İleri Veri İşlem Yöntemleri ile Su Kaynaklarının Kullanımı ve Planlanmasının Optimizasyonu

Uğur Akbulut; Zafer Aslan

doi:10.29002/asujse.1099967

Araştırma Makalesi

İleri Veri İşlem Yöntemleri ile Su Kaynaklarının Kullanımı ve Planlanmasının Optimizasyonu

Yıl 2022, Cilt: 6 Sayı: 2, 79 - 94, 30.12.2022

Uğur Akbulut , Zafer Aslan

https://doi.org/10.29002/asujse.1099967

Cited By: 1

Öz

Canlı yaşamının devam etmesi için gerekli olan en temel maddelerden biri sudur. Gelecekte ve günümüzde nüfus artışına yanıt verebilecek temiz su kaynaklarının korunması ve geliştirilmesi, gerekliliği büyük önem arz etmektedir. Su insanoğlunun enerji ihtiyacını karşılayan ve hayatta kalmasını sağlayan en temel kaynaklardan birisidir. Mevcut su potansiyelinin tasarruflu kullanılması su ve kullanımının verimli hale getirilmesi gerekmektedir. Nehir akım hızı zaman serisi kullanılarak ileriye dönük su potansiyeli tahmini yapılabilmektedir. Akım gözlem istasyonlarında günlük ölçümler yapılmaktadır. Bu verilere dayalı olarak, matematik modellerle ve makine öğrenmesi sistemleri ile tahmin çalışmaları yürütülmektedir. Bu çalışmada inceleme bölgesi olarak seçilen Çatalca Istıranca nehrine ait günlük ve aylık ortalama akım, bölgeye ait günlük toplam yağış miktarı ve günlük ortalama hava sıcaklık değerleri göz önüne alınmıştır. İstatistiksel olarak 2004-2020 inceleme dönemine ait, günlük ortalama akım 2.97 m3/s, günlük toplam yağış 2.73 (mm=kg/m2) ve ortalama hava sıcaklığı değeri 12.57 °C olarak saptanmıştır. Makine öğrenme yöntemlerinden Lineer Regresyon, Destek Vektör, Karar Ağacı, Rasgele Orman, Ekstra Ağaçlar, Dalgacık yöntemleri kullanarak akarsu akış miktarının zamanla değişimi tahmin edilmiştir. Uygulanan modellerin başarı performansları karşılaştırılmış, akış miktarı tahmininde Ekstra Ağaçlar (%90.48) ve Rasgele Orman (%88.96) diğer yöntemlere göre daha başarılı bulunmuştur.

Anahtar Kelimeler

Akış Tahmini, Regrasyon, Dalgacık, Sıcaklık, Yağış

Kaynakça

[1] V. Batu, Yeraltı Suyu Hidroliği: Darcy ve Fick’ten Bu Yana Geçen Süre İçinde Yapılan çalışmalara Genel Bakış, Su Kaynakları, 1:1 (2008) 1-13.
[2] Ankara Üniversitesi Açık Ders, “Dünyadaki Suyun Dağılımı Ve Su Tüketimi”, Erişim Tarihi 24.11.2021, https://acikders.ankara.edu.tr/mod/resource/view.php?id=85361
[3] Ankara Üniversitesi Su Yönetimi, “Kentsel Ve Bireysel Su Tasarrufu”, Erişim Tarihi: 21.11.2021, http://suyonetimi.ankara.edu.tr/wp-content/uploads/sites/88/2013/03/KENTSEL-VE-BIREYSEL-SU-TASARRUFU1.pdf
[4] N. Usul, Mühendislik Hidrolojisi. Ankara: ODTÜ Yayıncılık, 2017.
[5] Bilim Ve Aydınlanma Akademisi, “Kapitalizmin Kıskacında Su Kaynakları”, Erişim Tarihi:11.10.2021, https://bilimveaydinlanma.org/kapitalizmin-kiskacinda-su-kaynaklari,
[6] S. Özsoy, Su Ve Yaşam: Suyun Toplumsal Önemi, Ankara Üniversitesi, 2009.
[7] GreenFacts, “Assessments of water resources and their management”, Erişim Tarihi 22.10.2021, https://www.greenfacts.org/en/water-resources-assessments/index.htm
[8] V. Demir, A.Ü. Keskin, Yeterince akım ölçümü olmayan nehirlerde taşkın debisinin hesaplanması ve taşkın modellemesi (Samsun, Mert Irmağı örneği), Geomatik, 7:2 (2022) 149-162.
[9] SIWI, “COP26 has 4 goals. Water is central to all of them”, Erişim Tarihi: 27.10.2021 https://siwi.org/latest/cop26-has-4-goals-water-is-central-to-all-of-them/
[10] İ. Çiçek, M. Ataol, Türkiye’nin Su Potansiyelinin Belirlenmesinde Yeni Bir Yaklaşım, Coğrafi Bilimler Dergisi 7:1 (2009) 51-64.
[11] K. Altan, A. Teksoy, A. Solmaz, Türkiye’de Yağış Ve Sıcaklığın Su Kaynakları, Tarımsal Ürün Verimi Ve Su Politikalarına Etkisi, Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25:3 (2020) 1253-1270.
[12] Ö. Terzi, M. Barak, Dalgacık-Sinir Ağı Yaklaşımı İle Yağış-Akış Tahmini: Kızılırmak Nehri Örneği, Tarım Bilimleri Dergisi, 21:4 (2015) 546-557.
[13] Ç. Çelik, Istranca Deresi (İstanbul)’ndeki Tatlısu Kefalinin Yaş ve Büyüme Özellikleri, Turkish Journal of Bioscience and Collections, 3:1 (2019) 11-18.
[14] H. Orhan, D. Kaşıkçı, Path, Korelasyon ve Kısmi Regresyon Katsayılarının Karşılaştırılmalı Olarak İncelenmesi, Hayvansal Üretim 43:2 (2002) 68-78.
[15] Regresyon Analizi, Erişim Tarihi: 21.11.2021, http://w3.balikesir.edu.tr/~bsentuna/wp-content/uploads/2013/03/Regresyon-Analizi.pdf
[16] Ankara Üniversitesi Açık Ders, “Korelasyon katsayısı”, Erişim Tarihi : 16.10.2021, https://acikders.ankara.edu.tr/pluginfile.php/62029/mod_resource/content/0/4.%20hafta.pdf
[17] F. Aydın ve Z. Aslan, Yapay öğrenme yöntemleri ve dalgacık dönüşümü kullanılarak nöro dejeneratif hastalıkların teşhisi, Journal of the Faculty of Engineering and Architecture of Gazi University 32:3 (2017) 749-766.
[18] J. Han, M. Kamber, J. Pei, Data Mining Third Edition 3.5.2 Data Transformation by Normalization, Elsevier, Waltham, 2012, pp. 113.
[19] M. Küçük, N. Ağıralioğlu, Dalgacık Dönüşüm Tekniği Kullanılarak Hidrolojik Akım Serilerinin Modellenmesi, İtüdergisi/d, 5:2 (2006) 69-80.
[20] G. Önbilgin, Ç. Kocaman, O. Özgönenel, Wavelets And Its Applications Of Power System Protection, G.U. J. Sci., 17:2 (2004) 77-90.
[21] İ.V. Öner, M.K. Yeşilyurt, E.Ç. Yılmaz, Wavelet Analiz Tekniği Ve Uygulama Alanları, Ordu Üniv. Bil. Tek. Derg., 7:1 (2017) 42-56.
[22] H. K. Sevindir, S. Çetinkaya, C. Yazıcı, Makine öğrenmesi algoritmaları ve dalgacık dönüşümü ile EKG sinyalinden özellik çıkarımı, BAUN Fen Bil. Enst. Dergisi, 20:1 (2018) 94-109.
[23] S. Kılıç, Doğrusal Regresyon Analizi, Journal of Mood Disorders, 3:2 (2013) 90-92.
[24] M. Acı, M. Avcı, Ç. Acı, Destek Vektör Regresyonu Yöntemiyle Karbon Nanotüp Benzetim Süresinin Kısaltılması, Journal of The Faculty Of Engineering and Architecture of Gazi University 32:3 (2017) 901-907.
[25] Destek Vektör Regresyonu (Svr), “Wtx İle Temsil Edilen Bir Svr Regresyon Fonksiyonunun Resmi.” Erişim Tarihi: 22.11.2021, www.Researchgate.Net/Uploaded By Frank M Boeckler
[26] N. Beşli, M.E. Tenekeci, Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini, DÜMF Mühendislik Dergisi 11:3 (2020) 899-906.
[27] S. Demirezen, M. Çetin, Rassal Orman Regresyonu Ve Destek Vektör Regresyonu İle Piyasa Takas Fiyatının Tahmini, Nicel Bilimler Dergisi, 3:1 (2021) 1-15.
[28] F.V. Şahinarslan, Makine Öğrenmesi Algoritmaları İle Nüfus Tahmini: Türkiye Örneği, İstanbul Teknik Üniversitesi Sosyal Bilimler Enstitüsü İşletme ABD, Yüksek Lisans Tezi, Haziran 2019.

Optimization of the Use and Planning of Water Resources with Advanced Data Processing Methods

Yıl 2022, Cilt: 6 Sayı: 2, 79 - 94, 30.12.2022

Uğur Akbulut , Zafer Aslan

https://doi.org/10.29002/asujse.1099967

Cited By: 1

Öz

One of the most basic substances necessary for the continuation of life is water. The necessity of protecting and developing clean water resources that can respond to population growth in the future and today is of great importance. Water is one of the most basic resources that meet the energy needs of human beings and ensure their survival. It is necessary to use the existing water potential economically and to make water and its use efficient. Forward estimation can be made using the time series of river flow rates. Measurements are made daily at flow observation stations. With the data we get from here, we can make predictions with mathematical models and today's machine learning systems. Regression analysis is one of the methods used. In this study, the daily and monthly flow rate, precipitation and air temperature values of the Çatalca-Istıranca River, which was selected as the study area we determined, were taken into account. Statistically, the daily average flow 2.97 m3/s, daily total precipitation 2.73 (mm=kg/m2) and average air temperature value for the 2004-2020 review period has been determined as 12.57 °C. The variation of stream flow over time was estimated by using the machine learning methods Linear Regression, Support Vector, Decision Tree, Random Forest, Extra Trees and Wavelet methods. The success performances of the applied models were compared, and the success ratio of the Extra Trees (90.48%) and Random Forest (88.96%) methods were found to be higher than the other methods in estimating the flow rate.

Anahtar Kelimeler

River Flow Rate, Machine Learning Methods, Wavelet, Random Forest, Extra Trees

Kaynakça

[1] V. Batu, Yeraltı Suyu Hidroliği: Darcy ve Fick’ten Bu Yana Geçen Süre İçinde Yapılan çalışmalara Genel Bakış, Su Kaynakları, 1:1 (2008) 1-13.
[2] Ankara Üniversitesi Açık Ders, “Dünyadaki Suyun Dağılımı Ve Su Tüketimi”, Erişim Tarihi 24.11.2021, https://acikders.ankara.edu.tr/mod/resource/view.php?id=85361
[3] Ankara Üniversitesi Su Yönetimi, “Kentsel Ve Bireysel Su Tasarrufu”, Erişim Tarihi: 21.11.2021, http://suyonetimi.ankara.edu.tr/wp-content/uploads/sites/88/2013/03/KENTSEL-VE-BIREYSEL-SU-TASARRUFU1.pdf
[4] N. Usul, Mühendislik Hidrolojisi. Ankara: ODTÜ Yayıncılık, 2017.
[5] Bilim Ve Aydınlanma Akademisi, “Kapitalizmin Kıskacında Su Kaynakları”, Erişim Tarihi:11.10.2021, https://bilimveaydinlanma.org/kapitalizmin-kiskacinda-su-kaynaklari,
[6] S. Özsoy, Su Ve Yaşam: Suyun Toplumsal Önemi, Ankara Üniversitesi, 2009.
[7] GreenFacts, “Assessments of water resources and their management”, Erişim Tarihi 22.10.2021, https://www.greenfacts.org/en/water-resources-assessments/index.htm
[8] V. Demir, A.Ü. Keskin, Yeterince akım ölçümü olmayan nehirlerde taşkın debisinin hesaplanması ve taşkın modellemesi (Samsun, Mert Irmağı örneği), Geomatik, 7:2 (2022) 149-162.
[9] SIWI, “COP26 has 4 goals. Water is central to all of them”, Erişim Tarihi: 27.10.2021 https://siwi.org/latest/cop26-has-4-goals-water-is-central-to-all-of-them/
[10] İ. Çiçek, M. Ataol, Türkiye’nin Su Potansiyelinin Belirlenmesinde Yeni Bir Yaklaşım, Coğrafi Bilimler Dergisi 7:1 (2009) 51-64.
[11] K. Altan, A. Teksoy, A. Solmaz, Türkiye’de Yağış Ve Sıcaklığın Su Kaynakları, Tarımsal Ürün Verimi Ve Su Politikalarına Etkisi, Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25:3 (2020) 1253-1270.
[12] Ö. Terzi, M. Barak, Dalgacık-Sinir Ağı Yaklaşımı İle Yağış-Akış Tahmini: Kızılırmak Nehri Örneği, Tarım Bilimleri Dergisi, 21:4 (2015) 546-557.
[13] Ç. Çelik, Istranca Deresi (İstanbul)’ndeki Tatlısu Kefalinin Yaş ve Büyüme Özellikleri, Turkish Journal of Bioscience and Collections, 3:1 (2019) 11-18.
[14] H. Orhan, D. Kaşıkçı, Path, Korelasyon ve Kısmi Regresyon Katsayılarının Karşılaştırılmalı Olarak İncelenmesi, Hayvansal Üretim 43:2 (2002) 68-78.
[15] Regresyon Analizi, Erişim Tarihi: 21.11.2021, http://w3.balikesir.edu.tr/~bsentuna/wp-content/uploads/2013/03/Regresyon-Analizi.pdf
[16] Ankara Üniversitesi Açık Ders, “Korelasyon katsayısı”, Erişim Tarihi : 16.10.2021, https://acikders.ankara.edu.tr/pluginfile.php/62029/mod_resource/content/0/4.%20hafta.pdf
[17] F. Aydın ve Z. Aslan, Yapay öğrenme yöntemleri ve dalgacık dönüşümü kullanılarak nöro dejeneratif hastalıkların teşhisi, Journal of the Faculty of Engineering and Architecture of Gazi University 32:3 (2017) 749-766.
[18] J. Han, M. Kamber, J. Pei, Data Mining Third Edition 3.5.2 Data Transformation by Normalization, Elsevier, Waltham, 2012, pp. 113.
[19] M. Küçük, N. Ağıralioğlu, Dalgacık Dönüşüm Tekniği Kullanılarak Hidrolojik Akım Serilerinin Modellenmesi, İtüdergisi/d, 5:2 (2006) 69-80.
[20] G. Önbilgin, Ç. Kocaman, O. Özgönenel, Wavelets And Its Applications Of Power System Protection, G.U. J. Sci., 17:2 (2004) 77-90.
[21] İ.V. Öner, M.K. Yeşilyurt, E.Ç. Yılmaz, Wavelet Analiz Tekniği Ve Uygulama Alanları, Ordu Üniv. Bil. Tek. Derg., 7:1 (2017) 42-56.
[22] H. K. Sevindir, S. Çetinkaya, C. Yazıcı, Makine öğrenmesi algoritmaları ve dalgacık dönüşümü ile EKG sinyalinden özellik çıkarımı, BAUN Fen Bil. Enst. Dergisi, 20:1 (2018) 94-109.
[23] S. Kılıç, Doğrusal Regresyon Analizi, Journal of Mood Disorders, 3:2 (2013) 90-92.
[24] M. Acı, M. Avcı, Ç. Acı, Destek Vektör Regresyonu Yöntemiyle Karbon Nanotüp Benzetim Süresinin Kısaltılması, Journal of The Faculty Of Engineering and Architecture of Gazi University 32:3 (2017) 901-907.
[25] Destek Vektör Regresyonu (Svr), “Wtx İle Temsil Edilen Bir Svr Regresyon Fonksiyonunun Resmi.” Erişim Tarihi: 22.11.2021, www.Researchgate.Net/Uploaded By Frank M Boeckler
[26] N. Beşli, M.E. Tenekeci, Uydu verilerinden karar ağaçları kullanarak orman yangını tahmini, DÜMF Mühendislik Dergisi 11:3 (2020) 899-906.
[27] S. Demirezen, M. Çetin, Rassal Orman Regresyonu Ve Destek Vektör Regresyonu İle Piyasa Takas Fiyatının Tahmini, Nicel Bilimler Dergisi, 3:1 (2021) 1-15.
[28] F.V. Şahinarslan, Makine Öğrenmesi Algoritmaları İle Nüfus Tahmini: Türkiye Örneği, İstanbul Teknik Üniversitesi Sosyal Bilimler Enstitüsü İşletme ABD, Yüksek Lisans Tezi, Haziran 2019.

Toplam 28 adet kaynakça vardır.

Ayrıntılar

Birincil Dil	Türkçe
Konular	Mühendislik
Bölüm	Araştırma Makalesi
Yazarlar	Uğur Akbulut 0000-0003-2867-523X Zafer Aslan
Yayımlanma Tarihi	30 Aralık 2022
Gönderilme Tarihi	8 Nisan 2022
Kabul Tarihi	24 Haziran 2022
Yayımlandığı Sayı	Yıl 2022Cilt: 6 Sayı: 2

Kaynak Göster

APA	Akbulut, U., & Aslan, Z. (2022). İleri Veri İşlem Yöntemleri ile Su Kaynaklarının Kullanımı ve Planlanmasının Optimizasyonu. Aksaray University Journal of Science and Engineering, 6(2), 79-94. https://doi.org/10.29002/asujse.1099967