Akarsulardaki Askı Maddesi Miktarının Kara Kutu Modeliyle Belirlenmesi

Abstract

Bu çalışmada, yapay sinir ağlarının iki farklı algoritması ile yağış, akım ve askı maddesi tahminleri yapılmıştır. En çok kullanılan yapay sinir ağı algoritması olan ileri beslemeli geriye yayınım metodu ve genelleştirilmiş regresyon sinir ağı yöntemiyle farklı mimariler kurularak elde edilen tahmin sonuçları klasik istatistik ve stokastik model sonuçlarıyla karşılaştırılmıştır. İki yapay sinir ağı yöntemiyle elde edilen akım ve yağış tahmin sonuçları otoregresif model ve regresyon analizi sonuçlarıyla kıyaslanmıştır. Karşılaştırma kriteri olarak ortalama kare hatası ve belirlilik katsayısı kullanılmıştır. Her iki yapay sinir ağı algoritmasıyla bulunan askı maddesi tahmin sonuçları ise katı madde anahtar eğrisi ve regresyon analizi tahminleri ile karşılaştırılmış, iki karşılaştırma kriterine ek olarak, hesaplanan toplam askı maddesi miktarı ile gözlenen toplam askı maddesi miktarı arasındaki farka da bakılmıştır. Yapılan karşılaştırmalarda yapay sinir ağı ile elde edilen tahmin sonuçlarının geleneksel metodlarla elde edilen tahmin sonuçlarına göre çok daha iyi olduğu görülmüştür.

In this study rainfall, river flow and suspended sediment estimations are carried out using two different artificial neural network algorithms. Estimations obtained by the conventional feed forward back propagation and the new generalized regression neural network methods using different network architectures are compared with conventional statistical and stochastic model results. The river flow and basin rainfall estimations obtained using the two artificial neural network methods are compared with autoregressive and regression model applications. The mean squared error and the determination coefficient are used as comparison criteria. The suspended sediment estimations provided by the two artificial neural network algorithms are compared with conventional sediment rating curve and regression method results also the estimated and observed sediment sums are examined in addition to two previously mentioned performance criteria. The artificial neural network estimations are found significantly superior to conventional method results.