Değişik Yapay Sinir Ağı Metotlarının Su Kaynakları Verisinin Uzun Zaman Aralıklı Tahminlerinde Kullanımı

Abstract

Bu çalışmada, üç farklı yapay sinir ağı metodu ile ileriye dönük uzun zaman aralıkları sonunda Türkiye’den ve yurtdışından toplam dört havza genelinde günlük sürekli akım, kurak devreli günlük akım, aylık akım, yeraltı su seviyesi verisi tahmin uygulamaları yapılmıştır. Çalışma sonuçları, yapay sinir ağları model tahminleri ile gözlenen zaman serileri karşılaştırmaları şeklinde sunulmuştur. Genelleştirilmiş Yapay Sinir Ağları, Radyal Tabanlı Yapay Sinir Ağı ve İleri Beslemeli Geriye Yayılım Sinir Ağı modellemeler için kullanılmıştır. Ayrıca Çok Değişkenli Doğrusal Regresyon sonuçlarına da karşılaştırma tutarlılığı için başvurulmuştur. Performans karşılaştırma kriterleri olarak, test süresi için elde edilen verinin ortalama kare hatası ve determinasyon katsayısı değerleri kullanılmıştır. Uzun dönem sonu tahmin sonuçlarının bütün yöntemlerde her veri grubu için farklı verimlilikte olduğu söylenebilir. Ancak Genelleştirilmiş Regresyon Yapay Sinir Ağları yöntemi ileri dönemlerden sonra diğer yapay sinir ağı yöntemleri ile karşılaştırıldığında daha iyi performans değerlendirme kriter değerlerine ulaşmıştır. Sonuç olarak, yapılan çalışmada GRYSA’nın, gösterdiği eğilim-tanımlama becerisi ile aylık akımlar ve özellikle yeraltı su seviyesi veri takımlarında uzun zaman aralıkları sonunda daha iyi olduğu görülmüştür.

In this study, three different Artificial Neural Networks are applied to daily continuous river flow series, daily intermittent river flow series, monthly river flow series and ground water level series of four hydrologic regions from Turkey and in order to investigate the long range forecasting results. Study results are presented by comparing the ANN model long-range forecasts and the observed time series. General Regression Neural Network, Radial Basis Functions Neural Network and Feed Forward Back Propagation Neural Network are used to identify the models. Multi Linear Regression is also employed for comparison with ANN model forecasts. Mean squared error and coefficient of determination are used as the performance comparison criteria. It is seen that long-range forecasting results show variable performances for each type of data series. Nevertheless, General Regression Neural Network is seen to be more efficient compared with other ANN methods considering the performance evaluation criteria. Consequently, GRNN method is found to be the best method because of defining data trend in monthly river flow series and specially ground water level data forecasting.