Bu çalıĢmada Katı Madde Anahtar Eğrisi (KMAE), Çoklu Lineer Regresyon (ÇLR) ve Bulanık Mantık (BM) yöntemlerinin katı madde konsantrasyonu tahminindeki gösterdiği performanslar araĢtırılmıĢtır. ABD‟deki Skunk Nehri Augusta istasyonundan alınan ortalama sıcaklık, günlük gerçek zaman akım debisi, katı madde konsantrasyonu 5 yıllık veriler kullanılmıĢtır. Katı madde anahtar eğrisinde akım debisi ile katı madde konsantrasyonu arasındaki iliĢkiye göre performansı araĢtırılmıĢtır. Ayrıca ÇLR ve BM için kullanılan 5 yıllık veriler eğitim ve test verisi olarak ikiye ayrılmıĢtır. Hem eğitim hem test verileri kullanılarak hangi modelin daha iyi sonuçlar verdiği araĢtırılarak karĢılaĢtırmalar yapılmıĢtır.
5 yıllık veriler için OKH, OMH ve R kriterlerine göre en iyi sonuçlar BM modellemesinde elde edilmiĢtir. Tüm kriterlerde en kötü sonuçlar KMAE modelinde elde edilmiĢtir.
Bu çalıĢmada, 5 yıllık veriler kullanılmıĢtır. Bu veriler seçilirken uygulama alanına göre günümüze yakın su yılları (2005-2009) belirlenmiĢtir. GeçmiĢ yıllardaki yapılan ölçümlerin el ile, son yıllardaki ölçümlerin de bilgisayarlarla yapıldığı için ve bilgisayar ölçümlerinde el ile yapılan ölçümlere oranla daha az hata içerdiğinden modeller için kullanılan ölçüm verileri yakın zamanlı seçilmiĢtir.
Belirli bir bölge için geliĢtirilen BM model uygulamalarında gerek hata seviyesinin düĢük olması gerekse tahminlerin gözlenen değerlere yakınlığı açısından katı madde konsantrasyonu tahmini için diğer yöntemlerden oldukça faydalı bir yöntem olarak kullanılabilir.
Ġleriye yönelik benzer çalıĢmalarda katı madde miktarı tahmini için katı madde miktarını etkileyen diğer parametreler seçilerek farklı kombinasyonlar altında ve değiĢik bölgeler seçilerek toplam katı madde konsantrasyonu tahmini yapılabilir.
46 KAYNAKLAR
Anonim, http://www.dsi.gov.tr/toprak-ve-su-kaynaklari, EriĢim tarihi: 15/07/2016.
Anonim, https://cobanoglu.wikispaces.com/file/view/bulanikmantik.pdf/34074869/bula nikmantik.pdf, EriĢim tarihi: 15/07/2016.
Anonymous, http://waterdata.usgs.gov/nwis/uv?site_no=05474000, EriĢim tarihi : 05/06/2015.
Anonymous, http://hdr.undp.org/sites/default/files/reports/267/hdr06-complete.
pdf,EriĢim tarihi: 15/07/2016.
Asselman, N. E. M., 2000. Fitting and Interpretation of Sediment Rating Curves, Journal of Hydrology, 234, 228-248.
Azamathulla, H.,M., Ghani, A., A., Fei, 2012. ANFIS-based approach for predicting sediment transport in clean sewer. Applied Soft Computing, 12, 1227-1230.
Baltacı, A., 2012. Sacramento nehrindeki askı maddesi miktarının bulanık mantık ile modellemesi. Mustafa Kemal Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Antakya/HATAY.
Bayazıt, M., Avcı, Ġ., 2010. Akarsularda Akım ve Sediment TaĢınımı. Birsen Yayınevi, 309 s, Ġstanbul
Baykal, N., ve Beyan, T., 2004. Bulanık Mantık Uzman Sistemler ve Denetleyiciler.
Bıçaklar Kitabevi, 509 s, Ankara.
Demirci, M., Baltaci, A., 2013. Prediction of suspended sediment in river using fuzzy logic and multilinear regression approaches. Neural Computing Applications, 23, 145-151.
Demiröz, E., 1989. Sediment Sampling Activities in Turkey. Fourth International Syposium on River Sedimentation, Beijing, China.
Erkek, C. Ve Ağıralioğlu, N., 2010. Su Kaynakları Mühendisliği. Beta Yayınevi, 389 s, Ġstanbul.
Firat, M., Güngör, M., 2010. Monthly total sediment forecasting using adaptive neuro fuzzy inference system. Stochastic Environmental Research and Risk Assessment, 24, 259-270.
Günal,Ü., 1997. Bulanık Mantık. Otomasyon dergisi, 55, 50-55.
Graf, W.H., 1998. Fluvial Hydraulics: Flow and Transport Processes in Channels of Simple Geometry. Wiley Yayınevi, 692 s,Ġngiltere.
KiĢi, Ö., 2002. Nehir Enkesitindeki Askı Malzemesi Miktarının Bulanık (Fuzzy) Mantık Ġle Modellenmesi. Ġstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi, Ġstanbul.
Kisi, O., 2005. Daily river flow forecasting using artificial neural networks and autoregressive models. Turkish Journal of Engineering and Environmental Sciences, 29, 9-20.
Kisi, O., Yuksel, I., Dogan, E., 2008. Modelling Daily suspended sediment of rivers in Turkey using several data-driven techniques. Hydrological Sciences Journal, 53(6), 1270-1285
KiĢi, Ö., 2009. Evolutionary fuzzy models for river suspended sediment concentration estimation. Journal of Hydrology, 372, 68-79.
Kisi, O., Zounemat-Kermani, M.,(baskıda). Suspended sediment modeling using neuro-fuzzy embedded neuro-fuzzy c-means clustering technique. Water Resources Management, 30, 3979-3994.
47
Krishnaswamy, J., Halpin, P. N., Richter, D. D., 2001. Dynamics of Sediment Discharge in Relation to Land use and Hydro-Climatology in a Humid Tropical watershed in Costa Rica. Journal of Hydrology, 253, 91-109.
Mirbagheri, S.,A., Nourani, V., Rajee, T., Alikhani, A., 2010. Neuro-fuzzy models employing wavelet analysis for suspended sediment concentration prediction in rivers. Hydrological Sciences Journal,55(7), 1175-1189.
Mianaei, S., J., Keshavarzi, A., R., 2010. Prediction of riverine suspended sediment discharge using fuzzy logic algorithms and some implications for estuarine.
Geo-Marine Letters, 30, 35-45.
Olyaie, E., Banejad, H., Chau, K.,W., Melesse, A.,M.,2015. A comparison of various artificial intelligence approaches performance for estimating suspended sediment load of river systems: a case study in United States.
Environmental Monitoring and Assessment,187(189), 1-22
Özbek, T. ve Özcan, Ç., 2001, Akarsularda Katı Madde. TMMOB ĠnĢaat Mühendisleri Odası,165 s, Ankara.
Picouet, C., Hingray, B., Olivry, J. C., 2001. Emprical and Conceptual Modeling of the Suspended Sediment Dynamics in Large Tropical African River: The Upper Niger River Basin. Journal of Hydrology, 250, 19-39.
Rajaee, T., Mirbagheri, S., A., Zounemat-Kermani, M., Nourani, V., 2009. Daily suspended sediment concentration simulation using ANN and neuro-fuzzy models. Journal of Science of the Total Environment 407, 4916-4927.
Salas, J. D. ve Shin, H. S., 1999. Uncertainty analysis of reservoir sedimentation.
Journal of Hydraulic Engineering, ASCE, 125(4), 339-350.
Semed, M., 2000. Dünya Dahilersiz yasabilmir. Azerbaycan Bilimler Akademisi Yayınları, Bakü.
Shamaei, E., Kaedi, M., 2016. Suspended sediment concentration estimation by stacking the genetic programming and neuro-fuzzy predictions. Applied Soft Computing, 45, 187-196
Sugeno, M. ve Kank, G.T., 1988. Structure identification of fuzzy model. Fuzzy Sets and Systems, 28(1): 15-33.
ġen, Z., 1999. Mühendislikte Bulanık (Fuzzy) Modelleme Ġlkeleri. Ġstanbul Teknik Üniversitesi ĠnĢaat Fakültesi ĠnĢaat Mühendisliği Bölümü Hidrolik Anabilim dalı, Ġstanbul.
ġen, Z., 2009. Bulanık Mantık Ġlkeleri ve Modelleme (Mühendislik ve Sosyal Bilimler). Su Vakfı yayınları, 361 s, Ġstanbul Teknik Üniversitesi, ĠnĢaat Fakültesi, Ġstanbul.
Takagi, K.I. ve Sugeno, M., 1985. Fuzzy identification of systems and its applications to modeling and control. IEEE Trans. On Systems, Man and Cybern, 15(1):
116-132.
Vafakhah, M.,2013. Comparison of cokriging and adaptive neuro-fuzzy inference system models for suspended sediment load forecasting. Arabian Journal of Geosciences, 6, 3003-3018.
Williams, J. R., 1978. A sediment graph model based on an instantaneous unit sediment graph. Water Resources Research, 14, 659-664.
Williams, J.R., 1978. A Sediment Graph Model Based on An Instantaneous Unit Sediment Graph. Journal of Water Resources Research, 14(4), 659-664.
Zadeh, L.A., 1965. Fuzzy Sets. Journal of Information Control, 8(3), 338-353.