İznik Göl Suyu Kalite Parametrelerinin Yapay Sinir Ağlarıyla Değerlendirilmesi

Abstract

Bu çalışmada İznik Gölünün farklı noktalarında derinlikle birlikte değişen çözünmüş oksijen (ÇO) konsantrasyonunun Yapay Sinir Ağlarıyla (YSA) belirlenmesine çalışılmıştır. Giriş verisi olarak toplam çözünmüş katı madde, pH, iletkenlik, sıcaklık ve derinlik kullanılmıştır. İlk aşamada geri yayılım öğrenme ve Levenberg-Marquardt eğitim algoritmalı ve tek saklı katmanlı İleri Beslemeli Geri Yayınımlı Yapay Sinir Ağı (İBGYSA) kullanılarak etkin giriş parametreleri seçilmiştir. Verilerin ilk % 80’lik kısmı eğitim, son % 20’lik kısmı test amaçlı kullanılmıştır. YSA yapısında derinlik ve sıcaklık optimum giriş, 0.1 ile 0.9 arası en uygun ölçekleme aralığı, karekök dönüşümü verileri normal dağlıma yaklaştırmada optimum dönüşüm ve saklı katmanda logaritmik sigmoid, çıkışta hiperbolik tanjant sigmoid fonksiyonları optimum transfer fonksiyonları olarak bulunmuştur. Bu modeli kurma sürecinde saklı hücre ve iterasyon sayısı test hatasını en aza indirecek şekilde sürekli değiştirilmiştir. Sonraki aşamada bu optimum parametreler Radyal Tabanlı (RTYSA) ve Genelleştirilmiş Regresyon Yapay Sinir Ağında (GRYSA) yapılan ÇO tahminlerinde kullanılmıştır. En iyi sonuç, İBGYSA ve RTYSA ile elde edilmiştir. YSA sonuçları Çok Değişkenli Doğrusal Regresyon (ÇDDR) analizi ile karşılaştırılmıştır. Hata performanslarına göre, YSA lar ÇDDR’dan daha iyi sonuç vermiştir. Ek olarak ÇO tahmini için verilerin iki tabakaya ayrılarak her tabakanın kendi içinde değerlendirildiği İBGYSA’lar tasarlanmıştır. İlk tabaka, tabalaşmanın dikate alınmadığı modellere göre daha yüksek ikinci tabaka daha düşük performans göstermiştir. Bir diğer ÇO tahmini derinlik ve sıcaklık girişlerine ek olarak bir önceki ÇO değerinin de giriş olarak kullanıldığı İBGYSA’la denenmiştir. Bu model iki girişli yapılardan daha yüksek performans göstermiştir.

In this work dissolved oxygen concentration changing with depth from different observation points of İznik Lake was estimated by Artificial Neural Networks (ANN). Total dissolved solids, pH, conductivity, temperature and depth were used as inputs. Firstly, effective input parameters were found using Feed Forward Back Propagation Neural Network (FFBPNN) with back-propagation learning and Levenberg-Marquardt training algorithm with single hidden layer using 80% of data for training and 20% for testing. Depth and temperature as optimum inputs, 0.1-0.9 as optimum normalization range, square root transformation to convert the data to normal distribution as optimum transformation method and logarithmic-sigmoid for hidden layer and hyperbolic-tangent-sigmoid for output layer as optimum transfer functions were determined. Designing this model hidden layer nod and iteration number were changed continuously making the test error minimum. In the next step this optimum parameters were used for the Radial Basis (RBNN) and the Generalized Regression Neural Networks (GRNN). The best results were obtained with FFBPNN and RBNN. The results were compared with the Multi Variable Linear Regression (MVLR) analysis results. Comparing the error performance, the ANNs provided the more accurate result than MVRL. In addition, another FFBPNN considers the lake stratification. The training and testing were accomplished for each stratification layer separately. The performance was found superior in the first layer and inferior in the second layer to the whole depth model. Furthermore, the FFBPNN considering also a third input, i.e. DOx-1, in addition to temperature and depth, was superior to the ANN with two inputs.