Uzun dönem kuraklık tahmininde dalgacık yöntemiyle yapay sinir ağlarının kullanılması
| dc.contributor.advisor | Hınıs, Mehmet Ali | |
| dc.contributor.author | Erenson, Berna | |
| dc.date.accessioned | 2019-07-12T13:38:29Z | |
| dc.date.available | 2019-07-12T13:38:29Z | |
| dc.date.issued | 2018 | |
| dc.date.submitted | 2018-06-21 | |
| dc.department | Fen Bilimler Enstitüsü | |
| dc.description.abstract | Kuraklık, canlı hayatı için en büyük problemlerden biri olarak tanımlanmaktadır ve hayatın her aşamasını fiziksel, ekonomik, kalkınma, teknoloji, tarım, temiz su vb. bakımından etkilemektedir. Bu nedenle, su kaynakları planlamasında gerekli önlemlerin alınabilmesi için kuraklık çalışmaları oldukça önemli bir paya sahiptir. Bu çalışmada Karapınar, Manisa ve Rize istasyonlarının yağış verileriyle ileriye yönelik kuraklık tahmini gerçekleştirilmiştir. Öncelikle bu 3 istasyona ait verilerle farklı zamanlara ait Normalleştirilmiş yağış indisi (NYI) değerleri hesaplanmıştır. Daha sonra 12 aylık yağış toplamı ile oluşturulan NYI12 değerleri için Yapay sinir ağı (YSA) ile modeller oluşturularak ileriye yönelik tahminler yapılmıştır. MATLAB programı kullanılarak NYI12 değerleri dalgacık metoduyla en çok kullanılan Db4, Bior 3.1 ve Haar yöntemleriyle frekanslarına ayrıştırılarak girdi verisi olarak kullanılmış ve ileriye yönelik kuraklık tahmini için modeller oluşturulmuştur. Kurulan modeller, Çok Katmanlı Yapay Sinir Ağları (ÇK-YSA) ile işlenmiş olup her ileriye yönelik zaman tahmini için en iyi model belirlenmesi amaçlanmıştır. Sonuç olarak, en iyi sonuçları veren modeller ile gerçek kuraklık indisi değerleri karşılaştırılarak performans değerlendirmesi yapılmıştır. Ayrıca çalışmada, kurulan ağlarda farklı transfer fonksiyonları ve öğrenme kuralları denenmiştir ve aralarından en uygun olanları farklı performans kriterleri ile belirlenmiş, tablolar ve grafikler halinde sunulmuştur. | |
| dc.description.abstract | Drought is defined as one of the biggest problems for living and it influences every aspect of life in terms of physical, economical, development, technology, agriculture, cleanwater, etc. Therefore, drought studies and preparedness works have an important place in order to take necessary precautions in water resources planning. In this study, long term drought prediction was carried out using various methods with monthly precipitation data of Karapınar, Manisa and Rize stations. Primarily, the standardized precipitation index (SPI) values of these three stations were calculated and the models were determined by using artificial neural Networks method in accordance with SPI values for twelve month period. In the modelling, frequencies of SPI12 values were seperated by using the most commonly wavelet method of Db4, Bior 3.1 and Haar via the Matlab program and models were created for long term drought predictions. Afterwards, created models were processed with Multilayer Artificial Neural Networks and it was aimed to determine the best model for each long term prediction. Consequently, best fit models were compared with the real drought index values and results were evaluated. In addition, different transfer functions and learning rules have been tried in network models, the best ones of these have been determined with various performance criteria and presented in tables and graphics. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/2240 | |
| dc.language.iso | tr | |
| dc.publisher | Aksaray Üniversitesi Fen Bilimleri Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Dalgacık Yöntemi | |
| dc.subject | Kuraklık Tahmini | |
| dc.subject | Normalleştirilmiş Yağış İndisi | |
| dc.subject | Yapay Sinir Ağları | |
| dc.subject | Artificial Neural Networks | |
| dc.subject | Drought Prediction | |
| dc.subject | Standardized Precipitation Index | |
| dc.subject | Wavelet Method | |
| dc.title | Uzun dönem kuraklık tahmininde dalgacık yöntemiyle yapay sinir ağlarının kullanılması | |
| dc.title.alternative | Long term drought prediction by means of neural networks with wavelet method | |
| dc.type | Master Thesis |
