Eksik akış kayıtlarının tahmini için tekrarlayan sinir ağlarının uygulanabilirliği

Abstract

Nehir akış kayıtlarının saklanması, optimum su kaynağı yönetimi uygulamalarının sağlanması ve ekohidrolojik dengenin korunması için birincil koşuldur. Bazı nehir akış ölçüm istasyonları özellikle ülkenin kırsal ve uzak bölgelerinde çeşitli teknik sorunlar veya beklenmedik problemler nedeniyle kesintili olarak hizmet dışı kalabilmektedir. Böylelikle nehir akış kayıtlarının bir kısmı kaybolabilmektedir. Bu bağlamda yapılan bu tez çalışmasında, Bursa'da Orhaneli Nehri üzerinde bulunan Dağgüney istasyonun günlük nehir akış verilerinin tahmin edilmesi için destekleyici bir yaklaşım olarak tekrarlayan sinir ağlarının (TSA) uygunluğu araştırılmıştır. Elde edilen bulgular TSA'nın sınırlı sayıda girdi verisi olsa bile belli dönemlerde iyi ve çok iyi tahminler sağlama potansiyelini göstermiştir. Çalışmanın sonucunda R2=0,875 olarak bulunmuştur. Ayrıca, tüm tahmini akışlar ve tüm gerçek kayıtlar için tahmini KOKH değerleri sırasıyla 14,7 m3/s ve 15,59 m3/s, tahmin modeli için Nash-Sutchliff verimliliği NSV değeri ise 0,871 olarak bulunmuştur. Bu sonuçlar TSA‟nın umut verici olduğunu ve uzak bölgelerdeki sel ve kuraklıkların olası dönemlerini tahmin etmek ve klasik yaklaşımları kullanmak yerine eksik kayıtları hesaplamak için TSA‟nın pratik bir yöntem olarak değerlendirilebileceğini göstermiştir

Acquiring river flow records is the primary prerequisite for providing optimum water resource management practices and preserving the ecohydrological balance. Some river flow measurement stations may be out of service intermittently due to various technical problems or unexpected difficulties. Consequently, some of the river flow records may be lost especially in rural and remote areas of the country. In this context, the suitability of recurrent neural networks (RNN) as a supportive approach for estimating daily river flow data of Dağgüney station located on the Orhaneli River in Turkey was investigated in this thesis. The findings showed the potential of RNN in providing good and very good predictions in some periods, even with a limited number of input data. As a result of the study, R2=0.875 was found. In addition, RMSE values for all estimated flows and all actual records respectively were found to be 14,7 m3/s and 15.59 m3/s. The Nash-Sutchliff efficiency NSE value for the forecast model was 0.871. These results suggested that RNN are promising and may be considered as a practical method to predict the likely periods of floods and droughts in remote areas and interpolate missing records instead of using classical approaches.