Estimation of Missing Hydrological Data by Symbiotic Organisms Search Algorithm

Year 2020, Volume: 6 Issue: 1, 93 - 104, 22.05.2020

Kemal Saplıoğlu , Tülay Suğra Küçükerdem Öztürk , Fatih Ahmet Şenel

https://doi.org/10.28979/comufbed.628846

Cited By: 2

Abstract

In order for water resources projects and planning to be made in the most effective way, data must be collected and analyzed regularly. However, due to financial and technical reasons, data cannot be collected regularly in some areas. This situation brings with it the missing data problem. The missing data problem poses some problems in planning, designing and managing water resources. For the solution of this prob-lem, other station data similar to the station under measurement is needed. Many different studies have been conducted in the literature to complete the missing data. In this study it was used measuring station located on Turkey's Yesilirmak river. In the study, 3 different functions were optimized with the help of Symbiotic Organisms Search (SOS) algorithm. In addition, the optimized functions were compared with the results obtained from artificial neural networks, normal ratio method and multiple regression methods. The results obtained from the models created were tested with Mallows’s Cp and the results were found to be acceptable. Although the results of 6 models created with artificial neural networks give better results than the normal rate method and multiple regression, Symbiotic Organisms Search was not as successful as the optimization method. The best of artificial neural network models was found to be 8 neurons for this study. In the study, it was observed that the error values of the models created without SOS were at the level of 3% 4%, and the results of the functions optimized with SOS were better than other methods.

Keywords

Missing data, symbiotic organisms search, Yesilirmak river, estimating

Eksik Hidrolojik Verilerin Simbiyotik Organizmalar Arama Algoritması ile Tahmini

Abstract

Su kaynakları proje ve planlamalarının en etkili şekilde yapılabilmesi için düzenli olarak verilerin toplan-ması ve bu verilerin analiz edilmesi gerekmektedir. Ancak gerek maddi gerekse teknik nedenlerden dolayı bazı alanlarda veriler düzenli olarak toplanamamaktadır. Bu durum ise eksik veri problemini beraberinde getirmektedir. Eksik veri problemi su kaynaklarının planlanmasında, projelendirilmesinde ve yönetiminde birtakım sorunlar meydana getirmektedir. Bu problemin çözümü için ölçüm yapılan istasyona benzer nitelikteki diğer istasyon verilerine ihtiyaç duyulmaktadır. Eksik verilerin tamamlanması için literatürde çok farklı çalışmalar yapılmıştır. Bu çalışmada ise Türkiye’nin Yeşilırmak nehri üzerinde bulunan ölçüm istasyonları kullanılmıştır. Çalışmada Symbiotic Organisms Search (SOS) algoritması yardımı ile 3 farklı fonksiyon optimize edilmiştir. Ayrıca optimize edilen fonksiyonlar yapay sinir ağları, normal oran metodu ve çoklu regresyon yöntemlerinden elde edilen sonuçlar ile karşılaştırılmıştır. Oluşturulan modellerden elde edilen sonuçlar Mallows’s Cp ile test edilmiş ve sonuçların kabul edilebilir düzeyde olduğu görülmüş-tür. Yapay sinir ağları ile oluşturulan 6 adet modelin sonuçları ise normal oran metodu ve çoklu regresyo-na göre daha iyi sonuç vermesine rağmen Symbiotic Organisms Search optimizasyon yöntemi kadar başa-rılı olamamıştır. Yapay sinir ağları modellerinden en iyisi de bu çalışma için 8 nöronlu olarak tespit edil-miştir. Çalışmada SOS olmadan oluşturulan modellerin hata değerlerinin %3-%4 seviyelerinde olduğu, SOS ile optimize edilen fonksiyon sonuçlarının diğer yöntemlere göre daha iyi olduğu görülmüştür. 

Keywords

Eksik veriler, simbiyotik organizmalar arama algoritması, Yeşilırmak nehri, tahminleme

References

• Avcar, M. ve Saplıoğlu, K. (2015). An artificial neural network application for estimation of naturel frequencies of beams. International Journal of Advanced Computer Science and Applications, 6(6), 94-102.
• Bakış, R. ve Göncü, S. (2015). Akarsu debi ölçümlerinde eksik verilerin tamanlanması: Zap suyu havzası örneği. Anadolu Üniversitesi Bilim ve Teknolojisi Dergisi A- Uygulamalı Bilimler ve Mühendislik, 16(1):63-79.
• Bardossy, A. ve Pegram, G. (2014). Infilling missing precipitation records- A comparison of a new copula-based method with other techniques. Journal of Hydrology, (519), 1162-1170.
• Bayazıt, M. (2013). Hidroloji. İstanbul: Birsen Yayınevi.
• Baysal, YA. ve Altas, IH. (2017). Power quality improvement via optimal capacitor placement in electrical distribution systems using symbiotic organisms search algorithm. Mugla Journal of Science and Technology, 3(1) ,64-68.
• Beauchamp, JJ. Downing, DJ. Ve Railsback, SF. (1989). Comparison of regression and time-series methods for synthesizing missing streamflow records. Journal of the American Water Resources Association, 25(5), 961-975.
• Chandwani, V. Agrawal, V. ve Nagar, R. (2015). Modeling slump of ready mix concrete using genetic algorithms assisted training of artificial neural networks. Expert Systems with Applications, 42(2), 885–893.
• Cheng, M. ve Prayogo, D. (2014). Symbiotic Organisms Search: A new metaheuristic optimization Algorithm. Computers and Structures, (139), 98-112.
• Çatal, Y. ve Saplıoğlu, K. (2018). Comparison of adaptive neuro-fuzzy inference system, artifıcial neural networks and non-linear regression for bark volume estimation in Brutian Pine (Pinus brutia ten.) Applied Ecology and Environmental Research, 16(2), 2015-2027.
• Çelik, E. ve Öztürk, N. (2017). Doğru akım motor sürücüleri için PI parametrelerinin simbiyotik organizmalar arama algoritması ile optimal ayarı. Bilişim Teknolojileri Dergisi, 10(3), 311-318.
• E.İ.E. (2003). Elektrik İşleri Etüd İdaresi
• Elmas, Ç. (2003). Yapay sinir ağları (Kuram, mimari, eğitim, uygulama). Ankara: Seçkin Yayınevi.
• Elshorbagy, A. Simonovic, SP. ve Panu, US. (2002). Estimation of missing streamflow data using principles of chaos theory. Journal of Hydrology, (255),123-133.
• Gümüş, V. ve Kavşut, ME, (2013). Zamanti Nehri-Ergenuşağı istasyonu eksik aylık akım verilerinin tahmini. Gazi Üniversitesi Fen Bilimleri Dergisi Part:C, 1(2), 81-91.
• Hair, JF. Black, WC. Babin, BJ. ve Anderson, RE. (2009). Multivariate data analysis. Pearson Education.
• Ismail, WNW. ve Zin, WZW. (2017). Estimation of rainfall and stream flow missing data for Terengganu, Malaysia by using interpolation technique methods. Malaysian Journal of Fundamental and Applied Sciences, 13(3), 213-217.
• Kurunç, A. Yürekli, K. ve Öztürk, F. (2005). Effect of discharge flustuation on water quality variables from the Yeşilırmak river. Tarım Bilimleri Dergisi, 11(2), 189-195.
• Mwale, FD. Adeloye, AJ. ve Rustum, R. (2012). Infilling of missing rainfall and streamflow data in the Shire river basin, Malawi- A self organizing map approach. Physics and Chemistry of the Earth, Parts A/B/C, 50(52), 34-43.
• Özdemir, G. Aydemir, E. Olgun, MO. ve Mulbay, Z. (2016). Forecasting of Turkey natural gas demand using a hybrid algorithm. Energy Sources Part B- Economics Planning and Policy, 11(4), 295-302.
• Önöz, B. (2015). Ölçüm olmayan havzalarda akım tahmin yöntemleri, http://www.dsi.gov.tr/docs/tuhk/ölçüm-olmayan-havzalarda-akım-tahmin-yöntemleri.pdf?sfvrsn=2 (Erişim Tarihi:23.05.2019).
• Partal, T. (2007). Türkiye yağış miktarlarının yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini (Yayımlanmış doktora tezi). İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
• Salas, JD. (1993). Analysis and modeling of hydrologic time series. New York: McGraw-Hill Book Company.
• Sun, W. ve Trevor, B. (2017). Multiple model combination methods for annual maximum water level prediction during River İce breakup. Hydrological Processes, 32, 421-435.
• Şen, Z. (2004). Yapay sinir ağı ilkeleri. İstanbul:Su Vakfı Yayınları .
• Tencaliec, P. Favre, A. Prieur, C. ve Mathevet, T. (2015). Reconstruction of missing daily streamflow data using dynamic regression models. Water Resources Research, 51, 9447-9463.
• Tosunoğlu, F. İspirli, MN. Gürbüz, F. ve Şengül, S. (2017). Fırat Havzası’ndaki eksik akım verilerinin debi süreklilik çizgileri ve regresyon modelleri ile tahmin edilmesi. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7(4), 85-94.
• Turhan, E. ve Çağatay, HÖ. (2016). Eksik akım verilerinin tahmin modelinin oluşturulmasında yapay sinir ağlarının kullanımı: Asi Nehri-Demirköprü akım gözlem istasyonu örneği. Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 31(1), 93-106.
• Uzundurukan, S. Saplıoğlu, K. (2019). Bilimsel çalışmalarda kullanılan yapay zekâ uygulamalarının ve trendlerinin incelenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(1), 249-262.
• Yıldıran, A. Yerel Kandemir, S. (2018). Yağış miktarının yapay sinir ağları ile tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 5(2), 97-104.
• Yurdusev, MA. Acı, M. Turan, ME. ve İçağa, Y. (2008). Akarçay nehri aylık akımlarının yapay sinir ağları ile tahmini. Celal Bayar Üniversitesi Fen Bilimleri Dergisi, 4(1), 73-88.