Literatür ÇalıĢması

3.4. Literatür ÇalıĢması

Singh (2005) çok değiĢkenli istatistiksel analiz yöntemlerinden kümeleme analizi, faktör analizi, ve ayırma analizi yöntemlerini Hindistan‘daki Gomti nehrinden 1999-2001 yılları arasında 8 farklı ölçüm istasyonundan elde edilen ve 36 su kalitesi değiĢkeni içeren veri setine uygulamıĢlardır. Kümeleme analizi ile ölçüm istasyonlarını yukarı havzalar, orta havzalar ve aĢağı havzalar Ģeklinde 3 grupta toplamıĢlardır. Elde edilen bu üç çeĢit havza verilerine faktör ve temel bileĢen analizi uygulamıĢlar ve bu havzalar için sırasıyla veri yapısından sorumlu 7, 7 ve 6 tane faktör elde etmiĢlerdir. Bu faktörler iz metal grubu (endüstriyel atık depo alanı ve topraktan sızma ile), organik kirlilik grubu (kentsel ve endüstriyel deĢarjlar ile), besi maddeleri grubu (tarımsal faaliyetler), alkalinite, sertlik, elektriksel iletkenlik ve katılar (topraktan sızma ve yüzeysel akıĢ ile) Ģeklinde isimlendirmiĢlerdir. Üç farklı bölgede ani ve geçici değiĢimlerden sorumlu değiĢkenleri belirlemek için ayırma analizi uygulamıĢlardır. Geçici değiĢimlerden sorumlu olan değiĢkenleri sıcaklık, toplam alkalinite, Cl, Na ve K olarak; ani değiĢimlerden sorumlu değiĢkenleri debi, pH, BOĠ, Cl, F, PO4, NH₄-N, NO₃-N, TKN ve Zn olarak belirlemiĢlerdir. Temel bileĢen analizi sonuçlarına çoklu regresyon modelini uygulamıĢ nehir kirliliğine katkıda bulunan kaynakları belirlemiĢlerdir. Bu Ģekilde nehir su kalitesine etki eden kirletici kaynakları (toprağın meteorolojik etkiler ile ayrıĢması, sızma, yüzeysel akıĢ, kentsel ve endüstriyel deĢarjlar, katı atık depo alanlarından sızma) ve su kalitesindeki büyük varyasyonlardan sorumlu değiĢkenleri ortaya çıkarmıĢlardır. Ayrıca Mutlak Temel BileĢen Skorlarının Çoklu Lineer Regresyon (APCS/MLR) modeli ile nehir kirliliğine etki eden çeĢitli kaynaklar/faktörlerin paylaĢımını sağlamıĢlardır.

Shrestha (2006) çok değiĢkenli istatistiksel analiz yöntemlerinden kümeleme analizi, temel bileĢen analizi, faktör analizi, ve ayırma analizi yöntemlerini Japonya‘daki Fuji nehrinden 1995-2002 yılları arasında 13 farklı ölçüm istasyonundan elde edilen ve 12 su kalitesi değiĢkeni içeren veri setine uygulamıĢlardır. Kümeleme analizi ile ölçüm istasyonlarını çok kirli, orta derecede kirli ve az kirli Ģeklinde 3 grupta toplamıĢlardır. Daha sonra faktör ve temel bileĢen analizi uygulamıĢlar ve çok kirli, orta derecede kirli ve az kirli için sırasıyla veri yapısından sorumlu 3, 5 ve 5 tane faktör elde etmiĢlerdir. Bu faktörler az kirli bölgelerde debi ve sıcaklık ile ilgili (doğal) ve

39 organik kirlilik (noktasal kaynak:evsel atıksu),orta derecede kirli bölgelerde organik

kirlilik (noktasal kaynak:evsel atıksu) ve besi maddeleri (yayılı kaynak: tarımsal faaliyetler), çok kirli bölgelerde organik kirlilik ve besi maddeleri (noktasal kaynak:evsel atıksu, atıksu arıtma tesisleri ve endüstriler) Ģeklinde tanımlanmıĢlardır. Ani ve geçici değiĢimlerden sorumlu değiĢkenleri belirlemek için ayırma analizi uygulamıĢlardır. Geçici değiĢimlerden sorumlu olan değiĢkenleri debi, sıcaklık, çözünmüĢ oksijen, biyokimyasal oksijen ihtiyacı, elektriksel iletkenlik, nitrat azotu olarak; ani değiĢimlerden sorumlu parametreleri debi, sıcaklık, biyokimyasal oksijen ihtiyacı, pH, elektriksel iletkenlik, nitrat azotu ve amonyum azotu olarak belirlemiĢlerdir. Sonuç olarak yazarlar çok değiĢkenli istatistiksel analiz yöntemlerinin kullanılabilirliğini, su kalitesi değerlendirmelerinde karmaĢık veri setlerinin yorumlanmasını, kirletici kaynakların tanımlanmasını ve etkili bir su kalitesi yönetimi için su kalitesindeki ani ve geçici değiĢimlerin belirlenmesini ortaya koymuĢlardır.

Simenov (2003) kuzey Yunanistan‘daki dereler, yankollar ve kanallardan oluĢan nehir sisteminde 3 yıl süre ile 25 ölçüm istasyonunda ölçülen 27 su kalitesi değiĢkeninden oluĢan veri setine farklı çok değiĢkenli istatistiksel yaklaĢımlar uygulamıĢlardır. Kümeleme analizi ile farklı fizikokimyasal özelliklerine ve kirlilik seviyelerine göre ölçüm istasyonlarını 4 grupta toplamıĢlardır. Temel bileĢen analizi ile veri seti toplam varyansının %90‘ını açıklayan veri yapısından sorumlu 6 faktör elde etmiĢlerdir ve bu faktörleri organik, besi maddeleri, fizikokimyasal, atmosferik, topraktan sızma, toksik-insansal faktörler olarak isimlendirmiĢlerdir. Mutlak Temel BileĢen Skorlarının Çoklu Lineer Regresyon (APCS/MLR) modelini fizikokimyasal parametrelerin konsantrasyonlarına etki eden kaynakları belirlemek için kullanmıĢlardır.

Kowalkowski (2006) 1994-2002 yılları arasında Brda nehrinde uygulanan ölçüm programından elde edilen verilere gruplama, temel bileĢen, ayırma ve faktör analizi uygulamıĢlardır. ÇalıĢma sonucunda doğal grupları belirlemiĢler ve benzer kirlilik özelliklerine göre gözlem istasyonlarını gruplandırmıĢlar ve önemli ayırma değiĢkenlerini ortaya çıkarmıĢlardır. Bu analizler baz alınarak bazı istasyonların

40 yüksek kentsel kirliliğin etkisinde kaldığını, bazı istasyonların da tarım alanlarından

kaynaklanan kirliliğin etkisinde kaldığını ifade etmiĢlerdir.

Sliva (2001) Ontario havzasında (Kanada) su kalitesi ve arazi kullanımı arasındaki iliĢkiyi belirlemek için coğrafi bilgi sistemlerini ve çoklu regresyon analizini kullanmıĢlardır. Kimyasal değiĢimleri hesaplayarak çevredeki kirletici yükler ile karĢılaĢtırmıĢlardır. YerleĢim alanlarının, tarımsal faaliyetlerin, silt-kil içeren doğal arazi yapısının, orman alanlarının su kalitesine etkisini belirlemiĢlerdir. Çoklu regresyon analizini kullanarak arazi kullanım faktörlerinin su kalitesi değiĢkenlerinin ayrılmasına olan negatif ve pozitif etkilerini belirlemiĢlerdir.

Astel (2007) büyük ölçekli nehir su kalitesi verilerine 3 tane gruplama tekniği, Temel bileĢen analizi (TBA), Kümeleme analizi (KA) ve Kohonen öz örgütlemeli harita analizi (KÖÖH) uygulamıĢlardır. ÇalıĢmada özellikle KÖÖH algoritmasının gruplandırma ve görselleĢtirme kabiliyeti incelemiĢlerdir. Benzer su kalitesi tipine sahip gözlem istasyonlarını belirlemiĢler ve bu gruplandırmadan sorumlu önemli ayırma değiĢkenlerini belirlemiĢlerdir. Bu Ģekilde gözlem istasyonlarını benzer özelliklerine göre yan kol, kentsel ve kırsal Ģeklinde isimlendirerek gruplandırmıĢlardır.

Shanmuganathan (2006) sürdürülebilir çevre geliĢimi ve yönetimine insan etkisini belirlemek için ekosistemden yola çıkarak KÖÖH yöntemini kullanmıĢlardır. Waikato Nehrinden alınan su kalitesi gözlem verilerini kullanarak bölgesel ölçekte ve Dünya Bankası istatistik tablolarından alınan çevresel ve ekonomik sistem verilerini kullanarak küresel ölçekte veri analizini KÖÖH kullanarak yapmıĢlardır. Waikato Nehrindeki farklı istasyonlardan 1980-2002 yılları arasında elde edile 19 adet su kalitesi değiĢkenini KÖÖH analizinde girdi verisi olarak kullanmıĢlardır. Bu Ģekilde yazarlar KÖÖH analizinin sadece büyük ölçekli verileri değerlendirmede değil bölgeye insan etkisinin belirlenmesinde ve farklı ölçüm istasyonlarındaki su kalitesi parametrelerinin değiĢimlerinin görselleĢtirilmesinde de faydalı olduğu sonucuna varmıĢladır.

41 Tran (2003) KÖÖH analizini kullanarak Orta-Atlantik‘deki 123 havzayı, 26 çevresel

değiĢkene göre ve çok değiĢkenli verilerin boyutlarının azaltılması için kullanılan TBA yöntemi ile birlikte, gruplandırmıĢlardır. ÇalıĢmada iki kademeli KÖÖH analizinden faydalanmıĢlardır. 1. kademe KÖÖH analizini verilere doğrudan uygulayarak 10x6‘lık Kohonen haritaları için uygun sonuç elde etmiĢler, 2. kademede ise 1. kademeden elde edilen 60 örnek vektörünü kullanarak 5x3‘lük Kohonen haritaları için uygun sonuç elde etmiĢlerdir. Kohonen haritalarının boyutlarının belirlenmesinde veri boyutu, istenilen grup sayısı gibi faktörlerin önemli olduğu sonucuna varmıĢlardır.

Giraudel (2001) KÖÖH analizini türler ve örneklerden oluĢan örnek parçalarını gruplandırmak için kullanmıĢladır. BileĢen seviyesinde görselleĢtirme tekniği kullanarak türlerin varlığını görselleĢtirmiĢlerdir. Kohonen tabakasında 4x4‘lük nöron kullanmıĢlardır ve seçilen harita boyutunun örnek sayısından fazla olmasına karar vermiĢlerdir. KÖÖH analizini diğer geleneksel yöntemlerden temel bileĢen analizi, uyum analizi ve sayısal olmayan çok boyutlu ölçekleme analizi ile kıyaslamıĢlardır. Sonuçlarda ise KÖÖH analizinin ekolojide kullanılabilir olduğunu ve diğer geleneksel teknikler için tamamlayıcı bir teknik olduğunu ifade etmiĢlerdir.

Lin (2006) bölgesel sıklık analizi için Tayvan‘daki 154 yağmur ölçüm istasyonunu KÖÖH kullanarak gruplamıĢlardır. Girdi vektörü olarak yağmur ölçüm istasyonun enlem ve boylamı, deniz seviyesinden yüksekliği, yıllık yağıĢ ortalaması ve aylık yağıĢ ortalaması verilerini kullanmıĢlardır. Eğitim verilerinden elde edilebilecek maksimum grup sayısını belirlemek için 12x12‘lik harita boyutu kullanmaya karar vermiĢlerdir. Harita boyutu isteğe göre belirlenen bir parametredir. Çünkü KÖÖH çıktı tabakasında nöronların optimum sayısını belirlemeye yarayan teorik bir kaynak söz konusu değildir. ÇalıĢma sonunda 8 adet homojen bölge belirlemiĢler ve çalıĢma sonuçlarını k-means ve Ward‘s metodu gibi gruplama yöntemleri ile kıyaslamıĢlardır. KÖÖH analizinin diğer iki metoda göre daha homojen sonuç verdiğini belirlemiĢlerdir.

Singh (2009) Gomti Nehri (Hindistan)‘deki çözünmüĢ oksijen ve biyokimyasal oksijen ihtiyacı seviyelerini yapay sinir ağı kullanarak belirlemeye çalıĢmıĢlarıdır.

42 Bunun için 8 farklı istasyonda 10 yıl boyunca her ay ölçülen 11 adet su kalitesi

değiĢkenini (pH, T-Alk, T-Sertlik, TKM, KOĠ, NH4-N, NO3-N, Cl, PO4, K ve Na) girdi olarak kullanmıĢ ve iki tane yapay sinir ağı modeli geliĢtirmiĢlerdir. Yapay sinir ağı modellerinin performansını determinasyon katsayısı (R2

) kullanarak belirlemiĢlerdir. ÇO ve BOĠ modellerinde determinasyon katsayılarını sırasıyla doğrulama için 0.74, 0.85 ve test için sırasıyla 0.76, 0.77 olarak belirlemiĢlerdir. Bu sonuçlara göre yapay sinir ağı yönteminin su kalitesi değiĢkenlerini belirlemede etkili bir yöntem olduğu sonucuna varmıĢlardır.

Guerra (2008) Ġspanya‘da 40 farklı istasyondan aldıkları sediment örneklerini 13 fiziksel, kimyasal ve toksikolojik değiĢkene göre gruplandırmak için KÖÖH analizini kullanmıĢlarıdır. Bunun yanında aynı verilere temel bileĢen ve sınıflama analizi uygulamıĢlardır. KÖÖH analizi ile elde ettikleri sonuçları geleneksel istatistiksel yöntemlerden elde edilen sonuçlar ile karĢılaĢtırmıĢlardır. Elde edilen sonuçlara göre KÖÖH tekniğinin grafik sunum açısından daha güçlü ve diğerlerine göre daha kolay uygulanabilir bir yöntem olduğu sonucuna varmıĢlardır.

Estrada (2008) balık topluluklarının değiĢimleri ile çevresel değiĢkenler arasındaki iliĢkiyi araĢtırmıĢlar ve lineer yaklaĢım için çoklu regresyon analizi modelini, non-lineer yaklaĢım için yapay sinir ağı modelini kullanmıĢlardır. Çoklu regresyon modeli ile R² değerini 0.071, yapay sinir ağı modeli ile R² değerini 0.974 elde etmiĢlerdir. Buna göre değiĢkenler arasında non-lineer bir iliĢki olduğu sonucuna varmıĢlardır. En uygun yapay sinir ağı modelinde nitrat konsantrasyonu, derinlik, çözünmüĢ oksijen ve sıcaklık balık topluluğu değiĢimini en iyi açıklayan değiĢkenler olarak belirlenmiĢtir. Bunun yanında analizlerde silikat, nitrit konsantrasyonu, görünürlük, tuzluluk, eğim, fosfat organik madde ve klorofil-a değiĢkenleri modele daha az etki eden değiĢkenler olarak belirlemiĢlerdir.

Bai (2009), su kalitesini daha anlaĢılabilir bir biçimde değerlendirmek için nehir sınıflandırmasını gözden geçirerek su kalite indeks değerlerini belirlemeye çalıĢmıĢlardır. Bulanık mantık kullanarak uyguladıkları bu yaklaĢımda daha önceden belirlenmiĢ indeks değerlerini yamuk üyelik fonksiyonu kullanarak ÇO, BOĠ5, KOĠ, NH₄-N, AKM ve pH parametreleri için yeniden düzenlemiĢlerdir. Malezya,

43 Hindistan ve Tayland‘daki birkaç nehir üzerinde elde ettikleri bulanık su kalite

indeks modelini uygulamıĢlar ve %90 oranında yaklaĢım elde etmiĢlerdir. Sonuç olarak bulanık mantık tabanlı oluĢturulan bu modelin seçilen 6 parametre için su kalite indeksini belirlemede kullanılabileceğini ifade etmiĢlerdir.

44