miktarı tahmini için ortalama günlük hava sıcaklığı (T_mean),en yüksek (T_max) ve en düşük günlük hava sıcaklıkları (T_min), rüzgâr hızı (u), güneşlenme miktarı (SR) ve bağıl nem (RH) kullanılmıştır. Bütün günlük veriler eğitim ve test verisi olarak ikiye ayrılmıştır. YSA optimizasyonu için geriye yayılma ilkesine göre çalışan, ileri beslemeli (feedforward-back-propagation) YSA modeli kullanılmıştır. YSA, RTYSA, ÇDR yöntemi ve AR(p) model sonuçları geleneksel Hargreaves-Samani, ve Turc yöntemlerinin sonuçları ile karşılaştırılmıştır. Sonuç olarak, YSA modelinin buharlaşma miktarı tahmininde diğer yöntemlerden daha iyi performans gösterdiği belirlenmiştir.

Evaporation is regarded as an important parameter of hydrological and meteorological studies. Correct evaporation estimation is crucial for various purposes such as development, control and management of water resources. In this study, daily evaporation estimation (ET_0), has been made according to Penman-Monteith method recommended as the standard method by FAO (Food and Agriculture Organization), and evaporation estimates found according to Penman Monteith method were accepted as reference. The evaporation amount by comparing the performances of Artificial Neural Networks (ANN), Radial Based Artificial Neural Networks (RBNN), Multiple Linear Regression (MLR) methods and Auto-regressive model AR (p) with empirical methods such as Hargreaves-Samani, and Turc equations has been estimated.A station in Hartwell lake in Anderson region, South Carolina (USD) was chosen as the study area. Average daily air temperature (T_mean), highest (T_max), and lowest daily air temperatures (T_min), wind speed (u), sunshine amount (SR) and relative humidity (RH) were used for the estimation of the average daily evaporation amount. All daily data are divided into training and test data. The feedforward-back-propagation ANN model working according to the principle of back propagation has been used for the optimization of ANN. ANN, Radial Based Artificial Neural Networks (RBNN), Multiple Linear Regression (MLR) method and Auto-regressive model AR (p) results were compared with the results of traditional Hargreaves-Samani, and Turc method. The comparison has shown that the ANN model performed better than other methods in estimating the evaporation amount.