Zaman ve Konum Girdileri Kullanılarak Yapay Sinir Ağlarıyla Referans Evapotranspirasyonun Tahmin Edilmesi

Yıl 2016, Cilt: 3 Sayı: 2, 0 - 0, 31.05.2016

Necati Aksu , Kenan Uçan

https://doi.org/10.31202/ecjse.264184

Cited By: 3

Öz

ÖZET

Bu çalışmayla; sınırlı su kaynaklarının yönetiminde önem arz eden referans Bitki Su Tüketimi (ETo)’nin kolay ve ekonomik olarak tahmini amaçlanmıştır. Bu doğrultuda, Yapay Sinir Ağları (YSA)’nın karmaşık sebep-sonuç ilişkilerini çözebilme yeteneğinden yararlanmak suretiyle, temin edilmesi çeşitli zorluklar içeren ve ayrıca yüksek maliyet ve uzun zaman gerektiren birçok meteorolojik girdi yerine, bu girdileri şekillendiren temel doğal veriler kullanılarak ETo tahmin edilmiştir. Bu kapsamda; zaman, enlem, yükseklik ve denize mesafe gibi konum değişkenleri girdi olarak, FAO PM ETo değerleri de çıktı olarak kullanılan farklı yapı ve özelliklerde çok sayıda ağ projesi oluşturulmuştur. Bu projeler 6 farklı eğitim algoritması ve farklı yinelemelerle eğitilerek test edilmiş ve tahmin başarısı en yüksek YSA belirlenmiştir. Belirlenen ağın Ortalama Mutlak Hatası (MAE) = 0.24 mm gün^-1; Ortalama Mutlak Yüzde Hatası (MAPE) = % 11.9 ve Belirlilik Katsayısı (R²) = 0.98 bulunmuştur.

 

Anahtar Kelimeler: ETo, referans evapotranspirasyon, YSA

Anahtar Kelimeler

ETo, referans evapotranspirasyon, YSA

Kaynakça

• Linacre, E. 1999. Geography and Climate, www-das.uwyo.edu/~geerts/cwx/notes/chap16/geo_clim.html (01.01.2016).
• Allen, R. G., Pereira, L. S., Raes, D., Smith, M. 1998. Crop evapotranspirasyon, Guidelines for computing crop water requirements, Irrigation and Drainage paper No. 56, FAO, 300p.
• MGM, 2016. İklimi Meydana Getiren Elemanlar, İklim, Meteoroloji Genel Müdürlüğü, 1998- 2016, http://www.mgm.gov.tr/iklim/iklim.aspx?k=B (01.01.2016)
• Kalifa, E. A., Abd-el Hady Rady, R. M., Alhayawei, S. A. 2012. Estimation of Evaporation Losses from Lake Nasser: Neural Network based Modeling versus Multivariate Linear Regression, Journal of Applied Sciences Research, Vol. 8 Issue 5, p2785.
• Haykin, S. 1999. Neural Networks: A Comprehensive Fundation. (2nd ed.), Pearson Education, Inc. Pearson Prentice Hall, ISBN 81-7808-300-0, McMaster University, Hamilton, Ontario, Canada.
• Yurtoğlu, H. 2005. Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği, DPT – Uzmanlık Tezleri, Yayın No: Dpt: 2683, Ekonomik Modeller ve Stratejik Araştırmalar Genel Müdürlüğü.
• Rumelhart, D. E., Hinton, G. E., Williams, R. J. 1986. Learning Internal Representations by Error Propagation, To be Published in D. E. Rumelhart & J. L. McClelland (Eds.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Vol. 1: Foundations, Cambridge, MA: Bradford Books/MIT Press.
• Fyfe, C. 2000. Artificial Neural Networks and Information Theory, Department of Computing and Information Systems, The University of Paisley.
• Sağıroğlu, S., Beşdok, E., Erler, M. 2003. Mühendislikte Yapay Zeka Uygulamaları-1: Yapay Sinir Ağları, ISBN: 975-95948-5-4, Ufuk Yayıncılık, Kayseri.
• Yu, H., Wilamowski, B. M. 2010. Levenberg-Marquardt Training, Auburn University. http://www.eng.auburn.edu/~wilambm/pap/2011/K10149_C012.pdf (01.01.2016).
• Hamzaçebi, C. 2011. Yapay Sinir Ağları Tahmin Amaçlı Kullanımı Matlab ve Neurosolutions Uygulamalı, ISBN: 978-605-5431-82-2, EKİN Basım Yayın Dağıtım, Bursa.
• Kaastra, I., Boyd, M. 1996. Designing A Neural Network For Forecasting Financial and Econometric Time Series, Neurocomputing, 10:215-236, Elsevier Journals.