Betül Mete, Sinan Nacar, Osman Tuğrul Baki̇, Adem Bayram
{"title":"Regresyon ve Yapay Sinir Ağları Yöntemleri ile Akarsularda Askıda Katı Madde Konsantrasyonu Tahmini","authors":"Betül Mete, Sinan Nacar, Osman Tuğrul Baki̇, Adem Bayram","doi":"10.21324/dacd.1133981","DOIUrl":null,"url":null,"abstract":"Bu çalışmada bir akarsu havzasında takibi yapılan askıda katı madde (AKM) konsantrasyonu kapsamında, mansap verilerinden memba değerlerinin tahmin edilebilirliği hem regresyon analizinin doğrusal, üs, üstel ve kuadratik fonksiyonlara uygulanması hem de yapay sinir ağları (YSA) yöntemi ile araştırılmıştır. Kullanılan veriler Sera Deresi Havzası’nda (Trabzon) seçilen sekiz gözlem istasyonunda Haziran 2019-Mart 2020 döneminde 40 kez gerçekleştirilen örnekleme çalışmaları kapsamında elde edilmiş AKM verileridir. İstasyonlar memba (ilk dördü) ve mansap (son dördü) olarak iki gruba ayrılmıştır. Mansap verilerinin %50’si (iki istasyon) eğitim, %25’i (bir istasyon) doğrulama ve kalan %25’i (bir istasyon) test aşamasında kullanılmıştır. Farklı bağımsız değişken kombinasyonlarına sahip iki model oluşturulmuş olup ilk modelde (M1) sadece AKM verileri, diğer modelde (M2) ise AKM verilerinin yanı sıra örnekleme tarihlerine ait ay ve hafta bilgileri sayısallaştırılmış ve kullanılmıştır. Modellerin ve yöntemlerin tahmin performanslarının değerlendirilmesinde ortalama karesel hatanın karekökü, ortalama mutlak hata ve Nash-Sutcliffe (NS) verimlilik katsayısı olmak üzere üç farklı istatistik kullanılmıştır. Regresyon analizinde en iyi tahmin sonuçları üs fonksiyondan elde edilmiş olup YSA yönteminin regresyon analizine kıyasla daha iyi sonuçlar verdiği belirlenmiştir. Her iki yöntemde de M2 genel olarak daha iyi bir performans göstermiştir. YSA yönteminde M1 ve M2’den hesap edilen NS verimlilik katsayıları eğitim veri seti için sırasıyla 0.980 ve 0.997 ve test veri seti için ise 0.978 ve 0.978 olarak hesaplanmıştır. Bu değerler ile AKM modelleme çalışmalarında, gerçek verilerin ait olduğu tarih bilgilerinin bağımsız değişken olarak kullanımının model performansını olumlu etkileyeceği anlaşılmıştır. Bu çalışma kapsamında, akarsu havzalarının mansap tarafı AKM verilerinden memba tarafı AKM değerlerinin başarılı bir şekilde tahmin edilebileceği sonucuna ulaşılmıştır.","PeriodicalId":202583,"journal":{"name":"Doğal Afetler ve Çevre Dergisi","volume":"38 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-01-27","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Doğal Afetler ve Çevre Dergisi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21324/dacd.1133981","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

摘要

在本研究中,在监测流域悬浮固体(SS)浓度的范围内,通过对线性函数、指数函数、指数函数和二次函数进行回归分析,并采用人工神经网络(ANN)方法,研究了从下游数据预测上游数值的可预测性。所使用的数据是在 2019 年 6 月至 2020 年 3 月期间对塞拉溪流域(特拉布宗)八个选定观测站进行 40 次采样研究范围内获得的 ECM 数据。观测站分为上游(前四个)和下游(后四个)两组。下游数据的 50%(两个观测站)用于训练,25%(一个观测站)用于验证,其余 25%(一个观测站)用于测试。建立了两个自变量组合不同的模型,第一个模型(M1)只使用了 ECM 数据,另一个模型(M2)除 ECM 数据外,还数字化并使用了采样日期的月和周信息。使用了三种不同的统计量,即均方误差平方根、平均绝对误差和纳什-萨特克利夫(NS)效率系数,来评估模型和方法的预测性能。在回归分析中,指数函数获得了最佳预测结果,并确定与回归分析相比,ANN 方法的结果更好。在这两种方法中,M2 总体表现更好。在 ANN 方法中,M1 和 M2 计算出的 NS 效率系数在训练数据集上分别为 0.980 和 0.997,在测试数据集上分别为 0.978 和 0.978。从这些数值可以看出,在 AKM 建模研究中使用真实数据的日期信息作为自变量将对模型性能产生积极影响。在本研究的范围内,得出的结论是,可以根据流域下游的 ECM 数据成功估算出上游 ECM 值。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Regresyon ve Yapay Sinir Ağları Yöntemleri ile Akarsularda Askıda Katı Madde Konsantrasyonu Tahmini
Bu çalışmada bir akarsu havzasında takibi yapılan askıda katı madde (AKM) konsantrasyonu kapsamında, mansap verilerinden memba değerlerinin tahmin edilebilirliği hem regresyon analizinin doğrusal, üs, üstel ve kuadratik fonksiyonlara uygulanması hem de yapay sinir ağları (YSA) yöntemi ile araştırılmıştır. Kullanılan veriler Sera Deresi Havzası’nda (Trabzon) seçilen sekiz gözlem istasyonunda Haziran 2019-Mart 2020 döneminde 40 kez gerçekleştirilen örnekleme çalışmaları kapsamında elde edilmiş AKM verileridir. İstasyonlar memba (ilk dördü) ve mansap (son dördü) olarak iki gruba ayrılmıştır. Mansap verilerinin %50’si (iki istasyon) eğitim, %25’i (bir istasyon) doğrulama ve kalan %25’i (bir istasyon) test aşamasında kullanılmıştır. Farklı bağımsız değişken kombinasyonlarına sahip iki model oluşturulmuş olup ilk modelde (M1) sadece AKM verileri, diğer modelde (M2) ise AKM verilerinin yanı sıra örnekleme tarihlerine ait ay ve hafta bilgileri sayısallaştırılmış ve kullanılmıştır. Modellerin ve yöntemlerin tahmin performanslarının değerlendirilmesinde ortalama karesel hatanın karekökü, ortalama mutlak hata ve Nash-Sutcliffe (NS) verimlilik katsayısı olmak üzere üç farklı istatistik kullanılmıştır. Regresyon analizinde en iyi tahmin sonuçları üs fonksiyondan elde edilmiş olup YSA yönteminin regresyon analizine kıyasla daha iyi sonuçlar verdiği belirlenmiştir. Her iki yöntemde de M2 genel olarak daha iyi bir performans göstermiştir. YSA yönteminde M1 ve M2’den hesap edilen NS verimlilik katsayıları eğitim veri seti için sırasıyla 0.980 ve 0.997 ve test veri seti için ise 0.978 ve 0.978 olarak hesaplanmıştır. Bu değerler ile AKM modelleme çalışmalarında, gerçek verilerin ait olduğu tarih bilgilerinin bağımsız değişken olarak kullanımının model performansını olumlu etkileyeceği anlaşılmıştır. Bu çalışma kapsamında, akarsu havzalarının mansap tarafı AKM verilerinden memba tarafı AKM değerlerinin başarılı bir şekilde tahmin edilebileceği sonucuna ulaşılmıştır.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:604180095
Book学术官方微信