Günlük nehir debilerinin mekan ve zaman serisinde topluluk öğrenme yaklaşımı ile tahmini
Prediction of daily stream flow through ensemble learning approach in spatial and time series
- Tez No: 784410
- Danışmanlar: DR. ÖĞR. ÜYESİ LEVENT LATİFOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Topluluk Öğrenme Algoritmaları, Günlük Nehir akımı, Tahmin, Akış, Nehir debisi, Zaman serileri, Zaman-mekan, Öğrenme algoritmaları, Ensemble Learning Algorithm, Daily Streamflow, Forecasting, Flow, Stream flow, Estimation, Time series, Time-space, Learning algorithms
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Canlı yaşamının devamlılığı için en önemli unsur olan suyun dünyada buharlaşma, yoğunlaşma, yağış, akış gibi aşamalardan geçerek sürekli bir döngü halinde bulunma durumuna su döngüsü adı verilmektedir. Su döngüsü içerisinde nehir akımlarının önemli bir yeri bulunmaktadır. Nehir akımının doğru bir şekilde modellenmesi ve tahmini, sürdürülebilir su kaynakları planlaması ve yönetimi için oldukça önemlidir. Kısa ve uzun vadeli olmak üzere farklı zaman aralıklarındaki nehir akım tahminleri, hidroelektrik üretimi, rezervuarların işletilmesi ve planlanması, rezervuar tahliyelerinin programlanması, nehirlerde sediment taşınması, sulama yönetimi kararlarının belirlenmesi, taşkın tahmini, erken uyarı sistemlerinin geliştirilmesi ve diğer hidrolojik uygulamalar için vazgeçilmezdir. Nehir akım tahminleri son derece önemlidir ve durağan ve doğrusal olmayan karaktere sahip olması tahmini zorlaştırmaktadır. Tahmin amaçları için hidroloji gibi çeşitli mühendislik alanlarında toplu öğrenme yöntemlerinin kullanılmasına dair çalışmaların gerçekleştirilmeye başlandığı görülmektedir. Bu çalışmada topluluk öğrenme yöntemlerinden torbalama (Bagging) ve güçlendirme (Boosting) algoritmaları kullanılarak günlük akım tahmini gerçekleştirilmiştir. Tahmin aşamasında Susurluk havzasında Simav çayı üzerinden kaydedilen ana kol (316 No.lu AGİ) ve bu nehre ait yan kol akımlarına ait akış verileri kullanılmıştır. Topluluk öğrenme yöntemlerinin performansının analizi ile birlikte yan kol akımlarının tahmin sonuçlarına etkisi de analiz edilmiştir. Çalışmanın sonucunda nehir akım verilerin tahmininde Bagging algoritmasına ile geliştirilen modelinin performansının Boosting algoritmasına ile geliştirilen modele yakın olduğu görülmüştür ve farklı zaman indislerine sahip giriş verilerinin tahmin performansı analiz edilmiştir. Yan kol akış verileri ile ana kol (316 No.lu AGİ) akış verilerinin tahmin edilebileceği gösterilmiştir.
Özet (Çeviri)
The state of water, which is the most important element for the continuity of life, passing through stages such as evaporation, condensation, precipitation, and flow in the world, is called the water cycle. Streams have an important place in the water cycle. Accurate modeling and estimation of streamflow are very important for sustainable water resources planning and management. Short- and long-term streamflow forecasting is indispensable for hydropower generation, efficient operation and planning of reservoirs, scheduling of reservoir discharges, sediment transport in rivers, determination of irrigation management decisions, flood forecasting, development of early warning systems, and other hydrological applications. Stream flow estimations are critical and their stationary and non-linear character makes estimation difficult. It is seen that studies on the use of ensemble learning methods in various engineering fields such as hydrology for prediction purposes have begun to be carried out. In this study, daily stream flow estimation was performed by using bagging and boosting algorithms from ensemble learning approaches. In the estimation phase, the flow data of the main tributary and the secondary tributary flows of this river recorded over the Simav Stream in the Susurluk basin were used. Along with the analysis of the performance of ensemble learning methods, the effect of secondary tributary streamflows on the prediction results was also analyzed. As a result of the study, it was seen that the performance of the model developed with the Bagging algorithm in the estimation of stream flow data was close to the model developed with the Boosting algorithm, and the estimation performance of the input data with different time indices was analyzed. It has also been shown that by including the secondary tributary streamflow data as input data, the main tributary streamflow data can be predicted robustly.
Benzer Tezler
- Atherosklerotik kalp hastalıklarında risk faktörleri
Risk factors in the coronary artery disease
MURAT SUHER
- Hastanelerde acil servis hizmetleri
Başlık çevirisi yok
CİHAN SEVİM
Yüksek Lisans
Türkçe
1986
HastanelerGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. MEHMET ALİ BUMİN
- Süt formüllerinin tüketim uygulamaları ve süt formüllerinin C vitamini içeriği ile pH değerleri
Başlık çevirisi yok
GÖNÜL VAROL
Yüksek Lisans
Türkçe
1986
Besin Hijyeni ve Teknolojisiİstanbul ÜniversitesiÇocuk Gelişimi Ana Bilim Dalı
DOÇ. DR. TÜRKAN KUTLUAY
- Izgara ve altlık üstünde barındırılan ile de france X kıvırcık (Fl) ve merinos kuzularının entansif besideki performansları
Başlık çevirisi yok
ÜMRAN ŞAHAN
Yüksek Lisans
Türkçe
1987
Veteriner HekimliğiUludağ ÜniversitesiZootekni Ana Bilim Dalı
PROF. DR. ERDOĞAN TUNCEL