Karadeniz Bölgesindeki Yağış-akış İlişkisinin Farklı Ysa Metotlarıyla Belirlenmesi

Abstract

Su kaynaklarının değerlendirilmesinde günlük veya aylık ortalama akımların bilinmesi çok önemlidir. Ancak akarsuların çoğunda akım ölçüm ağı ya yoktur ya da çok zayıftır. Bu sebeple akım ölçümü olmayan veya eksik olan akarsu havzalarında ortalama akımların tahmini için pek çok çalışma yapılmış ve yapılmaktadır. Bir akarsudaki akım havzadaki yağış, sıcaklık, nem gibi birçok parametreye bağlı olmakla birlikte yağış olayının görülmesi ile akımın oluşması arasında belli bir gecikme vardır. Akım tahminlerini yaparken bu gecikmeden yararlanılır. Bu çalışmada, ileri beslemeli geriye yayınım sinir ağı (İBGYSA), radyal tabanlı fonksiyonlara dayalı sinir ağı (RTYSA) ve genelleştirilmiş regresyon sinir ağı (GRSA) olmak üzere üç yapay sinir ağı (YSA) metodu ve klasik yöntemlerden olan Çok Değişkenli Regresyon (ÇDR) metodu ile yağış, sıcaklık, geçmiş akım değerleri kullanılarak, akım tahminleri yapılmıştır. Elde edilen sonuçlar regresyon analizi sonuçları ile karşılaştırılmış ve daha başarılı bulunmuştur. Ekstrapolasyon yapılması gerektiğinde tercih edilmesi gereken YSA metotlarının daha ziyade İBGYSA ve RTYSA olduğu görülmüştür. Buna karşın bu iki metot bazı durumlarda düşük akım değerleri için negatif tahminler verebilmekte, GRYSA kullanıldığında ise bu sorunla karşılaşılmamaktadır.It is important to reach daily or monthly flows in water resources assessment; however, flow observation network is mostly unavailable or inadequate for rivers. Hence, many studies have been performed to estimate mean flows for inadequate or ungauged basins. River flows depend on many variables such as precipitation, temperature, moisture and there is a lag time between precipitation and flow. This lag time is used to estimate flows. In this study, precipitation, temperature, moisture and previous flow data are used to estimate flows by means of three different neural network methods namely, conventional feed forward back propagation (FFBP), radial basis functions neural network (RBF), generalized regression neural network (GRNN) and multivariate regression, one of the classical methods. Consequently, FFBP and RBF are found more preferable when extrapolation is required. On the other hand both methods occasionally give negative estimations for low flow values; that is a problem not faced when GRNN is used.