Kurak Bölge Aylık Yağışlarının Markov Zinciri Eklenmiş Koşullu Yapay Sinir Ağları İle Tahmini

Abstract

Su kaynaklarının etkin bir şekilde planlanması ve yönetimi için yağışın doğru bir şekilde tahmin edilmesi büyük önem taşımaktadır. Hidrometeorolojik zaman serilerinin tahmini, zaman serisini etkileyen parametrelerin belirsizliğinden dolayı en zor işlerden biridir. Yapay sinir ağlarına dayalı kurak bölge yağış tahmin modelleri literatürde çok sınırlı sayıda bulunmaktadır. Bu çalışmada ileri beslemeli geri yayılım yapay sinir ağları, radyal tabanlı işlemci yapay sinir ağları, genelleştirilmiş regresyon yapay sinir ağları ve çok değişkenli doğrusal regresyon yöntemleri kullanılmıştır. Modellerin performansını arttırmak için Markov zincirleri, yapay sinir ağları ve çok değişkenli doğrusal regresyon modelleri ile birleştirilerek yeni modeller kurulmuştur. Yapay sinir ağları ve çok değişkenli doğrusal regresyonun modellerini geliştirmek için eğitme verileri sentetik serilerle uzatılarak güçlendirilmiştir. Sentetik serileri türetmek için Thomas-Fiering modeli kullanılmıştır. Çalışmada geliştirilen modellerin özellikle maksimum yağışları tahmin etmede zorlandıkları görüldüğünden modelleri iyileştirmek için koşullu yapay sinir ağları ve koşullu çok değişkenli doğrusal regresyon yöntemleri geliştirilmiştir. Uygulama için Ürdün’ün değişik bölgelerinden üç meteoroloji istasyonu (Amman, Baqura ve Safawi) seçilmiştir. Çalışmada kullanılan veriler değişik homojenlik testlerinden geçirilmiştir. Kullanılan testlere göre Ürdün’ün bu üç istasyonunun yağış verilerinin homojen olduğu belirlenmiştir. Gelecek ayın yağışını tahmin etmek için önceki aylara ait yağış verileri geliştirilen modellerde girdi olarak kullanılmıştır. Sonuç olarak yapay sinir ağları ve çok değişkenli doğrusal regresyon modellerinden iyi sonuç alınmadığı görülmüş, Markov zincirleri ile birleştirilmiş yapay sinir ağları ve çok değişkenli doğrusal regresyon modellerinin kuru ayların tahminlerinde büyük başarı gösterdikleri anlaşılmıştır. Sentetik serilerle güçlendirilmiş yapay sinir ağları ve çok değişkenli doğrusal regresyon modellerinin de performanslarının yeterli olmadığı görülmüştür. Koşullu yapay sinir ağları ve koşullu doğrusal regresyon modellerinin ise yağış tahmininde büyük başarı gösterdiği anlaşılmıştır.

Precipitation amount should be predicted accurately for an affective water resources management and planning. Prediction of hydrometeorological time series is difficult because of uncertainty in the parameters which affect the time series. In literature, the applications of artificial neural networks to forecast arid-region precipitation are limited. In this study, the potential of feed-forward backpropagation, radial basis function, generalized regression artificial neural networks and multiple linear regressions are used. New models are developed combination of Markov chain with artificial neural networks and multiple linear regression models to increase model performance. Synthetic data sets are generated to train artificial neural networks and multiple linear regressions. Thomas-Fiering models are used to generate synthetic series. Models developed in this study are all found not adequate particularly for the prediction of maximum precipitation. For this reason conditional neural networks and conditional multiple linear regression models are introduced to better estimate the observed precipitation. Results of the conditional models were found satisfactory. Three meteorological stations (Amman, Baqura and Safawi) from different geographical regions in Jordan are selected. Various homogeneity tests are employed for the data used in this study. Precipitation data from the three stations are found homogeneous according to the results of the tests. Antecedent monthly precipitation data are used as input to models to predict the total precipitation of next month. In conclusion, it is seen that the results of artificial neural networks and multiple linear regression models are not adequate. Artificial neural networks and multiple linear regressions combined with Markov chains are found successful in the prediction of dry months. Also artificial neural networks and multiple linear regressions trained with synthetic series do not perform efficiently. It is finally seen that the conditional neural networks and conditional multiple linear regressions considerably improve the accuracy of the one month ahead precipitation forecasting.