Research Article
BibTex RIS Cite

Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (ÇDURE) ile Günlük Akarsu Akımlarının Tahmini-Haldizen Deresi Örneği

Year 2018, , 38 - 47, 31.01.2018
https://doi.org/10.17714/gumusfenbil.311188

Abstract

Su yapılarının tasarımında ve işletmesinde günlük
akarsu akım değerleri büyük öneme sahiptir. İleriye yönelik kısa süreli akım
tahmini yapabilen bir metodun geliştirilmesi, işletmede bulunan su yapılarının
kontrolünün sağlanması, hidroelektrik üretimi, çevre koruması ve taşkın
kontrolünde üreticiye, kullanıcıya ve bölge halkına uygun bir yönetim imkânı
sağlayabilmektedir. Bu çalışmada, Haldizen Deresi akım değerleri Çok Değişkenli
Uyarlanabilir Regresyon Eğrileri (ÇDURE) kullanılarak tahmin edilmiş ve
sonuçlar klasik regresyon analizi (KRA) ile karşılaştırılmıştır. Bu amaç
doğrultusunda Doğu Karadeniz Havzası’nda yer alan Haldizen Deresi Şerah Akım
Gözlem İstasyonunun 1998-2009 yılları arasında günlük olarak ölçülmüş olan akım
verileri kullanılmıştır. Yapılan bu çalışma ile ÇDURE yönteminin tahmin
değerlerinin KRA’ya göre daha iyi sonuçlar verdiği ve yöntemin akım değerleri
tahmininde kullanılabilir olduğu sonucuna ulaşılmıştır. Bu çalışmanın akarsu
üzerindeki enerji planlamasında ve ayrıca bölgede yapılması planlanan su koruma
yapılarının tasarımında da faydalı olacağı düşünülmektedir.

References

  • Adamowski, J., Chan, H. F., Prasher, S. O., Sharda, V. N., 2012. Comparison of multivariate adaptive regression splines with coupled wavelet transform artificial neural networks for runoff forecasting in Himalayan micro-watersheds with limited data. Journal of Hydroinformatics, 14(3), 731-744.
  • Algancı, U., Coşkun, H. G., Eriş, E., Ağıralioğlu, N., Cığızoğlu, K., Yılmaz, L., Toprak, Z. F., 2010. Akım ölçümleri olmayan akarsu havzalarında hidroelektrik potansiyelin belirlenmesine yönelik uzaktan algılama ve CBS ile hidrolojik modelleme, Jeoinformasyon ve Arazi Yönetimi Dergisi, 101-102.
  • Alp, M., ve Cığızoğlu, H. K., 2010. Farklı yapay sinir ağı metodları ile yağış-akış ilişkisinin modellenmesi. İTÜdergisi/d, 3(1).
  • Attoh-Okine, N. O., Mensah, S., Nawaiseh, M., 2003. A new technique for using multivariate adaptive regression splines (MARS) in pavement roughness prediction. In Proceedings of the Institution of Civil Engineers-Transport (Vol. 156, No. 1, pp. 51-55).
  • Bayram, A., Kankal, M., Önsoy, H. (2012). Estimation of suspended sediment concentration from turbidity measurements using artificial neural networks. Environmental monitoring and assessment, 184(7), 4355-4365.
  • Bayram, A., Uzlu, E., Kankal, M., Dede, T. (2015). Modeling stream dissolved oxygen concentration using teaching–learning based optimization algorithm. Environmental Earth Sciences, 73(10), 6565-6576.
  • Bayazıt, M., 1981. Hidrolojide istatistik yöntemler, İTÜ Matbaası, Gümüşsuyu, İstanbul.
  • Bayazıt, M., Yeğen Oğuz, B., 2005. Mühendisler için istatiktik, Birsen Yayınevi, İstanbul. Can, M., 2012. Yapay sinir ağları ile akım tahmini: Mahmudiye Göleti örneği, Yüksek Lisans Tezi, İstanbul Kültür Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Dawson C. W., Wilby R.L., 2001. Hydrological modelling using artificial neural networks, Progress in Physical Geography, 25, 1, 80-108.
  • Dibike, Y.B., Solomatine, D.P., 2001. River flow forecasting using artificial neural networks, Physics Chemical Earth, 26, 1, 1-7.
  • Friedman, J. H., 1991. Multivariate adaptive regression splines. The annals of statistics, 1-67.
  • Ghiaei, F., Kankal, M., Anilan, T., & Yuksek, O. (2016). Regional intensity–duration–frequency analysis in the Eastern Black Sea Basin, Turkey, by using L-moments and regression analysis. Theoretical and Applied Climatology, 1-13.
  • Golob R., Stokelj T., Grgic D., 1998. Neural network- based inflow forecasting, Control Engineering Practice, 6, 593-600.
  • Jin, R., Chen, W., Simpson, T. W., 2001. Comparative studies of metamodelling techniques under multiple modelling criteria. Structural and multidisciplinary optimization, 23(1), 1-13.
  • Komornik, j., Komornikova, M., Mesiar, R., Szökeova, D., Szolgay, J., 2006. Comparison of forecasting performance of nonlinear models of hydrologicaltime series, Physics and Chemistry of The Earth 31, 1127-1145.
  • Latt, Z. Z., and Wittenberg, H., 2014. Improving flood forecasting in a developing country: a comparative study of stepwise multiple linear regression and artificial neural network. Water resources management, 28(8), 2109-2128.
  • Litinetski, V. V., Abramzon, B. M., 1998. MARS-A multistart adaptive random search method for global constrained optimization in engineering applications. Engineering optimization, 30(2), 125-154.
  • Nacar, S., 2014. Farklı Yapay Zeka Yöntemleriyle günlük akarsu akım değerlerinin tahmini-Haldizen Deresi örneği, Yüksek Lisans Tezi, Aksaray Üniversitesi, Fen Bilimleri Enstitüsü, Aksaray
  • Okkan, U., Mollamahmutoğlu, A., 2010. Çoruh nehri günlük akımlarının yapay sinir ağlarıyla tahmin edilmesi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 14, 3, 251-261.
  • Okkan, U., Serbes, Z. A., 2012. Rainfall–runoff modeling using least squares support vector machines. Environmetrics, 23(6), 549-564.
  • Özfalcı, Y., 2008. Çok Değişkenli Uyarlanabilir Regresyon Kesitleri: Mars, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
  • Sattari, M. T., Apaydin, H., & Ozturk, F. (2012). Flow estimations for the Sohu Stream using artificial neural networks. Environmental Earth Sciences, 66(7), 2031-2045.
  • Sharda, V. N., Prasher, S. O., Patel, R. M., Ojasvi, P. R., Prakash, C., 2008. Performance of Multivariate Adaptive Regression Splines (MARS) in predicting runoff in mid-Himalayan micro-watersheds with limited data/Performances de régressions par splines multiples et adaptives (MARS) pour la prévision d'écoulement au sein de micro-bassins versants Himalayens d'altitudes intermédiaires avec peu de données. Hydrological sciences journal, 53(6), 1165-1175.
  • Şentürk, K., 2008. Akım Gözlem İstasyonu Olmayan Havzalarda su potansiyelinin belirlenmesi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Toprak, S., 2011. Çok değişkenli uyarlamalı regresyon eğrileri ve konik programlama ile zaman serilerinin modellenmesi, Yüksek Lisans Tezi, Dicle Üniversitesi, Fen Bilimleri Enstitüsü, Diyarbakır.
  • Turan, M.E., 2007. Akarsu akımlarının tahmininde yapay zeka tekniklerinin kullanılması, Yüksek Lisans Tezi, Celal Bayar Üniversitesi, Fen Bilimleri Enstitüsü, Manisa
  • Uzlu, E., Kömürcü, M. İ., Kankal, M., Dede, T., Öztürk, H. T. (2014). Prediction of berm geometry using a set of laboratory tests combined with teaching–learning-based optimization and artificial bee colony algorithms. Applied Ocean Research, 48, 103-113.
  • Uzlu, E., 2016. Kıyıya dik katı madde hareketi sonucu oluşan yığılma profilinin fiziksel modelle incelenmesi, Doktora Tezi, Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Trabzon.
  • Uzlu, E., Akpınar, A., Kömürcü, M.İ., 2011. Restructuring of Turkey’s electricity market and the share of hydropower energy: The case of the Eastern Black Sea Basin, Renewable Energy 36, 676-688.
  • Ünal, B., 2009. Çok değişkenli uyarlamalı regresyon uzanımları, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Wang, W., Chau, K., Cheng, C., Qiu, L., 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series, Journal of Hydrology, 374, 294-306.
  • Yurtoğlu, H., 2005. Yapay sinir ağları metodolojisi ile öngörü modellemesi: Bazı makroekonomik değişkenler için Türkiye Örneği, Uzmanlık Tezi, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü, Ankara.

Estimation of Daily Streamflow Using Multivariate Adaptive Regression Splines (MARS)-A Case Study of Haldizen Stream

Year 2018, , 38 - 47, 31.01.2018
https://doi.org/10.17714/gumusfenbil.311188

Abstract

The daily streamflow values have a great
influence on the design and operation of water structures. Development of a
method capable of predicting future short-time current flow providing control
of water structures in operation, hydroelectricity generation, environmental
protection and flood control can provide appropriate management for producers,
users and the people of the region. In this study, the Haldizen Stream
streamflow values were estimated using Multivariable Adaptive Regression
Splines (MARS) and compared with the result of Classical Regression Analysis
(CRA). For this purpose, daily flow data measured between 1998 and 2009 of the
Haldizen Stream Şerah Stream Observation Station located in the Eastern Black
Sea Basin were used. With this study, it is concluded that the result of MARS
method give a better than those of KRA method and can be used in estimating
flow values. This study is thought to be useful in energy planning on the river
and also in the design of water conservation plans planned to be made in the
region.

References

  • Adamowski, J., Chan, H. F., Prasher, S. O., Sharda, V. N., 2012. Comparison of multivariate adaptive regression splines with coupled wavelet transform artificial neural networks for runoff forecasting in Himalayan micro-watersheds with limited data. Journal of Hydroinformatics, 14(3), 731-744.
  • Algancı, U., Coşkun, H. G., Eriş, E., Ağıralioğlu, N., Cığızoğlu, K., Yılmaz, L., Toprak, Z. F., 2010. Akım ölçümleri olmayan akarsu havzalarında hidroelektrik potansiyelin belirlenmesine yönelik uzaktan algılama ve CBS ile hidrolojik modelleme, Jeoinformasyon ve Arazi Yönetimi Dergisi, 101-102.
  • Alp, M., ve Cığızoğlu, H. K., 2010. Farklı yapay sinir ağı metodları ile yağış-akış ilişkisinin modellenmesi. İTÜdergisi/d, 3(1).
  • Attoh-Okine, N. O., Mensah, S., Nawaiseh, M., 2003. A new technique for using multivariate adaptive regression splines (MARS) in pavement roughness prediction. In Proceedings of the Institution of Civil Engineers-Transport (Vol. 156, No. 1, pp. 51-55).
  • Bayram, A., Kankal, M., Önsoy, H. (2012). Estimation of suspended sediment concentration from turbidity measurements using artificial neural networks. Environmental monitoring and assessment, 184(7), 4355-4365.
  • Bayram, A., Uzlu, E., Kankal, M., Dede, T. (2015). Modeling stream dissolved oxygen concentration using teaching–learning based optimization algorithm. Environmental Earth Sciences, 73(10), 6565-6576.
  • Bayazıt, M., 1981. Hidrolojide istatistik yöntemler, İTÜ Matbaası, Gümüşsuyu, İstanbul.
  • Bayazıt, M., Yeğen Oğuz, B., 2005. Mühendisler için istatiktik, Birsen Yayınevi, İstanbul. Can, M., 2012. Yapay sinir ağları ile akım tahmini: Mahmudiye Göleti örneği, Yüksek Lisans Tezi, İstanbul Kültür Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Dawson C. W., Wilby R.L., 2001. Hydrological modelling using artificial neural networks, Progress in Physical Geography, 25, 1, 80-108.
  • Dibike, Y.B., Solomatine, D.P., 2001. River flow forecasting using artificial neural networks, Physics Chemical Earth, 26, 1, 1-7.
  • Friedman, J. H., 1991. Multivariate adaptive regression splines. The annals of statistics, 1-67.
  • Ghiaei, F., Kankal, M., Anilan, T., & Yuksek, O. (2016). Regional intensity–duration–frequency analysis in the Eastern Black Sea Basin, Turkey, by using L-moments and regression analysis. Theoretical and Applied Climatology, 1-13.
  • Golob R., Stokelj T., Grgic D., 1998. Neural network- based inflow forecasting, Control Engineering Practice, 6, 593-600.
  • Jin, R., Chen, W., Simpson, T. W., 2001. Comparative studies of metamodelling techniques under multiple modelling criteria. Structural and multidisciplinary optimization, 23(1), 1-13.
  • Komornik, j., Komornikova, M., Mesiar, R., Szökeova, D., Szolgay, J., 2006. Comparison of forecasting performance of nonlinear models of hydrologicaltime series, Physics and Chemistry of The Earth 31, 1127-1145.
  • Latt, Z. Z., and Wittenberg, H., 2014. Improving flood forecasting in a developing country: a comparative study of stepwise multiple linear regression and artificial neural network. Water resources management, 28(8), 2109-2128.
  • Litinetski, V. V., Abramzon, B. M., 1998. MARS-A multistart adaptive random search method for global constrained optimization in engineering applications. Engineering optimization, 30(2), 125-154.
  • Nacar, S., 2014. Farklı Yapay Zeka Yöntemleriyle günlük akarsu akım değerlerinin tahmini-Haldizen Deresi örneği, Yüksek Lisans Tezi, Aksaray Üniversitesi, Fen Bilimleri Enstitüsü, Aksaray
  • Okkan, U., Mollamahmutoğlu, A., 2010. Çoruh nehri günlük akımlarının yapay sinir ağlarıyla tahmin edilmesi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 14, 3, 251-261.
  • Okkan, U., Serbes, Z. A., 2012. Rainfall–runoff modeling using least squares support vector machines. Environmetrics, 23(6), 549-564.
  • Özfalcı, Y., 2008. Çok Değişkenli Uyarlanabilir Regresyon Kesitleri: Mars, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
  • Sattari, M. T., Apaydin, H., & Ozturk, F. (2012). Flow estimations for the Sohu Stream using artificial neural networks. Environmental Earth Sciences, 66(7), 2031-2045.
  • Sharda, V. N., Prasher, S. O., Patel, R. M., Ojasvi, P. R., Prakash, C., 2008. Performance of Multivariate Adaptive Regression Splines (MARS) in predicting runoff in mid-Himalayan micro-watersheds with limited data/Performances de régressions par splines multiples et adaptives (MARS) pour la prévision d'écoulement au sein de micro-bassins versants Himalayens d'altitudes intermédiaires avec peu de données. Hydrological sciences journal, 53(6), 1165-1175.
  • Şentürk, K., 2008. Akım Gözlem İstasyonu Olmayan Havzalarda su potansiyelinin belirlenmesi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Toprak, S., 2011. Çok değişkenli uyarlamalı regresyon eğrileri ve konik programlama ile zaman serilerinin modellenmesi, Yüksek Lisans Tezi, Dicle Üniversitesi, Fen Bilimleri Enstitüsü, Diyarbakır.
  • Turan, M.E., 2007. Akarsu akımlarının tahmininde yapay zeka tekniklerinin kullanılması, Yüksek Lisans Tezi, Celal Bayar Üniversitesi, Fen Bilimleri Enstitüsü, Manisa
  • Uzlu, E., Kömürcü, M. İ., Kankal, M., Dede, T., Öztürk, H. T. (2014). Prediction of berm geometry using a set of laboratory tests combined with teaching–learning-based optimization and artificial bee colony algorithms. Applied Ocean Research, 48, 103-113.
  • Uzlu, E., 2016. Kıyıya dik katı madde hareketi sonucu oluşan yığılma profilinin fiziksel modelle incelenmesi, Doktora Tezi, Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Trabzon.
  • Uzlu, E., Akpınar, A., Kömürcü, M.İ., 2011. Restructuring of Turkey’s electricity market and the share of hydropower energy: The case of the Eastern Black Sea Basin, Renewable Energy 36, 676-688.
  • Ünal, B., 2009. Çok değişkenli uyarlamalı regresyon uzanımları, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
  • Wang, W., Chau, K., Cheng, C., Qiu, L., 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series, Journal of Hydrology, 374, 294-306.
  • Yurtoğlu, H., 2005. Yapay sinir ağları metodolojisi ile öngörü modellemesi: Bazı makroekonomik değişkenler için Türkiye Örneği, Uzmanlık Tezi, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü, Ankara.
There are 32 citations in total.

Details

Subjects Engineering
Journal Section Articles
Authors

Sinan Nacar

Murat Kankal This is me

Mehmet Ali Hınıs

Publication Date January 31, 2018
Submission Date May 9, 2017
Acceptance Date October 6, 2017
Published in Issue Year 2018

Cite

APA Nacar, S., Kankal, M., & Hınıs, M. A. (2018). Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (ÇDURE) ile Günlük Akarsu Akımlarının Tahmini-Haldizen Deresi Örneği. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 8(1), 38-47. https://doi.org/10.17714/gumusfenbil.311188

Cited By