ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK ... · BP : Geri Yayılım BMP : Momentumlu Geri Yayılım Algoritması LMS : En Küçük Ortalamalı Kareler . XI

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

YÜKSEK LİSANS TEZİ

Evren TURHAN SEYHAN HAVZASININ YAĞIŞ-AKIŞ İLİŞKİSİNİN YAPAY SİNİR AĞLARI YÖNTEMİ İLE MODELLENMESİ

İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI ADANA,2012


SEYHAN HAVZASININ YAĞIŞ-AKIŞ İLİŞKİSİNİN YAPAY SİNİR AĞLARI

YÖNTEMİ İLE MODELLENMESİ

Evren TURHAN


İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI Bu Tez 21/06/2012 Tarihinde Aşağıdaki Jüri Üyeleri Tarafından Oybirliği/Oyçokluğu ile Kabul Edilmiştir. ………………………………… …………………………… ……………………………… Yrd.Doç.Dr.Hatice ÇAĞATAY Yrd.Doç.Dr.Zeliha SELEK Öğr.Gör.Dr.Neslihan SEÇKİN DANIŞMAN ÜYE ÜYE Bu Tez Enstitümüz İnşaat Mühendisliği Anabilim Dalında hazırlanmıştır. Kod No:

Prof. Dr. M. Rifat ULUSOY Enstitü Müdürü

Not: Bu tezde kullanılan özgün ve başka kaynaktan yapılan bildirişlerin, çizelge ve fotoğrafların

kaynak gösterilmeden kullanımı, 5846 sayılı Fikir ve Sanat Eserleri Kanunundaki hükümlere tabidir.

I

ÖZ


SEYHAN HAVZASI YAĞIŞ-AKIŞ İLİŞKİSİNİN YAPAY SİNİR AĞLARI YÖNTEMİ İLE MODELLENMESİ

Evren TURHAN


İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI

Danışman : Yrd.Doç. Dr. Hatice ÇAĞATAY Yıl: 2012, Sayfa: 115 Jüri : Yrd.Doç. Dr. Hatice ÇAĞATAY : Yrd.Doç. Dr. Zeliha SELEK : Öğr.Gör. Dr. Neslihan SEÇKİN

Su kaynaklarının plânlanması ve projelendirilmesi aşamasında güvenilir akım tahminlerinin ve akım modelleme çalışmalarının yapılması önem taşımaktadır. Bu çalışmada Yapay Sinir Ağları (YSA) ile yağış-akış ilişkisinin modellenmesi belirlenmeye çalışılmıştır. Çalışmada, modelleme için MATLAB R2008a kullanılmıştır. Uygulama için Seyhan Havzası seçilmiştir. Gözlenmiş yağış ve akım verileri kullanılarak akım tahminleri yapılmıştır. İleri Beslemeli Geriye Yayınımlı Yapay Sinir Ağı kullanılmış (İBGYSA) ve Çoklu Doğrusal Regresyon (ÇDR) yöntemi ile karşılaştırılmıştır. Çalışma sonunda İBGYSA yönteminin ÇDR yöntemine göre genelde daha iyi sonuçlar verdiği görülmüştür.

Anahtar Kelimeler: Yapay Sinir Ağları, Yağış-Akış, Seyhan Havzası, Çoklu Doğrusal Regresyon

II

ABSTRACT

MASTER OF SCIENCE THESIS

MODELLING OF RAINFALL-RUNOFF RELATION WITH ARTIFICIAL NEURAL NETWORK METHODS FOR SEYHAN BASIN

Evren TURHAN

ÇUKUROVA UNIVERSITY

INSTITUTE OF NATURAL AND APPLIED SCIENCES DEPARTMENT OF CIVIL ENGINEERING

Supervisor : Asst. Prof. Dr. Hatice ÇAĞATAY Year: 2012, Pages: 115 Jury : Asst. Prof. Dr. Hatice ÇAĞATAY : Asst.Prof. Dr. Zeliha SELEK : Inst. Dr. Neslihan SEÇKİN

It is very important to obtain reliable estimation and modelling of runoff in planning and designing of water resources. The current study aims to model rainfall-runoff relation using Artificial Neural Networks (ANN). In this study, MATLAB R2008a was used as a modelling tool. Seyhan Basin was selected for application. Previous rainfall-runoff observations were used in estimation of runoff. In this study, ANN method of the Feed Forward Back Propagation Neural Network (FFBPNN) was adopted and results were compared with those of Multi Linear Regression (MLR) method. In conclusion, FFBPNN method provides better results than results of MLR method.

Keywords: Artificial Neural Network, Rainfall-Runoff, Seyhan Basin, Multi Linear Regression

III

TEŞEKKÜR

Çalışmamın her aşamasında yardımlarını esirgemeyen ve bana “Seyhan

Havzası Yağış-Akış İlişkisinin Yapay Sinir Ağları Yöntemi İle Modellenmesi”

konulu yüksek lisans tezini veren, yapıcı ve yönlendirici fikirleri ile bana daima yol

gösteren danışman hocam Sayın Yrd. Dr. Hatice ÇAĞATAY’a sonsuz

teşekkürlerimi sunarım. Tezime katkılarından dolayı Sayın Öğr. Gör. Neslihan

SEÇKİN’e teşekkürlerimi bildiririm.

Tezim süresince bana destek veren Arş. Gör. Veysel GÜMÜŞ, Arş. Gör.

Mehmet Eyyüp KAVŞUT, Elk. Müh. Abidin KEÇECİ, Çevre Yük. Müh. Engin

AYAR, İnş. Yük. Müh. Murat ÖNCÜ ve İnş. Yük. Müh. Erdem ERDOĞAN başta

olmak üzere tüm arkadaşlarıma teşekkürü bir borç bilirim.

Tezimin ve hayatımın her aşamasında benden destek ve dualarını eksik

etmeyen biricik aileme de saygı ve sevgilerimi sunarım.

IV

İÇİNDEKİLER SAYFA

ÖZ…………………………………………………………………………………..…I

ABSTRACT…………………………………………………………………….........II

TEŞEKKÜR…………………………………………………………………………III

İÇİNDEKİLER……………………………………………………………………...IV

ÇİZELGELER DİZİNİ……………………………………………………………...VI

ŞEKİLLER DİZİNİ………………………………………………………………..VIII

SİMGELER VE KISALTMALAR…………………………………………………..X

1.GİRİŞ………………………………………………………………………….........1

1.1. Yağış-Akış İlişkisi ve Su Kaynakları Mühendisliği Açısından Önemi………1

1.2. Yağışlar…………………………………………………………….................3

1.2.1.Yağışların Oluşumu…………………………………………………..…3

1.2.2.Yağış Ölçümleri………………………………………………………....3

1.2.3. Yağışın Akışa Dönüşümü……………………………………………....5

1.3. Yüzeysel Akış…………………………………………………………….…...6

1.4. Yağış-Akış Modellerine Genel Bir Bakış…………………………….............8

2.ÖNCEKİ ÇALIŞMALAR………………………………………………………...11

3.MATERYAL VE METOD…………………………………………………….….19

3.1. Materyal………………………………………………………………….…..19

3.1.1. Su Havzaları………………………………………………………..….19

3.1.2. Ülkemizin Önemli Su Havzalarından Seyhan Havzası…….................24

3.1.2.1. Seyhan Havzası Meteorolojik Bilgileri………………………...31

3.1.2.2. Seyhan Havzası Su Kaynakları….…………………..................35

3.1.3. Seyhan Havzası Küresel İklim Değişikliği Etkileri………………..….43

3.2. Metod……………………………………………………………….………..48

3.2.1. Modelleme İlkeleri……………………………………........................48

3.2.2. Yapay Sinir Ağlarına (YSA) Giriş……………………….....................49

3.2.3. Beynin Sinir Ağı Yapısı……………………………………….............52

3.2.4. Nöronların Özellikleri…………………………………………..…......53

3.2.5. YSA’nın Özellikleri…………………………………………..……….54

V

3.2.6. YSA’ların Sınıflandırılması……………………………………..…….58

3.2.7. YSA’nın Öğrenme Algoritmaları…………………………………..…60

3.2.8. YSA Öğrenme Kuralları…………………………………………........64

3.2.9. YSA Kullanım Alanları……………………………………….............67

3.2.10. YSA’nın Avantaj ve Dezavantajları…………………………..…......68

3.2.10. 1. YSA’nın Avantajları…………………………………….…...68

3.2.10.2. YSA’nın Dezavantajları………………………………...…….70

3.2.11. Aktivasyon Fonksiyonları……………………………………………71

3.2.12. İleri Beslemeli Geriye Yayınımlı Yapay Sinir Ağları (İBGYSA)…..73

4. BULGULAR VE TARTIŞMA…………………………………………………...79

4.1. Seyhan Havzası Yağış-Akış Modellemesinde Kullanılan Veriler…………..79

4.2. Çalışmada Kullanılan Verilerin Analizi……………………………………..80

4.2.1. Verilerin Seçilmesi………………………………….............................80

4.2.2. Yağış ve Akım Verilerinin Analizi……………………........................81

4.2.3. Eksik Verilerin Tamamlanması…………………….............................82

4.3. YSA ile Yağış Verileri ve Önceki Nehir Akımları Kullanılarak

Gelecekteki Akım Değerinin Tahmini……………………………………….82

4.3.1. Eğitim ve Test Aşamaları…………………………………………......84

4.3.2. Çok Değişkenli Regresyon Analizi (ÇDR)…………….…………...…84

4.4. Model Sonuçları………………………………………………………….…..85

4.4.1. 1801 AGİ- Feke ve Saimbeyli YAGİ Modelleme Sonucu…………....85

4.4.2. 1805 AGİ- Feke ve Karsantı YAGİ Modelleme Sonucu……………...88

4.4.3. 1806 AGİ- Feke ve Karsantı YAGİ Modelleme Sonucu……………...91

4.4.4. 1820 AGİ-Çatalan-Pozantı-Karaisalı YAGİ Modelleme Sonucu……..94

4.4.5. 1822 AGİ-Tufanbeyli-Tomarza YAGİ Modelleme Sonucu…….........97

4.4.6. 1824 AGİ-Feke ve Saimbeyli YAGİ Modelleme Sonucu…………...100

4.4.7. 1828 AGİ-Karaisalı YAGİ Modelleme Sonucu…………………......103

5. SONUÇLAR VE ÖNERİLER…………………………………………….…….107

KAYNAKLAR………………………………………………………………….....111

ÖZGEÇMİŞ………………………………………………………………………..115

VI

ÇİZELGELER DİZİNİ SAYFA

Çizelge 3.1. Havzalarda Durum……………………………………………….. 23

Çizelge 3.2. İllerin Havza Sınırları İçerisinde Kalan Alanlarının Büyüklükleri 27

Çizelge 3.3. Seyhan Havzası İçerisinde Yer Alan İstasyonlar ve İstasyonların

Konumları…………………………………………………………. 31

Çizelge 3.4. Havzada Yer Alan Akarsular….………………………………........37

Çizelge 3.5. Havzadaki Baraj ve Göletler………………………………………. 38

Çizelge 3.6. Havzada Planlanan Baraj Gölleri………………………………… 40

Çizelge 3.7. Adana ili Su Kaynakları durumu………………………………… 41

Çizelge 3.8. Kayseri ilinin Su Kaynakları durumu…………………………….. 41

Çizelge 3.9. Niğde ili Su Kaynakları durumu........................................................42

Çizelge 3.10. Geleneksel Algoritmalar ile YSA farklılıkları.……………………. 71

Çizelge 3.11. Aktivasyon Fonksiyonları…………………………………………. 72

Çizelge 4.1. Her bir YAGİ ve iki farklı YAGİ için ayrı ayrı YSA mimarisi…… 83

Çizelge 4.2. 1801 AGİ-Saimbeyli YSA ve ÇDR Karşılaştırması...........……… 86

Çizelge 4.3. 1805 AGİ-Feke YSA ve ÇDR Karşılaştırması…………………….. 88

Çizelge 4.4. 1806 AGİ-Karsantı YSA ve ÇDR Karşılaştırması.……………… 91

Çizelge 4.5. 1820 AGİ-Çatalan YSA ve ÇDR Karşılaştırması….……………… 94

Çizelge 4.6. 1822 AGİ-Tufanbeyli YSA ve ÇDR Karşılaştırması……………… 97

Çizelge 4.7. 1824 AGİ-Feke YSA ve ÇDR Karşılaştırması …………………….100

Çizelge 4.8. 1828 AGİ-Karaisalı YSA ve ÇDR Karşılaştırması………………... 103

VII

VIII

ŞEKİLLER DİZİNİ SAYFA

Şekil 1.1. Su Çevrimi……………………………………………………………..... 2

Şekil 1.2. Plüvyometre Aleti………………………………………………..……... 5

Şekil 1.3. Yağışın Akış Haline Dönüşümü……………………………………....... 6

Şekil 1.4. Yüzeysel Akış Havzası ile Yer Altı Akış Havzası………………………. 7

Şekil 3.1. Su Toplama Havzası…………………………………………………… 19

Şekil 3.2. Türkiye Akarsu Havzaları……………………………………………... 21

Şekil 3.3. Seyhan Havzasının Genel Bir Görünümü…………………………….. 24

Şekil 3.4. Seyhan Havzası Sınırları ve Seyhan Nehri Ana Kolları………………. 26

Şekil 3.5. İllerin Yüzölçümlerinin Dağılımı……………………………………… 27

Şekil 3.6. Seyhan Nehri Sayısal Veriler………………………………………….. 29

Şekil 3.7. Havzanın Fiziki Haritası………………………………………………. 30

Şekil 3.8. Seyhan Havzası Akım ve Meteorolojik Gözlem İstasyonları………… 32

Şekil 3.9. Seyhan Havzası Aylık Toplam Yağış Ortalaması…………………….. 33

Şekil 3.10. Seyhan Havzası Maksimum Yağış Ortalaması………………………. 33

Şekil 3.11. Seyhan Havzası Yıllık Ortalama Toplam Yağış Dağılımı…………… 34

Şekil 3.12. Seyhan Havzası Günlük Maksimum Yağış Dağılımı………………… 34

Şekil 3.13. Seyhan Havzası Yıllık Ortalama Toplam Karla Kaplı Gün Sayısı…... 35

Şekil 3.14. Seyhan Nehri Genel Bir Görünümü………………………………….. 36

Şekil 3.15. Seyhan Baraj Gölü Regülatörü………………………………………. 38

Şekil 3.16. Çatalan Köprüsü……………………………………………………… 39

Şekil 3.17. Seyhan Havza Alanı ve Sınırları……………………………………... 42

Şekil 3.18. Seyhan Baraj Gölü…………………………………………………… 43

Şekil 3.19. Seyhan Havzası CORINE 2000 Haritası…………………………….. 44

Şekil 3.20. Seyhan Havzası CORINE 2000-2006 ve 2006 Haritası……………… 46

Şekil 3.21. Seyhan Havzası Hidroloji Haritası…………………………………… 47

Şekil 3.22. Bir Yapay Sinir Ağı………………………………………………….. 50

Şekil 3.23. YSA Bağlantı Şekli………………………………………………….. 51

Şekil 3.24. Bir Nöronun Yapısı………………………………………………….. 54

IX

Şekil 3.25. Ağ Fonksiyonu…………………………………………………….... 56

Şekil 3.26. İleri Beslemeli Ağ Yapısı…………………………………………… 58

Şekil 3.27. İBYSA’nın Çalışma Sistematiği……………………………………. 59

Şekil 3.28. GBYSA Yapısı……………………………………………………… 60

Şekil 3.29. BMP Yapısı…………………………………………………………. 62

Şekil 3.30. Aktivasyon Fonksiyon Grafikleri………………………………….... 73

Şekil 3.31. İBGYSA Genel Yapısı……………………………………………… 74

Şekil 3.32. İBGYSA’ların Yapısı……………………………………………... 75

Şekil 4.1. Seyhan Havzası AGİ’leri…………………………………………….. 79

Şekil 4.2. Seyhan Havzası YAGİ’leri…………………………………………… 80

Şekil 4.3. 1801 AGİ-Saimbeyli Deneme-4 YSA Test Akım Tahmini…………... 86

Şekil 4.4. 1801 AGİ-Saimbeyli Deneme-4 YSA Test Saçılma Grafiği…………. 87

Şekil 4.5. 1801 AGİ-Saimbeyli Deneme-4 ÇDR Test Saçılma Grafiği…………. 87

Şekil 4.6. 1805 AGİ-Feke Deneme-3 YSA Test Akım Tahmini………………… 89

Şekil 4.7. 1805 AGİ-Feke Deneme-3 YSA Test Saçılma Grafiği………………. 90

Şekil 4.8. 1805 AGİ-Feke Deneme-3 ÇDR Test Saçılma Grafiği………………. 90

Şekil 4.9. 1806 AGİ-Karsantı Deneme-4 YSA Test Akım Tahmini…………….. 92

Şekil 4.10. 1806 AGİ-Karsantı Deneme-4 YSA Test Saçılma Grafiği………….. 93

Şekil 4.11. 1806 AGİ-Karsantı Deneme-4 ÇDR Test Saçılma Grafiği………….. 93

Şekil 4.12. 1820 AGİ-Çatalan Deneme-3 YSA Test Akım Tahmini…………….. 95

Şekil 4.13. 1820 AGİ-Çatalan Deneme-3 YSA Test Saçılma Grafiği…………… 96

Şekil 4.14. 1820 AGİ-Çatalan Deneme-3 ÇDR Test Saçılma Grafiği…………… 96

Şekil 4.15. 1822 AGİ-Tufanbeyli Deneme-2 YSA Test Akım Tahmini………... ..98

Şekil 4.16. 1822 AGİ-Tufanbeyli Deneme-2 YSA Test Saçılma Grafiği……… ..99

Şekil 4.17. 1822 AGİ-Tufanbeyli Deneme-2 ÇDR Test Saçılma Grafiği………...99

Şekil 4.18. 1824 AGİ-Feke Deneme-3 YSA Test Akım Tahmini……………… 101

Şekil 4.19. 1824 AGİ-Feke Deneme-3 YSA Test Saçılma Grafiği……………. 102

Şekil 4.20. 1824 AGİ-Feke Deneme-3 ÇDR Test Saçılma Grafiği……………. 102

Şekil 4.21. 1828 AGİ-Karaisalı Deneme-4 YSA Test Akım Tahmini…………. 104

Şekil 4.22. 1828 AGİ-Karaisalı Deneme-4 YSA Test Saçılma Grafiği………... 105

Şekil 4.23. 1828 AGİ-Karaisalı Deneme-4 ÇDR Test Saçılma Grafiği………... 105

X

SİMGELER VE KISALTMALAR

i : Yağış şiddeti

hi : Yıllık yağış miktarı

S : Alan

Y : Belirli bir süre içinde düşen yağış miktarı

Q : Debi

Ψ : Ortalama Akış Katsayısı

H : Belirli bir süre içinde havzaya düşen yağışların yüksekliği

YZT : Yapay Zekâ Teknikleri

YSA : Yapay Sinir Ağları

İBGYSA : İleri Beslemeli Geriye Yayınımlı Sinir Ağı

ÇDR : Çoklu Doğrusal Regresyon Modeli

TDA : Tekli Doğrusal Algılayıcı

SGYA : Standart Geri Yayınım Algoritması

BE : Bileşik Eğim

GZYÖA : Gerçek Zamanlı Yinelemeli Öğrenme Algoritması

DSİ : Devlet Su İşleri

SHKEP : Seyhan Havzası Koruma Eylem Planı

HES : Hidroelektrik Santrali

COB : Çevre ve Orman Bakanlığı

CORINE : Coordinated Information on the European Environment

TÜBİTAK : Türkiye Bilimsel ve Teknolojik Araştırma Kurumu

RIHN : Research Institute for Humanity and Nature

IPCC : Hükümetlerarası İklim Değişikliği Paneli

I/O : Input/Output

VLSI : Büyük Ölçekli Entegre Devre

GBYSA : Geri Beslemeli Yapay Sinir Ağı

BP : Geri Yayılım

BMP : Momentumlu Geri Yayılım Algoritması

LMS : En Küçük Ortalamalı Kareler

XI

EEG : Elektroensefalografi

ECG : Elektrokardiyografi

xi : Girdi değerleri

Tn : Çıktı değerleri

wij : Ara bağlantı ağırlıkları

Hj : Gizli nodun girdisi

HOj : Gizli nöron çıktısı

Ɵj : Başlangıç veya taraflılık değeri

On : Sinir ağı çıktısı

ep : Hata karelerinin toplamı

OKH, E : Ortalama Kare Hatası

δn : Nöron gradyanı

δj : Hata gradyanı

AGİ : Akım Gözlem İstasyonu

YAGİ : Yağış Gözlem İstasyonu

EİE : Elektrik İşleri Etüd İdaresi

DMİ : Devlet Meteoroloji İşleri

Pt : Yağışların t zamandaki değeri

Qt : Gözlenen aylık ortalama akım değeri

NA,NB,NC : Yıllık Ortalama Yağışlar

PA,PB,PC : Eksik olan yağışa karşı gelen okumalar

MATLAB : Matrix and Laboratory

SPSS : Statistical Package for Social Sciences

OMGH : Ortalama Mutlak Göreceli Hata

R2 : Correlation Coefficient

t : Zaman aralığı

1.GİRİŞ Evren TURHAN

1

1.GİRİŞ

1.1.Yağış-Akış İlişkisi ve Su Kaynakları Mühendisliği Açısından Önemi

Yeryüzünde yaşamın vazgeçilmez unsurlarının başında hava ve su

gelmektedir. Nüfusun hızla artması ve zorlaşan çevre şartları etkisiyle suyun artan

talebi sonucunda sınırlı bir kaynak olan suyun korunması ve kullanımı açısından iyi

bir plânlamanın yapılması önem arz eden konulardan biri olmaktadır. Dünya

nüfusunun hızla arttığı düşünüldüğünde yeterli su kaynaklarına sahip ülkelerde bile

ihtiyacın artması, kirliliğin ve suyun kullanımındaki artış gibi nedenlerden su temini

açısından ciddi sıkıntıların oluşacağı aşikârdır. Su kaynaklarının plânlanması ve

yönetimi su talebinin artmasına paralel olarak çok önemli bir duruma gelmiş olup, su

yapılarının geliştirilmesinde daha detaylı ve geniş araştırmaların yapılmasını zorunlu

kılmıştır. Endüstri, tarım, şehircilik ve kentsel gelişmedeki hızlı büyüme sonucu su

kaynaklarına olan ihtiyacın ilerleyen dönemlerde sürdürülebilir kararlı çevre

politikaları ile ancak giderilebileceğinin gözden kaçırılmaması gereken bir ayrıntı

olduğu unutulmamalıdır. Şekil 1.1.’de Su Çevrimi görülmektedir.

Küreselleşen Dünya ölçeğinde, ısınma ve iklim değişikliklerinin etkisi ile

sorunlar artmakta, kullanılabilir tatlı su kaynaklarının azalmasının ciddi bir risk

oluşturacağı düşünülmektedir. Bu hususta müşterek katılımların olacağı çalışmalarla

ancak somut çözümlerin elde edilebileceği ortak bir kanâât olmaktadır. Su

kaynakları bakımından bir bölgenin hatta bir ülkenin kalite ve miktar olarak

potansiyelinin belirlenmesinde; yönetimsel stratejilerin oluşturulması önemli

olmakla birlikte plânlama, inşaat ve işletilme konularının da ele alınması su

kaynakları mühendisliğine temel teşkil etmekte, dolayısı ile bu sürecin hidrolojik

çalışmalara çok büyük katkılar sağlayacağı da önemli bir detay olarak görülmektedir.

Yapılan bu çalışma neticesinde, su yapılarının geliştirilmesinde önemli bir faktör

olan akarsu akımlarının tahmini konusu ele alınmaya çalışılmıştır.


2

Şekil 1.1.Su Çevrimi (ga.water.usgs.gov/edu/watercycleturkish.html)

Hidrolojistler, herhangi bir havzada verilen bir yağışın oluşturduğu akımı

türetmekle ilgilenmektedirler. Bunun için tarihsel yağış, buharlaşma ve akım verileri

istatistiksel yöntemlerle değerlendirilerek gelecekle ilgili tahminler yapılmaktadır.

Akım ölçümleri olmayan havzalarda, verilen bir yağışa karşı gelecek akış

yüksekliğinin kestiriminin yapılması sürecinde yağış-akış bağlantılarından

yararlanılmaktadır.

Su kaynakları tasarımında yağış-akış ilişkisinin, doğadaki gerçek durumu tam

olarak yansıtacak bir biçimde belirlenmesi gerekmektedir. Yağış-akış ilişkisinin

geliştirilmesiyle ilgili çok sayıda araştırmada, herhangi bir havza için farklı durum

kümeleri oluşturulmaktadır. Bununla birlikte, bu yöntemler bilinen yağış

değerlerinde, akışın hesaplanmasında etkin olan değişkenleri kullanma

zorunluluğunu gerektirmektedir (Yaşar, 2004).


3

1.2.Yağışlar

1.2.1.Yağışların Oluşumu

Su buharı ve doymamış hava ile temasta bulunan su buharlaşmaktadır. Çeşitli

sıcaklıklarda su buharı ile doygun hale gelmesi için havanın içine alması gereken su

miktarları farklıdır. Sıcak bir hava kütlesi daha fazla ve soğuk bir hava kütlesi ise

içine daha az su buharı kabul etmektedir. O halde doygun bir sıcak hava kütlesi

içinde doygun soğuk hava kütlesine oranla daha fazla su buharı bulunmaktadır.

Öyleyse sıcaklık arttıkça hava içinde bulunan su buharı çoğaldığından doymuş buhar

basınçlarının da artması gerekmektedir (Şen, 2002).

Buharlaşarak su buharı halinde atmosfere doğru yükselen su zerrecikleri,

sıcaklıkların azaldığı ortamlarda bulutları oluşturmaktadır. Bulutlar ise, havadan

daha az yoğunlukta oldukları sürece hava içinde askıda kalıp yüzmekte ve rüzgârlar

vasıtasıyla sürüklenmekte, birbirleri ile karşılaşmakta ve birleşmektedirler. Bunlar

daha soğuk hava tabakalarına rastladıklarında herhangi bir şekilde

yoğunlaşmaktadırlar. Yoğunlaşma noktasının altına inildiğinde sıcaklık sıfır

derecenin üstünde ise su kürecikleri meydana gelip yağışlar yağmur şeklinde; sıfır

derecenin altında ise buz kristalleri meydana gelip kar ve dolu şeklinde olmaktadır.

Eğer yatay hava akımları bunları havada tutamazsa yağmur, kar ve dolu

şeklinde yere düşmektedirler. Su buharının yoğunlaşması yer yüzeyinin soğuyan

kısımlarında olursa çiğ veya kırağı oluşur. Geceleri toprak sudan daha çabuk

soğumakta ve kendi suyunu veya doygun havanın suyunu toplayarak buz kristalleri

biçimine dönüştürmektedir.

1.2.2.Yağış Ölçümleri

Bir bölgeye düşen yağmur miktarını bulmak için, yağış alanının ve yağış

yüksekliğinin bilinmesi gerekmektedir. Su ayrım çizgilerinin içinde kalan her bir

alan bir hidrolojik bölge olmaktadır. Buharlaşma hiç olmayan, sızmayan ve akmayan

düz bir yere düştüğü düşünülen yağışın belirli bir zamanda milimetre cinsinden


4

yükseldiği miktara ‘Yağış Yüksekliği’denmektedir. Yağış yüksekliği ile hidrolojik

bölge alanı çarpılırsa o bölgeye düşen yağış suyu miktarı bulunur. Yağış yüksekliği

yağış süresine bölünürse yağış şiddeti elde edilmektedir.

Örneğin; 2 dakikada düşen yağmurun yüksekliği h=4 mm ise bu yağmurun

şiddeti:

i= 4 mm / 2 dak = 2 mm/ dak olarak bulunur.

Yağışlar Plüvyometre denilen alet ile ölçülmektedir. Yağmur ölçü aletinin

etki alanı, düz yerlerde 5-6 km, engebeli yerlerde 0-5 km ve hatta 200-100 m’ye

kadar düşebilmektedir. Bir yere düşen yağışın miktarı; günden güne, aynı yıl içinde

aydan aya ve yıldan yıla çok büyük değişiklikler gösterebilmektedir. Yılın yağışlı

günlerindeki yağış yükseklikleri h1, h2,…,hn ile gösterilirse bunların toplamı yıllık

yağış miktarını vermektedir. Şekil 1.2.’de Plüvyometre aleti görülmektedir.

Yıllık yağış miktarı (mm) :

i= n

1 2 ni= 1

h i= h + h + ...+ h∑

(1.1.)

(1.1) ifadesi 12’ye bölünürse aylık ortalama yağış yüksekliği bulunmaktadır.

Aylık ortalama yağış yüksekliği =

i=n

iİ= 1

h

12

∑ (1.2.)

Aylık gerçek yağış yüksekliği k = m

gk = 1

h∑ ile gösterilirse (1.3.)


5

Aylık yağış katsayısı =

k = m

gk = 1

i= n

iİ= 1

h

h 1 2

∑

∑ olarak gösterilir (1.4.)

(Erdemgil, 1995)

Şekil 1.2.Plüvyometre Aleti (www.dmi.gov.tr/genel/meteorolojikaletler.aspx?a=e)

Yağış sularının bir kısmı tekrar buharlaşarak atmosfere geri dönmekte, diğer

bir bölümünü bitkiler almakta, bir bölümünü ise zemin tutmaktadır. Kalan kısımlar

da yüzeysel akışa geçip akarsuları oluşturmaktadır. Akarsulardan yer altına sızma ve

buharlaşma olayları sürmektedir. Bitkilerin aldığı suyun ise bir kısmı terleme

şeklinde buharlaşarak atmosfere geri dönmektedir.

1.2.3.Yağışın Akışa Dönüşümü

Bir akarsu havzası aynı zamanda üzerine düşen yağışı, çıkış noktasında

akarsudaki akış haline dönüştüren bir sistem olarak da düşünülebilir. Yağışın akış

haline dönüşümü Şekil 1.3.’te gösterilmektedir.


6

Şekil 1.3. Yağışın akış haline dönüşümü (Bayazıt, 2003)

1.3.Yüzeysel Akış

Tekrar buharlaşmayan, bitkiler tarafından tutulmayan veya zeminin içine

girmeyen yağış sularının yüzeyde kalan kısmı; çay, dere ve nehirleri oluşturarak

denizlere veya göllere kadar yüzeyden akmakta ve dolayısı ile yüzeysel akışı

oluşturmaktadır. Şekil 1.4.’te Yüzeysel akış havzası ile yer altı akış havzası

görülmektedir.

Yüzeysel Akışlar;

• Toprağın jeolojik yapısı,

• Hidrolojik havzanın eğimi ve coğrafi durumu,


7

• Toprağın bitki örtüsü ve cinsi,

• Toprağın nemlilik derecesi,

• Bölgenin iklimi,

• Yağışların zamanı, süresi

gibi koşullara bağlı olarak değişmektedir. Örneğin düz ve kumlu zeminlerde yüzey

suları, kayalık ve dik arazidekine oranla daha az olmaktadır.

Şekil 1.4.Yüzeysel akış havzası ile yer altı akış havzası (Önal, 2009)

Bitki örtüsü, yüzeyden akan miktarı azaltmaktadır. Sıcak bir iklimde daha

fazla buharlaşma olacağından yüzeyden akan suyun oranı daha düşük olacaktır.

Buna karşılık, zemindeki nem miktarı arttıkça da yüzeysel sular fazlalaşacaktır.

Alanı S km2 olan bir hidrolojik havza aldığımızı düşünelim. Belirli bir süre

içinde bu havzaya düşen yağış miktarı da Y olsun.

Herhangi bir B noktasından geçen debi Q ise,

Ψ = Q/Y = Q/ HxS

oranına o havzanın ‘Ortalama Akış Katsayısı’ denilmektedir. Burada H, belirli bir

süre içinde o havzaya düşen yağışların yüksekliğini göstermektedir. Uzunca bir


8

zaman süreci için bu katsayının ortalama değeri %30-%35 olarak kabul edilebilir.

Ancak kısa süreler ve daha küçük alanlar için mevsime ve yerine göre bu katsayının

daha farklı değerler aldığı görülmektedir.

Bir havzaya bir yılda düşen yağışların yüksekliği H (m) ve o bölgedeki

akarsuya bir yılda gelen suların yüksekliği H1 m ise; Ψ= H1/H ifadesi yıllık akış

katsayısını vermektedir. Havza alanı S km2 ise; bu havzadaki ana akarsuyun

ortalama debisi lt/ sn cinsinden;

100.000xSxΨxHQ=365x86400x1000

= 31,71xSx Ψ x H

Havzanın 1 km2’sinden akarsuya gelen debi, lt/s.km2 ifadesinden,

Q =31,71xΨxH olur.

Bir havzanın yıllık yağış ortalaması; havzanın büyüklüğüne, yağmur

şiddetine, sürekliliğine, toprağın su akış direncine, arazinin çıplak, örtülü veya ekili

olup olmamasına; çatlak kaya, suyu geçiren cinsten olup olmamasına; yağıştan sonra

ve evvelki sıcaklıklara, toprağın doygun olup olmamasına ve eğime göre büyük

değişiklikler göstermektedir (Oğul, 2006).

1.4. Yağış-Akış Modellerine Genel Bir Bakış

Herhangi bir akarsu havzası üzerine düşen yağışın akış haline dönüşmesi

olayını benzeştiren yağış-akış modelleri özellikle taşkın hidrolojisinde büyük önem

taşımaktadır. Çeşitli kayıplar çıkarıldıktan sonra yağışın geriye kalan kısmı farklı

yolları izleyerek havzada ötelenmekte, biriktirmeler yoluyla sönümlendirilmekte ve

sonucunda da çıkış noktasında akış haline dönüşü gerçekleştirilmektedir. Kompleks

bir sistem olan akarsu havzası için dönüşüm fonksiyonu bir matematiksel modelle

ifade edilebilmektedir. Matematiksel modeller parametrik(çok bileşenli, kavramsal)


9

modeller ve kapalı kutu (kara kutu) modelleri olmak üzere genellikle iki türlü

değerlendirilmektedir.

Parametrik (çok bileşenli, kavramsal) modeller; dönüşüm işlemini sızma,

yeraltı akışı, yüzeysel akış gibi bileşenlerine ayırarak analiz ederken bu bileşenlerin

aralarındaki ilişkileri fiziksel açıdan ayrıntılı bir şekilde ifade ederler. Hidrodinamik

yasalarının uygulanması güç olduğundan bu çeşit modellemelerde genellikle

basitleştirmeler yapılmaktadır. Modeller birtakım biriktirme elemanlarından kurulur,

suyun izlediği yola bağlı olarak bu elemanların arasındaki ilişkiler

(giren ve çıkan su miktarları) fiziksel özellikleri ile belirlenmektedir. Belirli bir

havza için model parametrelerinin değerleri, havzada gözlenmiş olan hidrograflarla

yeterli bir yaklaşımla modelden istenen sonuçlar elde edilinceye kadar denemeler

yapılarak belirlenmektedir.

Kapalı kutu (kara kutu) modellerinde havzada yer alan olaylar ayrıntılı olarak

incelenmeyip, havzaya yağışı akışa çeviren kapalı bir kutu gözüyle bakılır. Sistemin

dönüşüm fonksiyonunun belirlenmiş olan havzada gözlenmiş olan yağış ve akış

kayıtlarına dayandırılarak belirlenmesine çalışılır. Bu tip modeller gerçek durumu

tam olarak yansıtmasalar dahi uygulaması oldukça basit olup, daha önce

denenmemiş koşullar için kullanılmaları durumunda hatalara yol açabilmektedir.

Kapalı kutu modelleri dönüşüm fonksiyonunun doğrusal olduğunun kabul edilip

edilmemesine göre de sınıflara ayrılmaktadır.

Bilgisayar uygulama yöntemlerinin gelişmesi yağış-akış modellerinin

çeşitlenmesine ve daha çok kullanılmasına yol açmıştır. Bilgisayar teknolojisinin son

yıllarda gelişimine paralel olarak geliştirilen programlar sayesinde geleneksel

yaklaşım ve modellemeye alternatifler getirilmektedir. Bu konuda Yapay Zekâ

Teknikleri (YZT) olarak ifade edilen ve genel olarak insan beyni ve düşünce

fonksiyonunun taklidi olarak ortaya konan alanda gelişimler sağlanmaktadır.

Özellikle kapalı kutu olarak algılanabilecek, yani içinde olan olayları tahmin etmenin

oldukça zor olduğu sistemlerde sadece sistemin giriş ve çıkış parametrelerinden

hareketle sistemi tanımaya olanak sağlayan yaklaşımlarda YZT büyük olanaklar

sunmaktadır.


10

Geleneksel yağış-akış modelleme teorisi doğal olarak sistemi indirgemek,

zaman zaman doğrusallaştırmak zorunda kalmaktadır. Bu da modellerin

güvenilirliğini ve modellerin sonuçlarını şüpheli hale getirmektedir. Oysaki sistemin

içinde ne olup bittiğine bakmadan sadece sistemin girdi-çıktı mekanizmasının

öğrenilmesi ile sistem sağlıklı bir şekilde modellenebilmektedir. Bu doğrultuda insan

beyninin çalışma sisteminin taklidi ile geliştirilmiş olan Yapay Sinir Ağları (YSA)

uygun bir alternatif olarak görülmektedir. YSA, girdi-çıktı sistemleri modellemesi

için başarılı bir şekilde kullanılmaktadır. YSA’nın çeşitli tıp ve mühendislik

uygulamaları da yapılmış olup; sistem yapay veri üretimi, simülasyon ve tahmin

problemlerinin önde gelen yöntemlerinden birini oluşturmaktadır (Aci, 2006).

Bu çalışmada bir akarsudaki akımların o akarsuyun havzasındaki yağış

gözlemlerinden tahmin edilmesi ele alınmıştır. Bu amaçla son yıllarda benzer tahmin

uygulamalarında sıkça kullanılmakta olan YSA yöntem olarak seçilmiştir. Konunun

teorik kısımları verildikten sonra uygulama için Seyhan Havzası seçilmiştir.

Havzada mevcut bulunan yağış gözlem istasyonlarının yerleşimi, gözlem aralığı gibi

parametrelere bağlı olarak İleri Beslemeli Geriye Yayınımlı Sinir Ağı (İBGYSA)

modeli ile tasarlanmıştır. Model YSA metodolojisine uygun olarak eğitme ve test

aşamasından geçirilerek oluşturulmuştur. Elde edilen değerler Çoklu Doğrusal

Regresyon Modeli (ÇDR) ile kıyaslanmıştır. Sonuç olarak YSA yağış

gözlemlerinden akış tahmini problemine başarılı bir şekilde uygulanabilmekte ve

güvenli tahminler üretebilmektedir.

2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN

11

2. ÖNCEKİ ÇALIŞMALAR

Yağış-akış modelleri, 19. yüzyılın ikinci yarısında kentlerin kanalizasyon

tasarımı, drenaj sistemlerinin düzenlenmesi ve dolusavak hazne tasarımlarıyla ilgili

üç tip mühendislik sorununa çözüm getirebilmek amacıyla ortaya çıkarılmış olup,

karşılaşılan sorunlarda tasarım debisinin belirlenmesi temel amaç olmuştur.

19. yüzyılın sonlarında ve 20. yüzyıl başlarında birçok mühendis, belirli

durumlara uygun olarak üretilmiş formülleri benzer koşullar altında uygulamışlardır.

Birçok mühendis de, yağıştan akış kestirimi yapılması sorununa rasyonel bir

yaklaşım olarak görülebilecek rasyonel yöntemi kullanmışlardır. Küçük ve dağlık

havzalar için türetilen bu yöntemde toplanma zamanı temel parametre olmaktadır. Bu

metotta verilen yağış şiddetinin neden olduğu maksimum debi değerinin, yağış

süresinin toplanma süresinden büyük ya da eşit olduğu durumda gerçekleştiği

düşünülmektedir.

1920’li yıllarda daha büyük havzalar için bir model gereksinmesi duyulmaya

başlanmış ve bundan dolayı da ‘Rasyonel Yöntem’e birçok düzenlemeler yapılarak

zamansal ve konumsal ölçekte yağış ve havza özellikleri dikkate alınarak üniform

olmayan dağılımlarla çözümler üretilmeye çalışılmıştır. İzokronlar veya eş hareket

süreli eğrileri kavramına dayalı ‘Modifiye Rasyonel Yöntemi’ ilk temel yağış-akış

modeli olarak kabul edilmektedir. 1932’de Sherman, yağışın oluşturduğu akışı

belirlemek amacıyla süperpozisyon ilkesine dayalı birim hidrograf kavramını

oluşturmuştur. 1930’ların sonları ve 1940’lı yıllarda yöntemlerin ve sonuçların

nesnelliğinin arttırılması amacı ile bazı teknikler önerilmiş ve istatistik çözümler işin

içine dahil edilmiştir. Birim hidrograf kavramına önemli bir katkı da Clark (1945)

tarafından yapılmıştır. Daha sonraki yıllarda Nash (1957), Gama dağılımlı birim

hidrografı önermiştir. Akış tahminleriyle ilgili en büyük ve en önemli gelişme,

1950’lerde gerçekleşmiştir. Birim hidrografın biçiminin sadeleştirilmiş diferansiyel

denklem çözümüyle elde edilebileceği sonucuna varılmış olup; birim hidrograf,

havza özellikleri ile ilgili parametreler ya da istatistiksel yöntemlerle

tanımlanabilmektedir.


12

1960’larda yağış-akış modellemesi hakkında yeni yaklaşımlar geliştirilmiştir.

Hidrolojik çevrim bileşenlerinin davranışları ele alınarak havza ölçeğinde,

birbirleriyle bağlantılı ve her biri belirli bir alt sisteme karşılık gelecek öğeler

kullanılarak araştırma yapılması öngörülmektedir.

Bu şekilde bir yaklaşıma gereksinim duyulmasının nedenleri ise şöyledir:

1) Maksimum akış ve taban akımının ayrılmasının karmaşıklığından kaçınarak

modelin kullanımını uzun süreli kayıtlara doğru ilerletebilmek,

2) Modeli; farklı zemin, bitki örtüsü, karmaşık eğimlere sahip drenaj havzalarına

uygulayabilmek,

3) Modelin, benzer havzalara çok fazla kalibrasyona ihtiyaç duyulmadan

ayarlanabilmesini sağlamak.

Birçok durumda; modellerde parametre kullanılmakta ve bu parametreler en

uygun şekilde kalibre edilmelerine rağmen yanılgılı veriler içermekte, basit modeller

arasında yanılgılara yol açabilmektedir. 1970’lerin sonları, 1980’lerin başında ise

yeni bir yağış-akış modeli gerçekleştirilmiştir. Bu model; gerçek zamanlı kestirim

modeli olarak düşünülmüş olup; taşkın eğilim uyarısı gösteren alanlar için bir

çözümleme; hazne veya hidrolik yapı yönetimi için bir araç olarak geliştirilmiştir.

Birçok yağış-akış modeli gerçek zamanlı kestirim modeli olarak kurulmuş olsa da,

tüm model parametrelerinin gerçek zamanlı olarak kalibrasyonunun yapılmasının

avantajları ve dezavantajları net olarak bilinememektedir.

İnsan oluşumlu çevresel etkilerin daha çok dikkate alındığı günümüzde

taşkın, kuraklık, çevresel kirlenme gibi kritik durumlar belirli gerçek zamanlı

kestirim modellerinin geliştirilmesini zorunlu kılmaktadır. Asit yağmurları, toprak

kayıpları, gübrelerin yayılımı ve genel kirlenme gibi olağandışı doğa olaylarının

yalnızca dinamik, fiziksel tabanlı modellerle açıklanması yeterli olmamakta;

kimyasal ve biyolojik koruma denklemlerinin eklenmesini de gerektirmektedir.


13

Yağış-akış matematiksel modellerinin tarihi gelişimi incelendiğinde

kullanılan hidrolojik modellerin gereksinimleri arasındaki etkileşimin

anlaşılabileceğine ve mevcut bilgilere ve de teknolojik koşullara dayanarak çözüm

önerebileceğine dikkat çekilmektedir.

Günümüzde sorunlar ve eğilimler doğrultusunda gelecekte kullanılacak üç

model tipi belirlenmiştir:

1) Diferansiyel Dağılım Modelleri,

2) Diferansiyel Dağılım Modellerinin birleştirilmesiyle oluşturulan Dağılım

veya Kümelenmiş İntegral Modelleri,

3) Dağılım veya Kümelenmiş İntegral Modelleri artı gerçek zaman güncellemesi

için stokastik bileşen.

Su kaynakları sisteminin plânlanmasında sistemin davranışını tanımlamak,

veri üretme ve ileriye dönük tahminler yapmak gereklidir. Bu sebeplerle çeşitli

modeller geliştirilmiştir. Hangi tip modelin kullanılacağı incelenecek olaya bağlı

olmaktadır. Örneğin; yağış, akışa göre çok daha bağımsız değerler alan bir değişken

olmaktadır. Akışlar da ise; bağımlılık unsuru çok güçlüdür. Bunun nedeni havzanın

zemin özellikleri, bitki örtüsü gibi fiziksel özellikleridir.

Kullanılan geleneksel yağış-akış modelleri görgül kara-kutu modelleri, anlık

kavramsal modeller ve fiziksel temelli modeller olmak üzere üç gruba ayrılabilirler.

Pratikte en çok kullanılan yağış-akış modelleri ilk iki kategorideki modeller

olmaktadır.

Görgül kara-kutu modelleri, yağışın akışa dönüşümünde yer alan fiziksel

süreçleri açık bir şekilde ifade edememektedir. Kara-kutu modelleri, Sherman’ın

(1932) birim hidrograf kuramına dayanmaktadır. Bu modeller, parametre tahminleri

yapabilmek için yağış ve debi gözlemlerine gereksinim duymaktadır. Bu tip

modellerin geliştirilmesi ve kalibrasyonunda çalışılan bölge dışında çok iyi sonuçlar

verebildiğine rastlanmamıştır.

Kavramsal yağış-akış modelleri, hidrolojik çevrimi yöneten giriş alt süreçleri

ve fiziksel mekanizmalarla yaklaşık olarak tasarımlandırılmaktadır. Bu modeller

genellikle basitleştirilmiş fiziksel yasalarla doğrusal olmayan, zamanda değişken ve

deterministik havza özellikleri gösteren parametreleri birleştirmektedir. Bu gibi


14

modeller yağış-akış süreçlerinin alansal dağılım, zamanla değişen ve stokastik

özelliklerini yok saymaktadır. Bu modeller basit olmalarına karşın, mevcut ölçülmüş

hidrografları göstermekte oldukça başarılı olmaktadırlar.

Bunun yanı sıra, bu gibi modellerin uygulamasında ve kalibrasyonunda,

karmaşık matematiksel ifadelerin olması kalibrasyonu için gerekli verinin fazla olma

gereği ve modelin tanımlanması ve de kullanılmasında deneyimin önemli olması gibi

zaruretleri bulunmaktadır.

Görgül kara-kutu ve kavramsal yağış-akış modellerinin tersine fiziksel tabanlı

yağış-akış modellerinin araştırması günümüzde sıklıkla daha çok kullanılmaktadır.

Bu modeller birleşik hidrolojik süreçlerin fiziksel yapılarını anlamaya yöneliktirler.

Bu tip modellerde oldukça kapsamlı veriye ihtiyaç duyulmaktadır. Görgül kara-kutu

ve kavramsal yağış-akış modelleri, genelde sadece yağış-akış çalışmalarına yönelik

değil, aynı zamanda tek bir yağış-akış kavramından çok daha önemli olan aşınım,

yüzey üstü ve yüzey altı suları ile ilgili bilgileri de kullanmaktadırlar. Fiziksel

modelleri kullanarak belirli bir akarsu havzasının akımlarının modellenmesinde ise;

yeterli doğruluğa sahip uygun verinin elde edilmesi kavramı çok önem kazanmıştır.

Pek çok durumda model için gerekli verinin toplanması zordur. Bunun ötesinde, bu

tip modeller için verinin kalibrasyonu ve geçerliliğinin sınanması gerekmektedir.

Dolayısı ile yalnızca temel hidrometeorolojik veriyi kullanarak modelleme yapabilen

yeni bir yöntem olan YSA yöntemi kullanılmaya başlanmıştır. YSA; pek çok farklı

sürecin öğelerinden elde edilen, doğrusal olmayan öğrenme düzeneğine sahiptir

(Pincipe ve ark., 2000). Farklı süreç elementlerinden her biri diğerleri ile ve

kendileriyle birleştirilirler. YSA’ların temel avantajı; verilerin istatistiksel dağılımları

ile ilgili hiçbir kabul yapılmaksızın etkin ve kuvvetli tahminler yapabilmeyi

sağlamasıdır. Böylece bu yöntemde optimum performans sağlanabilmektedir.

Akım bilgi süreçlerinin yüksek oranda doğrusal olmayan özellik göstermeleri,

zamanla değişen ve konumsal dağılımlı olmalarına bağlı olarak basit modellerle

kolaylıkla tanımlanamayacaklarına inanılmaktadır. Akım süreçlerinin

modellenmesinde çok fazla zaman ve enerji harcanmaktadır. Bu modeller genellikle

yağış-akış modelleri olarak bilinmektedir. Bu modellerin tümünde verilerin

kalibrasyonu ve geçerliliğinin sınanması gerekmektedir. Pek çok durumda model için


15

gerekli uygun verinin sağlanması zordur. YSA mevcut hidrometeorolojik veri ile akış

modellemesinde kullanılabilmektedir.

Literatürde YSA kullanılarak yapılan birçok çalışma bulunmaktadır. Daha

sonraki yıllar da ise; insan öğrenme sürecini modelleme üzerine yapılan çalışmaların

sayısı artmış ve Hebb(1949), YSA’daki öğrenme kuralı için başlangıç sayılabilecek

bir kuralı geliştirmiştir. Bu öğrenme kuralı o dönemde bir sinir ağının öğrenme işini

nasıl gerçekleştirebileceği konusunda fikir vermekle birlikte bugün hâlâ geçerli olan

öğrenme kurallarından birçoğunun da temelini teşkil etmiştir.

Daha sonraki yıllarda ise Rosenblatt (1958), Tekli Doğrusal Algılayıcı (TDA)

(perceptron) modeli ve öğrenme kuralı ile bugünkü makine öğrenme algoritmasının

temelini atmış oldu. TDA karmaşık yinelemeli davranışlarda kullanılabilen öğrenme

makinesi olup, doğrusal çok boyutlu düzlemsel problemleri çözebildiği halde,

doğrusal olmayan sorunlara bir çözüm getirememiştir. Widrow ve Hoff (1960),

Widrow-Hoff öğrenme kuralı ortaya atılarak eğitim boyunca toplam hatayı en aza

indirme çalışmaları yapılmıştır. İlerleyen zamanlarda Hopfield (1982) tarafından

yapılan çalışmalar neticesinde eğrisel (doğrusal olmayan) ağların geliştirilmesi,

Kohonen (1982) ve Anderson (1983) tarafından yapılan çalışmalarla birlikte

öğretmensiz öğrenen ağların geliştirilmesi, Rumelhart ve diğerleri (1986) tarafından

çok algılayıcı ağlar için ‘Geriye Yayılma’ olarak adlandırılan bir eğitme

algoritmasının geliştirilmesi neticesinde bilim adamlarının YSA ile olan alakaları

artmış ve literatürde bugüne kadar YSA tabanlı birçok modelleme çalışması

yapılmıştır.

YSA klasik yöntemlerle karşılaştırıldığında; yapay nöronların doğrusal

olmamaları, doğadaki her türlü soruna uygulanabilmeleri, öğrenme algoritmasının

oluşturulmasında sağladığı kolaylıklar ve eğitim aşamasında eksik parametrelere

uygulanan sistem girişine karşılık en uygun sistem çıktısını üretebilmeleri gibi pek

çok üstünlükleri bulunmaktadır.

Kişi (2001, 2003), yaptığı çalışmada YSA kullanarak akış tahmini yapmıştır.

Ölçülmüş aylık toplam akış verilerinin bir kısmını YSA’da eğitmiş, bir kısmı ile de

denemiştir. Aylık toplam akarsu akışlarını tahmin etmek için eğim azaltma

algoritması ile yapay geri yayılmalı sinir ağı kullanılmıştır. Geçmiş ayın verileri


16

kullanılarak, içinde bulunulan ayın verileri elde edilmeye çalışılmıştır. Üç tabakalı

YSA’nın aylık toplam akışları etkin bir şekilde tahmin edebildiği sonucuna

varılmıştır.

Öztopal ve ark. (2003), yaptıkları çalışmada yağış ve buharlaşma

girdilerinden yararlanarak, akış tahmini yapabilmek için YSA yardımıyla bir akış

modeli oluşturmuşlardır. 1971-1991 yılları arasında Büyükçekmece’nin aylık yağış,

buharlaşma ve akış ölçümleri kullanılmıştır. Toplam 224 verinin 112’si kurulan YSA

modelini eğitmek, 112 veri ise tahmin için kullanılmıştır. Eğitme işleminde geriye

yayılma algoritması kullanılmıştır. Modelleme sonucunda eğitim aşamasında

korelasyon değeri 0.82; tahmin aşamasında ise 0.81 olarak bulunmuştur.

Chiang ve ark. (2004), yaptıkları çalışmada, YSA’ların iki temel tipi olan

statik ve dinamik sinir ağlarının sistematik bir karşılaştırmasını yapmışlardır. Statik

sinir ağları için, iki tane geri yayınımlı öğrenme algoritması, Standart Geri Yayınım

Algoritması (SGYA) ve Bileşik Eğim (BE) algoritması kullanılmış; dinamik-geri

besleme ağı için Gerçek Zamanlı Yinelemeli Öğrenme Algoritması (GZYÖA)

kullanılmıştır. Statik bir ağ için, kurulu bir ağın verimliliği bakımından, BE

yönteminin standart SGYA yönteminden daha iyi sonuçlar verdiği gözlemlenmiştir.

BE algoritması kullanan Statik Yapay Sinir Ağı ile GZYÖA kullanan dinamik yapay

sinir ağı karşılaştırıldığında ise statik-ileri besleme sinir ağlarının yalnızca uygun ve

elverişli bir eğitim veri seti olması durumunda yeterli sonuçlar verdiği; dinamik sinir

ağlarının statik sinir ağlarına oranla daha iyi ve daha istikrarlı sonuçlar ortaya

çıkardığı; öğrenme bakımından ise GZYÖA algoritmasının dinamik ağın sürekli

olarak güncellenmesinde kullanıldığı sonuçlarına varılmıştır.

Türker (2003), yaptığı çalışmada kavramsal bir yağış-akış modeli geliştirmiş

ve Eğirdir Gölü Havzası’nı uygulama alanı olarak seçmiştir. Sonucunda yağış ve

buhar tavanı gibi kolay sağlanabilen iki temel girdiye gerek duyabilen söz konusu

modelin, model yarıdeğişkenleri için uygun değerler bulunarak her havzada

uygulanma olanağının bulunduğunu belirtmiştir.

Yaşar (2004), yaptığı çalışmada YSA yöntemiyle Adıyaman Meteoroloji

İstasyonu ve Ziyaret Çayı’na ait 1985-1988 yılları arasındaki akım, sıcaklık ve yağış

verilerini kullanarak yağış-akış ilişkisi oluşturmuştur. Model çalışmasında sıcaklık ve


17

yağış verileri girdi; akış verileri çıktı olarak göz önüne alınmıştır. Eğitim aşamasında

1435 adet verinin 1312’si ile modelleme yapılmıştır. Ağın eğitilmesinden sonra 123

adetlik veri takımları ile ağ test edildiğinde, gerçek akım değerleriyle benzetim akım

değerlerinin arasında % 90 gibi bir uyumluluk olduğu gözlemlenmiştir.

Yarar (2004), yaptığı çalışmada Konya Ovası Projesi’nin ana su kaynağı olan

Beyşehir Gölü’nün su seviyesi değişimleri YSA yöntemi ile belirlenmeye

çalışılmıştır. DSİ tarafından yapılan 1962 ile 1990 yılları arasına ait

Giren Akım-Kayıp Akım, Yağış, Buharlaşma, Çekilen Akım ve Seviye ölçümleri

kullanılarak YSA yöntemi yardımı ile seviye değerleri elde edilmiş ve elde edilen

değerler geleneksel yöntemlerden elde edilen sonuçlarla karşılaştırılmıştır.

Oğul (2006), yaptığı çalışmada Bilecik ili, Pazaryeri ilçesi, Kurukavak

Havzası’na ait gözlenmiş yağış ve akım verilerini kullanarak akım tahminleri

yapmıştır. Çalışmada YSA metotlarından İBGYSA metodu da kullanılmıştır.

Aci (2006), yaptığı çalışmada bir akarsudaki akımların o akarsuyun

havzasındaki yağış ve önceki akım gözlemlerinden tahmin edilmesini ele almıştır.

YSA yöntemi seçilmiş olup, uygulama alanı olarak Akarçay Havzası belirlenmiştir.

Elde edilen sonuçlara göre YSA’ların yağış gözlemlerinden akış tahmini

problemlerine başarılı bir şekilde uygulanabileceği ve güvenli tahminler ürettiği

ortaya konmuştur.

Şahin (2007), yaptığı çalışmada Karadeniz Bölgesindeki yağış-akış ilişkisinin

farklı YSA metotları ile modellemesini yapmış, sonuçları birbirleri ile mukayese

ederek hangi metodun daha başarılı olduğunu irdelemiştir.

Öcal (2007), yaptığı çalışmada YSA algoritması kullanarak akarsu

havzalarında yağış-akış-katı madde ilişkisinin belirlenmesi konusunu ele almış,

Büyük Menderes Nehri üzerinde bulunan Yukarı Büyük Menderes Alt Havzası ve

Banaz Çayı Alt Havzasını uygulama alanı olarak seçmiştir.

Önal (2009), yaptığı çalışmada yapay zekâ tekniklerinden olan ve günümüzde

yaygın bir şekilde kullanılan YSA metodu ile Kızılırmak Nehri üzerinde akım tahmin

modellemesi yapmıştır. Sonuç olarak da YSA metodunun akım tahmin

problemlerinde rahatlıkla kullanılabileceği görülmüştür.


18

Gümüş ve ark. (2010), yaptığı çalışmada Orta Fırat Havzası’nda bulunan

2122 numaralı akım gözlem istasyonuna ait aylık ortalama akım verileri ile 17099

numaralı yağış gözlem istasyonuna ait aylık toplam yağış verileri arasındaki ilişki

YSA metotlarından İBGYSA metodu ile araştırılmış ve ardından bu sonuçlar daha

klasik bir yöntem olan ÇDR yöntemi ile karşılaştırılmıştır. Akım ve yağış verilerinin

girdi olarak kullanıldığı bu işlemde yeni akım değerleri tahmin edilmiştir. Çalışma

neticesinde İBGYSA yönteminin ÇDR yöntemine göre daha iyi sonuçlar verdiği

gözlemlenmiştir.

Okkan ve ark. (2010), yaptığı çalışmada Gediz Havzası’nda yer alan Yiğitler

Çayı’na ait günlük akımların modellenmesi için kullanılabilecek bir YSA modeli

hazırlamıştır. Hazırlanan YSA modeli ÇDR ile karşılaştırılmış, model

performansları, Yiğitler Çayı’na ait ölçülmüş günlük akım değerleri ile sınanmıştır.

Analiz sonucu, YSA algoritması performansı regresyon modeline göre daha başarılı

bulunmuştur.

3. MATERYAL VE METOD Evren TURHAN

19

3. MATERYAL VE METOD

3.1. Materyal

3.1.1. Su Havzaları

Havza; biyolojik, fiziksel, ekonomik ve sosyal bir sistemdir. İnsan aktiviteleri

ile etkilenen bir arazi dikey olarak alansal; yatay olarak da bir noktadan çıkışa ulaşan

su ile sınırlandırılmıştır. Bu alan içerisinde fiziksel, ekonomik ve sosyal etmenlerin

ilişkili olduğu çok dinamik bir sistem vardır. Havza, yalnızca bir alan değil; bir arazi

parçasıdır. Aynı zamanda doğal, sosyal, ekonomik, politik ve kurumsal etmenlerin

değiştiği karışık bir yapıdır.

Yeryüzüne ulaşan yağışların toplandığı akarsu bölgelerine

‘Su Toplama Havzası’ denilmektedir. Su Havzası, düşen yağış sularını toplayarak

düşük kotlu bir noktaya ileten alanlar için de kullanılmaktadır. Buralarda toplanan

sular kendisinden daha büyük olan su toplama havzalarına ya da doğrudan denize

ulaşmaktadır. Şekil 3.1.’de Su Toplama Havzası gösterilmektedir.

Şekil 3.1.Su Toplama Havzası (Oğul, 2006)

Su çevrimi bileşenli mühendislik hesaplamalarının yapılması için zaman ve

alan büyüklüklerine ihtiyaç vardır. Zaman birçok durumda düzenli; gün, hafta, ay yıl

veya taşkın ve kuraklık süreleri gibi durumlarda da düzensiz yani belirsizdir.

Mühendislik hidrolojisi çalışmalarında bazı hidrolojik olayların süresi belirsiz bile

olsa, bu olayların incelenmesinde zaman süresi düzenli olarak dikkate alınmaktadır.


20

Üzerine düşen her yağışın, akışa geçen kısmını yüzey suyu olarak çıkış

noktasına getiren noktaların tümünü çevreleyen alan, o çıkış noktasının su toplama

havzasıdır. Mühendislik hesaplamalarında en azından bu havzanın yüzey alanının

bilinmesi gereklidir.

Alan ise; ancak haritalardan tespit edilebilmektedir. Suların akması için

önemli olan yüzey şekilleridir, topoğrafya haritasında çıkış noktasının konumu tespit

edildikten sonra, bu nokta merkez kabul edilmekle birlikte her yönde çizilen değişik

doğrular üzerindeki ilk tepe noktaları bulunmaktadır. Atmosferden gelen suların tepe

noktaları ikiye ayrılmakta; bir kısım çıkış noktasına, diğerleri de onun aksi yönüne

akmaktadır. Bu bakımdan bu noktalara ‘Su Ayrım Noktaları’ denilmektedir.

Değişik yönlerde alınan doğrular üzerindeki en yüksek noktaların yani su

ayrım noktalarının birleştirilmesi ile su ayrım çizgisi denilen gelişigüzel bir eğri elde

edilmektedir. Bu çıkış noktasında her iki taraftan kendi üzerine kapanmaktadır. Eğri,

su toplama havzasının çevresini teşkil etmekte ve en düşük yükseltisi çıkış

noktasında olmaktadır. Dolayısı ile çıkış noktasına havzanın en düşük kotlu su

toplama noktası da denilmektedir. Pratikte mansap noktası adı da verilmektedir

(Bayazıt, 1998).

Çıkış noktasına en uzakta olan noktalar genelde yağışların bile olmadığı

zamanlarda bu şebekeyi besleyen pınar ve yeraltı su kaynaklarına yakındır. Bu

nedenle bu uzaklıklardaki kısımlara da ‘Akarsuyun Membası’ denilmektedir.

Mühendislik hidrolojisinde zaman ve alana karar verildikten sonra; birtakım

hesaplamaların yapılabilmesi için yağış, akış, sızma ve buharlaşma gibi değerlerin

yanında akarsu havzasının bazı büyüklüklerinin de bilinmesine gerek vardır. Bunlar

arasında en önemlisi, akarsu havzasının haritadaki alanıdır. Alan büyüdükçe

havzanın yağışları toplama imkânı artacağından yüzeysel akış miktarının da artacağı

düşünülebilir.


21

Havzalar büyüklüklerine göre;

A> 1000 km2 ise…………………..Çok Büyük,

100 km2 < A < 1000 km2 ise……….Büyük,

5 km2 < A < 100 km2 ise…………...Orta,

A < 5 km2 ise Küçük Havzalar olarak nitelendirilebilmektedir

(Müftüoğlu, 1991b ).

Ülkemiz su kaynakları yönünden 26 havzaya ayrılmış olup, mevcut

koşullarda su ihtiyacını karşılayabilecek durumdadır. Ancak hızla artan nüfusumuz,

su kirliliği ve kuraklık gibi faktörler göz önüne alındığında gelecek için

endişelenmemek olası değildir. Bu koşullarda, su kaynaklarımızı iyi değerlendirip su

depolama yapıları tesis edilebilir. Mevcut tesislerde sızma ve iletim kayıpları en aza

indirilebilir ve su kullanımı açısından tasarruf bilinci oluşturulabilirse kendimizi

geleceğe en iyi şekilde hazırlamış olabiliriz. Aksi durumda, suya muhtaç ülkeler

konumuna gelmemiz kaçınılmazdır.

Türkiye topoğrafik olarak, Şekil 3.2.’deki gibi 26 adet akarsu havzasına

bölünmüştür.

Şekil 3.2.Türkiye Akarsu Havzaları (Oğul, 2006)


22

Ülkemizdeki havzalar büyüklük, nüfus, su ve toprak kaynakları yönünden

birbirlerinden farklılık göstermektedir. Nüfus yönünden en kalabalık havza Marmara,

bunu Fırat izlemektedir. Nüfusu en az havzalar ise Burdur Gölleri ile Çoruh’tur.

Sulamada kullanılan suyun yaklaşık %70’nin yüzey suyu kaynaklarından

(göl, nehir, baraj) karşılanmaktadır. Ülkemizin toplam yer altı su potansiyeli 12

milyar m3 olup, bunun %70’ine yakın bir kısmı yer altından çekilmektedir. Batı

Akdeniz, Burdur Gölü, Akarçay, Konya Kapalı, Doğu Akdeniz ve Asi havzalarında

emniyetle çekilebilir su miktarından daha fazla su çekilmektedir. Buna bağlı olarak

en fazla su çekilen havza Konya Kapalı, en az çekilen ise Van Gölü havzasıdır.

Kullanılabilir yeraltı suyu rezervinin en fazla olduğu havzalar Fırat ve Sakarya

havzaları olarak belirtilmektedir. Yer altından çekilen suların %45’i içme ve

kullanma, %54.9’u sulamada tüketilmektedir.

Sanayinin yoğun olduğu havzalarda çekilen yeraltı suyunun büyük kısmının

içme–kullanma ve sanayi amaçlı; tarımın yoğun olduğu havzalarda ise sulamada

kullanıldığı bilinmektedir (Oğul, 2006).

Çizelge 3.1.’de Havzaların yüzölçümü yağış ve akış durumu gösterilmektedir.


23

Çizelge 3.1. Havzalarda Durum (1995-2000) (SHKEP, 2011) Havza

Adı Yüzölçümü

(Km2) Yıllık

Ortalama Yağış (mm)

Yıllık Ortalama

Debi (m3/sn)

Sulanan Alan (ha)

Meriç 14.229 604,00 38,50 13.273

Marmara 23.680 728,70 255,20 7.438

Susurluk 23.492 711,60 161,00 30.874

Kuzey Ege 9.037 624,20 161,00 1.014

Gediz 17.418 603,00 58,60 68.917

K.Menderes 7.080 727,40 35,80 307

B.Menderes 25.619 664,30 97,10 90.861

Batı Akdeniz 21.801 875,60 321,10 20.140

Antalya 19.780 1000,40 335,10 58.461

Burdur Gölü 6.065 446,30 14,30 7.762

Akarçay 7.470 455,80 14,00 3.946

Sakarya 57.785 524,70 188,70 35.514

Batı Karadeniz 29.441 811,00 317,90 3.980

Yeşilırmak 39.440 496,50 162,80 43.746

Kızılırmak 82.208 446,10 197,40 34.004

Konya Kapalı 50.675 416,80 154,20 62.060

Doğu Akdeniz 21.939 745,00 345,70 26.713

Seyhan 21.704 624,00 229,50 113.206

Asi 7.244 815,60 37,00 13.785

Ceyhan 22.191 731,60 224,00 139.019

Fırat 121.484 540,10 992,00 120.269

Doğu Karadeniz

23.283 1.198,00 521,30 -

Çoruh 20.075 629,40 208,30 -

Aras 27.567 432,40 149,80 14.359

Van Gölü 14.334 474,30 62,90 9.522

Dicle 53.825 807,20 700,60 13.777


24

3.1.2. Ülkemizin Önemli Su Havzalarından Seyhan Havzası

Seyhan Havzası; Türkiye’nin güneyinde, Doğu Akdeniz Bölgesinde 36° 30’

ile 39° 15’ kuzey enlemleri ve 39° 45’ ile 37° 00’ doğu boylamları arasında yer

almaktadır. Havzanın kuzeyinde Kızılırmak, doğusunda Ceyhan, batısında Doğu

Akdeniz Havzaları ile kuzeybatısında Konya Havzası bulunmaktadır. Seyhan Nehri,

kuzeyde Toros dağlarının 3500 m. yükseltisinden başlar ve Akdeniz’e dökülür

(DSİ,1980). Seyhan Nehri; Zamantı ve Göksu kollarından oluşur ve yıllık ortalama

akım değeri, Zamantı kolunda 68 m3/sn ve Göksu kolunda 59 m3/sn değerindedir.

Akım miktarı, Çatalan ve Seyhan Barajlarında sırasıyla 163 m3/sn ve 200 m3/sn

değerlerini alır. Türkiye’nin 186 milyar m3’lük toplam su potansiyelinin yaklaşık

%5’i Seyhan Havzası’nda yer almaktadır. Seyhan Havzası’nın genel bir görünümü

Şekil 3.3.’te gösterilmektedir.

Şekil 3.3. Seyhan Havzasının Genel Bir Görünümü (SHKEP, 2011)

Seyhan Nehri; Zamantı ve Göksu kolları, Çatalan Barajında Seyhan Nehrine

karışan Eğlence Deresi, mevcut Seyhan rezervuarına karışan Körkün, Çakıt Çayları,

Üçürge Deresi ve Seyhan Nehri’ne akan diğer küçük derelerden oluşmaktadır ve

Adana il sınırları içerisinden geçtikten sonra nehir güneybatıya yönelerek


25

menderesler çizmekte ve Tarsus Çayı ağzının 3 km kadar doğusunda Deliburun’da

Akdeniz’e dökülmektedir.

Havzanın genel durumu itibariyle Çukurova’dan kuzeye doğru kama

biçiminde uzanan Seyhan Havzası’nın yukarı bölümü İç Anadolu; orta ve aşağı

bölümü Akdeniz Bölgesi’nde yer almakta ve Seyhan Nehri ile Göksu ve Zamantı

kollarının su toplama alanlarını içine almaktadır. 36° 33’ - 39° 12’ Kuzey ve

34° 24’ - 36° 56’ doğu enlem ve boylam dereceleri arasındadır. Havza 2.213.415

hektarlık genişlikte olup, Türkiye’nin %2,82’sini kapsamaktadır. Şekil 3.4.’te

Seyhan Havzası Sınırları ve Seyhan Nehri Ana Kolları gösterilmektedir.

Havza batıdan Kızılırmak, Konya, Doğu Akdeniz; doğudan Ceyhan ve Fırat

Havzaları ile komşudur. Toroslar’ın kuzeydoğu yönlü ve 2-3 sıra halindeki uzantıları

büyük kısmıyla havza içinde yer almaktadır. Göksu ve Zamantı kollarının arasındaki

ana sırtların doğu ve batısındaki ikincil sırtlar havzayı diğer havzalardan

ayırmaktadır. Doğuda Uzunyayla’dan güneye doğru sıralanan Tahtalı, Binboğa,

Toklu, Tekeç Dağları ve Ceyhan Havzası arasındaki sınırı oluşturmaktadır. Batıdaki

Sarıçiçek, Hınzır, Koramaz, Turasan, Pozantı ve Bolkar Dağları ise alanı Kızılırmak,

Konya ve Doğu Akdeniz havzalarından ayırır. Toplam yağış alanı 20.731 km2 olan

Seyhan Havzası’nın yıllık ortalama yağış yüksekliği 624 mm; yıllık ortalama akışı

ise 211,07 m3/sn’dir. Yıllık ortalama verimi 10,18 L/s/km3 olan havzadaki akışın

yağışa oranı 0,51’dir.

Seyhan Havzası sınırları içerisinde Adana, Kayseri, Niğde, İçel, Sivas ve

Kahramanmaraş illeri bulunmaktadır. Sivas ve Kahramanmaraş illerinin Seyhan

Havzası içerisinde yer alan kısımlarında, yerleşim yeri bulunmamakta olup, Adana

ili Büyükşehir Belediyesine bağlı ilçeler Seyhan, Yüreğir, Sarıçam, Çukurova ve

Karaisalı’dır. Adana iline bağlı olan ilçeler Tufanbeyli, Saimbeyli, Feke, Aladağ,

Karataş, Pozantı; Kayseri ilinin Sarız, Tomarza ve Pınarbaşı ilçeleri; Niğde ilinin

Ulukışla ve Çamardı ilçeleri; İçel (Mersin) ilinin Tarsus ilçesine bağlı Yenice

Beldesi havza sınırları içerisinde yer almaktadır.


26

Şekil 3.4.Seyhan Havzası Sınırları ve Seyhan Nehri Ana Kolları (SHKEP, 2011)

İllerin havza sınırları içerisinde kalan alanlarının büyüklükleri, illerin

yüzölçümlerinin dağılımı Çizelge 3.2 ve Şekil 3.5.’te verilmektedir.


27

Çizelge 3.2. İllerin havza sınırları içerisinde kalan alanlarının büyüklükleri (SHKEP, 2011)

İller

İlin Toplam Alanı (ha)

İlin Havza İçindeki

Alanı (ha)

İl Alanının Havzaya

Giren Kısmı (%)

Havzanın İllere Göre

Dağılımı (%)

KAYSERİ 1.691.700 854.893,60 50,53 38,62 SİVAS 2.848.800 29.240,21 1,03 1,32 NİĞDE 1.429.400 222.827,30 15,59 10,07 ADANA 1.725.300 1.003.479,44 58,16 45,34 K.MARAŞ 1.432.700 19.187,70 1,34 0,87 İÇEL(MERSİN) 1.585.300 83.786,49 5,29 3,79

Şekil 3.5. İllerin Yüzölçümlerinin Dağılımı (SHKEP, 2011)

Havza tümüyle dağlık arazi görünümünde olup, yüksek ve sarp eğimli dağlar

orta bölümü kapladıkları gibi yukarı bölüme de uzanırlar. Yukarı bölümün bir kısmı

da tepelikler halindedir. Dağlık-tepelik arazi görünümünün dışında kalan Çukurova

alüvyal tabanı, havza yüzölçümünün onda birinden (1/10) daha az bir yer kaplar.

Burada yükselti 50 m’den düşüktür. Genel eğim % 0-1 mertebesindedir.


28

Deniz yüzeyine yakın bir yüzeyden başlayan taban, Adana’ya doğru hafifçe

yükselmektedir. Bu kısımdan itibaren de kuzeye ve doğuya doğru seki arazi başlar.

Seki araziden kuzeye doğru çok dik eğimli tepelikler bulunmaktadır. Bunlar birkaç

km sonra yerini sarp, dağlık araziye bırakır. Dağlık arazi hızla yükselerek

Ulukışla-Feke arasında sert bir yapı göstermekte ve doruklarda 2.000 m’yi

aşmaktadır. Havza batı ucundaki Medetsiz Tepe (3.585 m), Pozantı Dağı (2.889 m),

Aladağ (3.734 m) dağlık arazide yamaçlar uzun, eğim ise sarptır. Seyhan

Havzası’nda yükselti farklılığından dolayı havza içerisinde farklı iklimler hakimdir.

Denize en yakın olan havzanın alt bölümlerinde kışlar ılık ve yağışlı, yazlar ise

kurak ve sıcak geçerken; havzanın üst bölümlerinde yükselti ile iklim değişmekte, bu

bölümlerde karasal iklim hakim olmaktadır.

Akarsular açısından düşünüldüğünde; Seyhan Nehri, Türkiye’nin Akdeniz’e

dökülen ırmaklarının en büyüklerindendir. Uzunluğu Zamantı ve Göksu Irmakları

başta olmak üzere tüm kollarıyla birlikte 560 km uzunluğundadır. Önemli

kollarından biri Kayseri-Pınarbaşı ilçesinden, 1500 m yükseklikteki Uzunyayla’dan

doğan Zamantı Suyudur ve Kayseri’nin Pınarbaşı, Tomarza, Develi ve Yahyalı

ilçelerinden geçer. Orta Toroslar’ın (Tahtalı Dağları) uzanış doğrultusunda akan bu

su, Çukurova kısmına inmeden önce Adana’nın 80 km kuzeyinde Aladağ ilçesinin

Akinek Dağı yamaçlarında diğer önemli kolu olan Göksu ile birleşir, Adana’nın

içinden geçerek bu şehri Seyhan ve Yüreğir olarak iki ilçeye böler ve de

Çukurova’nın en batı kesiminde, Adana-İçel (Mersin) sınırında Deli Burnu’na ulaşır,

oradan da Karataş’ta bulunan Tuzla Gölü’nün batısından Akdeniz’e dökülür. Seyhan

Nehri üzerinde Yedigöze, Çatalan ve Seyhan Hidroelektrik Santralleri (HES)

kurulmuştur. Seyhan Nehri dışında havza içinde kalan önemli akarsular Çakıt Çayı,

Eğlence Deresi, Körkün Çayı ve Üçürge Deresidir. Göller ise; Tuzla Gölü, Seyhan

Baraj Gölü, Çatalan Baraj Gölü ve Akyatan Gölüdür.

Toprak yapısı olarak havzada alüvyal kısımdan kuzeye doğru gidildiğinde ilk

önce bitişik şekillerde, kireç taşı ve konglomeral; daha sonra kurak-sıcak yazlı, nemli

Akdeniz iklimi etkisinde, net kırmızı renkli Akdeniz topraklarının oluştuğu

görülmektedir. Daha kuzeye doğru yağış artarken sıcaklık düşer, yıkanma etkinleşir,

organik madde birikimi kolaylaşmaktadır. Orman örtüsü çayır ve çalının yerini


29

almaktadır. Toroslar’ın alçak yamaçlarında kahverengi orman; yükseltilerde daha

yoğun yıkanma koşullarında kireçsiz kahverengi orman toprakları oluşmuştur.

Eğimin dik ve sarp oluşu orman kuşağında, daha ileri toprak oluşumunu

önlemektedir. Toroslar’dan İç Anadolu peneplenine inerken, yine ince bir

kahverengi orman şeridine rastlanmaktadır.

Tümüyle kurak kuşağa girdikten sonra kahverengi ve kırmızı kahverengi

topraklar yaygınlaşmaktadır. Çayır kuşağı ile orman kuşağı arasında kireçsiz

kahverengi ve kestane rengi topraklar yer alır. 8’i kuşak toprağı olmak üzere 12

büyük grubun havzada bulunduğu gözlemlenmektedir. Büyük olan gruplar o grubun

baskın olduğu birlikler halindedir. Şekil 3.6.’da Seyhan Nehri sayısal verileri ve

Şekil 3.7’de havzanın fiziki haritası gösterilmektedir.

Şekil 3.6.Seyhan Nehri Sayısal Veriler (SHKEP, 2011)

Havza güneyinde geniş 4.zaman alüvyal taban vardır. Buradan Toroslar’ın

sırtlarına kadar olan geniş şerit orta miosen, kuzey kesim neosen kalker, marn,

kumtaşı ve konglomeralardan oluşmuştur. Andezitik dış püskürükler ve iç

püskürükler havza kuzeybatı bölümünü kaplamaktadır. Karsantı-Sarız arası

genellikle silurien, devoien ve permo-karbonifer yaşlı şistlerinden oluşmaktadır. Bu

arada yüzeye çıkan kretase, açık renkli kireç taşından meydana gelmektedir.


30

Şekil 3.7.Havzanın Fiziki Haritası (SHKEP, 2011)


31

3.1.2.1. Seyhan Havzası Meteorolojik Bilgileri

Kıyıdan itibaren İç Anadolu’ya uzanan havza, iklim yönünden üç farklı

kesimi kapsamaktadır. Çukurova ve yakın eteklerinden oluşan kıyı kesimlerde yazlar

sıcak ve kurak, kışlar ılık ve yağışlıdır. Ulukışla’dan Pınarbaşı’na ve daha kuzeye

uzanan kesim İç Anadolu özelliklerini yansıtmaktadır. Yazlar sıcak ve kurak, kışlar

soğuk ve yağışlıdır. Kayseri, kıyı kesiminden daha karasal olmaktadır.

Kurak kuzey kesimiyle kıyı arasında kalan ve kuzeydoğu yönünde uzanan

Toroslar’ın sırtlarını içine alan kesim, kuzey ve güneyden farklı olup; daha yağışlı ve

daha soğuk olmaktadır. Seyhan Havzası içinde yer alan istasyonlar ve istasyonların

konumları Çizelge 3.3’te verilmektedir.

Çizelge 3.3. Seyhan Havzası içerisinde yer alan istasyonlar ve istasyonların konumları (SHKEP, 2011)

İstasyon Adı İstasyon No Rakım (m) Enlem Boylam

ADANA 17351 20 37,00 35,20 TOMARZA 17837 1347 38,27 35,48 SARIZ 17840 1500 38,29 36,30 ULUKIŞLA 17906 1453 37,33 34,29 POZANTI 17934 778 37,25 34,52

Havzada Akdeniz iklimi ve karasal iklim görülmektedir. Akdeniz iklim

özelliğinden dolayı kış mevsimi yağışlı geçmektedir. Havzanın karasal ikliminin

etkili olduğu bölgelerde kışın hakim olduğu aylar genellikle kar yağışına

rastlanılmaktadır. Şekil 3.8.’de Seyhan Havzası Akım ve Meteorolojik Gözlem

İstasyonları; İstasyonların yıllık ortalama toplam yağış değerleri Şekil 3.9.,

Şekil 3.10., Şekil 3.11., Şekil 3.12., Şekil 3.13.’te gösterilmektedir.


32

Şekil 3.8. Seyhan Havzası Akım ve Meteorolojik Gözlem İstasyonları

(SHKEP, 2011)

Adana ilinde yağışların yarısı kış aylarında, diğer yarısı da ilkbahar ve

sonbaharda görülmektedir. Yazın yaklaşık 2-3 ay yağış düşmemektedir. Kar

yağışlarına pek rastlanılmaz. Ancak uzun seneler içerisinde birkaç kez görülen sulu

kara rastlanılmıştır.


33

Şekil 3.9. Seyhan Havzası Aylık Toplam Yağış Ortalaması (1975-2009)

(SHKEP, 2011)

Şekil 3.10. Seyhan Havzası Maksimum Yağış Ortalaması (1975-2009)

(SHKEP, 2011)


34

Şekil 3.11. Seyhan Havzası Yıllık Ortalama Toplam Yağış Dağılımı (1971-2000)

(SHKEP, 2011)

Şekil 3.12. Seyhan Havzası Günlük Maksimum Yağış Dağılımı (SHKEP, 2011)


35

Şekil 3.13. Seyhan Havzası Yıllık Ortalama Toplam Karla Kaplı Gün Sayısı

(1971-2000) (SHKEP, 2011)

3.1.2.2. Seyhan Havzası Su Kaynakları

Havza arazileri Çukurova Bölgesi dışında genellikle dağlık ve tepelik bir

görünüme sahiptir. Dağlık arazi içerisinde eğimler dik ve sarp, toprak yapısı sığ ve

bitki örtüsü seyrektir. Tepelik kuzey kısmı ise kuraktır. Yağış çoğu zaman kış ve

ilkbahar mevsimlerinde düşmektedir. Yüzeysel akış oranı yüksektir.

Havza sularının tümü Seyhan ve bunun ana kolları olan Zamantı ve Göksu

Irmakları ile Akdeniz’e dökülmektedir. Zamantı Irmağı havza kuzeyinde

Uzunyayla’da Derepınar, Bağyurdu gibi derelerin birleşmesi ile oluşup güneybatı

kısmına akmaktadır. Kuzeyde Tahtalıdağ, güneyde Alaylıdağ arasında sıralanan

dağların batı yamaçlarıyla daha batıda kalan arazilerin suları diğer derelerle birlikte

Zamantı’da toplanmaktadır. Şekil 3.14.’te Seyhan Nehri’nin genel bir görünümü

gösterilmektedir.


36

Şekil 3.14. Seyhan Nehri Genel Bir Görünümü (Türk Hava Kurumu öğretmen pilotu

Orhan Özgülbaş’ın fotoğrafı)

Göksu; Akinek ve Tahtalı arasındaki dağ sırtlarının doğusunda kalan

bölümün sularını toplamaktadır. Nehir oluşumu Sarız civarındaki küçük derelerin

birleşmesiyle oluşmaktadır. Buradan güneye uzanarak Saimbeyli’nin doğusuna

akmaktadır. Kocaköy-Erikçukuru arasında Göksu ve Zamantı Irmakları birleşerek

Seyhan Nehrini oluşturmaktadır. Havzanın bu kısımdan daha aşağıda kalan bölümü,

orta bölüme oranla daha yumuşak engebeye sahiptir. Irmak geniş kıvrımlar çizerek

Çukurova’ya iner ve Seyhan Barajı’ndan sonra Tuzla batısında Akdeniz’e

ulaşmaktadır.

Seyhan Nehri’nin yan kollarla birlikte ana kol uzunluğu yaklaşık 560 km

olup, Zamantı ve Göksu kollarının birleşme noktasından Akdeniz’e kadar olan

uzunluğu ise 137 km’dir.

Havzada yer alan akarsular Çizelge 3.4.’te türlerine ve uzunluklarına göre

sıralanmıştır.


37

Çizelge 3.4. Havzada yer alan akarsular (SHKEP, 2011) Akarsu

Adı Türü Uzunluğu

(km) Akarsu Adı Türü Uzunluğu

(km)

Seyhan Nehri Nehir 136,93 Mağara Deresi Dere 18,08

Göksu Nehri Nehir 24,54 Ortaca Deresi Dere 16,75

Ceyhan Nehri Nehir 2,41 Saçayak Deresi Dere 16,07

Eski Irmağı Irmak 4,17 Sinekli Deresi Dere 19,51

Zamanlı Irmağı Irmak 28,86 Sırçak Deresi Dere 15,92

Zamantı Irmağı Irmak 348,70 Sıçanlısuyu

Deresi

Dere 17,16

Zamantı Irmağı Irmak 12,89 Teke Deresi Dere 18,68

Aksu Deresi Dere 37,01 Tereli Deresi Dere 20,90

Asmaca Deresi Dere 18,24 Ulupınar Deresi Dere 22,17

Cödden Deresi Dere 25,63 Yapraklı Deresi Dere 21,81

Demircik

Deresi

Dere 15,82 Çiftliközü Deresi Dere 23,16

Değirmen

Deresi

Dere 85,98 Özdere Dere 20,18

Elmalı Deresi Dere 16,28 Üçkapılı Deresi Dere 17,72

Gıdıras Deresi Dere 18,28 İkiz Deresi Dere 19,19

Hamurlu Deresi Dere 15,62 Şuğul Deresi Dere 19,58

Kamışlı Deresi Dere 17,33 Asmaca Çayı Çay 16,26

Karanlık Deresi Dere 29,42 Bahçecik Çayı Çay 19,30

Karanlık Deresi Dere 17,41 Deli Çayı Çay 22,84

Keben Deresi Dere 15,94 Doğan Çayı Çay 21,48

Koca Deresi Dere 21,29 Ecemiş Çayı Çay 20,04

Kuru Deresi Dere 15,13 Eğlence Çayı Çay 24,28

Kökez Deresi Dere 19,04 Kafarlı Çayı Çay 20,96

Küçük Deresi Dere 17,46 Körkün Çayı Çay 54,54

Kırkgeçit

Deresi

Dere 40,63 Sarız Çayı Çay 44,66

Mansurlu

Deresi

Dere 36,89 Çiftehan Çayı Çay 24,51

Üçürge Deresi Dere 8,36


38

Seyhan Havzası sınırları içerisinde kalan alanda mevcutta çalışır durumda

olan 6 adet; inşaa aşamasında olan veya plânlama çalışmaları devam eden 18 adet

baraj yapısı bulunmaktadır. Havzadaki baraj göllerinin il, akarsu, alan ve kullanım

amacı bilgileri Çizelge 3.5.’te verilmiştir.

Çizelge 3.5. Havzadaki Baraj ve Göletler (SHKEP, 2011)

No Adı İli Akarsuyu Alanı(ha) Kullanım Amacı

1 Bahçelik

Barajı

Kayseri Zamantı Nehri 1.551 İ,S,T,E

2 Seyhan Barajı Adana Seyhan 8.254 S,T,E

3 Çatalan Barajı Adana Seyhan 8.250 İ,S,T,E

4 Nergislik

Barajı

Adana Üçürge Deresi 141 S

5 Karakuyu

Göleti

Kayseri Kurudere - S

6 Kılıçlı Göleti Adana Kapılı Deresi - S,T

İ: İçme Suyu, S:Sulama, T:Taşkın Koruma, E:Enerji

Seyhan Barajı, Havza’nın en önemli 2 barajından birisidir. Baraj eski

Adana’nın 15 km yukarısında 85.000 hektar araziyi kaplamaktadır ve Adana’yı

Seyhan Nehri’nin neden olabileceği su baskınından önlemek amacıyla yapılan toprak

dolgu tipi bir barajdır. Şekil 3.15.’te Seyhan Baraj Gölü Regülatörü görülmektedir.

Şekil 3.15. Seyhan Baraj Gölü Regülatörü (http://www.varbak.com/akdeniz- b%C3%B6lgesindeki-barajlar/7)


39

Barajın gövde hacmi 7.500.000 m3 , akarsu yatağından yüksekliği 53,2 m,

normal su kotunda göl alanı 67,82 km2’dir. Baraj sayesinde 174.000 hektar arazi

sulanabilmektedir. 18.000 kW’lık 3 üniteye sahiptir(1’i yedek olmak üzere). HES,

54 MW güç ile yılda toplam 350 GW enerji üretmektedir.

Adana ilinin Yüreğir İlçesi ve Seyhan İlçesi, içme suyunu Çatalan

Barajı’ndan sağlamaktadır. Havzanın çoğunda içme suyu kaynak suyundan temin

edilmektedir. Çatalan Barajı; Adana’da Seyhan Nehri üzerinde, enerji ve taşkın

kontrolü amacıyla 1982-1997 yılları arasında inşaa edilmiş bir barajdır. Toprak

gövde dolgu tipi olan barajın gövde hacmi 14.500.000 m3 , akarsu yatağından

yüksekliği 70,00 m, normal su kotunda göl hacmi 2.126,33 hm3 , normal su kotunda

göl alanı 81,86 km2’dir. Baraj 169 MW güç ile yıllık 596 GW’lik enerji

üretmektedir. Çatalan Barajı’ndan içme suyu temini için yapılan, Seyhan Baraj

Gölünden boruların geçişinin sağlandığı 1.575 m.lik Çatalan Köprüsü Türkiye’nin

‘en uzun köprüsü’ olmaktadır. Şekil 3.16.’da Çatalan Barajından içme suyu temini

için yapılan Çatalan Köprüsü gösterilmektedir.

Şekil 3.16. Çatalan Köprüsü (http://www.varbak.com/resmi/%C3%A7atalan- baraj%C4%B1-ve-k%C3%B6pr%C3%BCs%C3%BC)


40

Havzada plânlanan veya henüz faaliyete başlamamış olan barajların listesi

Çizelge 3.6.’da gösterilmektedir.

Çizelge 3.6. Havzada Plânlanan Baraj Gölleri (SHKEP, 2011)

No Adı İli Alanı(hektar)

1 Aşağıkörkün Barajı Adana 266

2 Çerkezsöğütlü Barajı Kayseri 67

3 Çukurbağ Barajı Niğde 460

4 Eğlence Barajı Adana 1538

5 Feke Barajı Adana 1142

6 Göktaş Barajı Adana 476

7 Gümüşören Barajı Kayseri 2029

8 İndere Barajı Adana 358

9 Kamışlı Barajı Adana 804

10 Kavşak Barajı Adana 230

11 Korkun Barajı Adana 123

12 Köprü Barajı Adana 838

13 Menge Barajı Adana 636

14 Paşalı Barajı Adana 32

15 Sarıtaş Barajı Adana 232

16 Tacin Barajı Kayseri 242

17 Topaktaş Barajı Kayseri 55

18 Yedigöze Barajı Adana 1690

Adana ilinde genel olarak içme-kullanma suyu gereksinimi yeraltı su

kaynaklarından sağlanmakta olup, içme-kullanma amaçlı açılan sondaj kuyuları

20-40 m arası tecrit edilmektedir. Doğu, batı, güney yerleşim alanı sınırlarından

başlayarak kuzeyde 50 m kot çizgisine kadar zengin yeraltı su potansiyeli

bulunmaktadır.

Şehre verilmekte olan içme suyu için açılmış olan kuyuların derinlikleri

50-150 m arasındadır ve sayıları 36 adettir.

Yeraltı suyu potansiyeli olarak,

- Aşağı Seyhan Ovası: 500 hm3/ yıl

- Karaisalı ve Pozantı: 3.041 hm3/ yıl


41

- Tufanbeyli: 14.5 hm3/ yıl

olarak belirlenmiştir.

Havzanın %45’ini oluşturan Adana ilinin DSİ verilerine göre Su Kaynakları

durumu Çizelge 3.7.’deki gibidir.

Çizelge 3.7. Adana ili Su Kaynakları Durumu (SHKEP, 2011) Su Kaynakları

Yıllık Yağış Ortalaması

(mm)

Toplam Su

Potansiyeli (hm3/ yıl)

Yüzeysel Su

(hm3/ yıl)

Yer altı Suyu

(hm3/ yıl)

785

26.409

25.300

1.109

Havzanın %38’ini oluşturan Kayseri ilinin ise; yüzey suları potansiyeli

3.773 hm3/ yıl olup, yeraltı suyu potansiyeli 498 hm3/ yıl’dır.

Çizelge 3.8. Kayseri ilinin Su Kaynakları Durumu (SHKEP, 2011)

Su Kaynakları


(mm)

Toplam Su


Yüzeysel Su

(hm3/ yıl)

Yer altı Suyu

(hm3/ yıl)

394

4.231

3.733

498

Havzanın %10’unu oluşturan Niğde ilinde içme suyu olarak yeraltı suyu

kullanılmaktadır. İlde açılan kuyu sayısı 457’dir. Çizelge 3.9.’da Niğde ilinin Su

Kaynakları durumu gösterilmektedir.


42

Çizelge 3.9. Niğde ili Su Kaynakları Durumu (SHKEP, 2011) Su Kaynakları


(mm)

Toplam Su


Yüzeysel Su

(hm3/ yıl)

Yer altı Suyu

(hm3/ yıl)

357

1.158

764

394

Şekil 3.17.Seyhan Havza Alanı ve Sınırları (COB, 2008).


43

3.1.3. Seyhan Havzası Küresel İklim Değişikliği Etkileri

1850'li yıllarda başlayan sanayileşme ile birlikte özellikle fosil yakıtların

yakılması, arazi kullanımı değişiklikleri, ormansızlaşma ve sanayi süreçleri gibi insan

etkinlikleri sonucunda sera gazları-karbondioksit(CO2), metan(CH4), diazotmo-

noksit(N2O), hidroflorokarbonlar(HFCs), perflorokarbonlar (PFCs), kükürt heksa-

florid(SF6) atmosferde birikerek atmosferin kimyasal özelliklerini etkilemekte uzun

vadede ise sera etkisi nedeniyle küresel ölçekte ısınmaya ve sonuç olarak iklim

değişikliğine neden olmaktadır. Şekil 3.18.’de Seyhan Baraj Gölü görülmektedir.

Şekil 3.18. Seyhan Baraj Gölü (http://wowturkey.com/forum/viewtopic.php?t=42974)

İklim değişikliği; fiziksel ve doğal çevre, kent yaşamı, kalkınma ve ekonomi,

teknoloji, insan hakları, tarım ve gıda, temiz su ve sağlık gibi hayatımızın bütün

alanlarında olumsuz etkilere neden olmaktadır. Kullanılan fosil yakıtlar, eski

teknolojiler mevcut enerji ve sanayi de atmosferdeki sera gazı artışının kaynağıdır.

Küresel boyutta olabilecek bir sıcaklık artışına bağlı olarak, iklimde önemli

değişmelerin olması kaçınılmaz bir durumdur. Bu değişmenin sonuçları kara ve deniz

buzullarının erimesi, deniz seviyesinin yükselmesi, iklim kuşaklarının sınırlarının


44

değişmesi, beklenen meteorolojik olaylar ve bunlara bağlı olarak doğal afetlerin

artması şeklinde görülecektir.

Bu olaylar bölgesel ve zamansal olarak çok değişik biçimde ortaya

çıkacaktır. Örneğin, dünyanın bazı bölgelerinde görülen kasırgalar, kuvvetli

yağışlar ile bunlara bağlı olarak oluşan seller ve taşkınlar şeklinde olurken, bazı

bölgelerinde ise uzun süreli ve şiddetli kuraklıklarla birlikte çölleşme

görülebilecektir. Ülkemiz özellikle küresel ısınmaya bağlı olarak görülebilecek su

kaynaklarının azalması, orman yangınları, kuraklık ve çölleşme ile bunlara bağlı

ekolojik bozulmalardan etkilenecektir. Şekil 3.19.’da Seyhan Havzası CORINE

2000 Haritası görülmektedir.

Şekil 3.19.Seyhan Havzası CORINE 2000 Haritası (COB, 2008)

Doğu Akdeniz’de Nil’den sonra ikinci büyük havza konumunda olan

Seyhan Havzası, Türkiye ve Avrupa’nın tarımsal açıdan en verimli bölgelerinden


45

biridir. Biyolojik çeşitlilik bakımından da dünyanın en zengin bölgelerinden biri

olan havza; kuru tarım, sulu tarım ve hayvancılık dahil olmak üzere bölge insanına

çeşitli tarımsal olanakları sunmaktadır.

Çukurova Üniversitesi, TÜBİTAK ve RIHN’nin (Japonya) yaptığı

çalışmadaki öngörülere göre; 2070 yılında Seyhan Havzası’nda hava sıcaklığı

2-3,5°C artacak, yağışlar % 25-35 azalacak, dağlardaki karlar daha erken eriyecek,

sulama suyu azalacak, tarımsal ürün deseni değişmek zorunda kalacak, kuru ve

sulu tarım bölgeleri etkilenecek, yeraltı suları üzerindeki kullanım baskısı artacak

ve kirlenme riski oluşacak, kıyı bölgelerinde 10 km içerilere kadar yer altı sularına

tuzlu deniz suyu karışacak. Hükümetlerarası İklim Değişikliği Paneli’nce (IPCC)

yürütülen ön çalışmalar uyarınca; Seyhan Havzası’nın da içinde yer aldığı Akdeniz

Bölgesi küresel ısınmaya karşı en hassas ve savunmasız bölge olarak tespit

edilmiştir. İklim değişikliğinin ve gelecekte iklimsel şartların ne olacağına dair

belirsizliklerin olası yıkıcı etkilerinin azaltılması, aynı zamanda da bazı bölgelerde

yaratacağı fırsatların değerlendirilebilmesi için iklim değişikliğine uyum açısından

bir zorunluluk olarak ortaya çıkmaktadır. Şekil 3.20.’de Seyhan Havzası CORINE

2000-2006 ve 2006 Haritası görülmektedir.

İklim değişikliğine uyum kavramı; en genel haliyle, iklime dair

belirsizliklerin ve bu belirsizliklerden oluşacak risklerin öngörülmesine dair

becerilerin geliştirilmesi; olumlu veya olumsuz bir şekilde etkilenecek toplumsal

grupların ve kurumların bu risklerle mücadele edecek ve hatta bunları bertaraf

edecek bakış açılarını, uygulamaları, kurumsal yapılarını, plânlarını ve

stratejilerini yeni şartlara uyacak şekilde geliştirmeleri olarak tanımlanmaktadır.

Uyum, toplumların kendilerini belirsiz bir gelecekle daha iyi mücadele

etmelerini sağlayan bir süreçtir. Uyum sağlamaya yönelik birçok seçenek ve fırsat

bulunmaktadır. Bunlar, kazıklar üzerine inşaa edilen sele dayanıklı evler gibi

teknolojik seçeneklerden; kuraklık döneminde su kullanımını azaltmak ve üzerine

böcek ilacı sıkılmış sivrisinek ağları kullanmak gibi bireysel düzeyde davranış

değişikliklerine kadar değişebilmektedir.


46

Şekil 3.20.Seyhan Havzası CORINE 2000-2006 ve 2006 Haritası (COB, 2008)

Diğer stratejiler aşırı hava koşulları için erken uyarı sistemlerini, daha iyi

su yönetimini, geliştirilmiş risk yönetimini, çeşitli sigorta seçeneklerini ve

biyolojik çeşitliliğin korunmasını içermektedir. Şekil 3.21.’de Seyhan Havzası

Hidroloji Haritası gösterilmektedir.


47

Şekil 3.21.Seyhan Havzası Hidroloji Haritası (COB, 2008)


48

3.2. Metod

3.2.1. Modelleme İlkeleri

Hidrolojik modellemede bazı temel ilkeler bulunmaktadır. Öncelikle modelin

basit olması gerekir. Doğadaki olay kavramsallaştırılıp düzenek tanımlanırken çok

fazla kompleks hale getirilirse modellemeden uzaklaşılmış olunmaktadır. Hiçbir veri

ile doğruluğu kanıtlanmamış olan parametrelerin modellemesi yapılmamalıdır.

Kısacası modelin veriye uyum derecesi önemli olmaktadır.

Zaman içerisinde hidrolojik modellerin gelişimine bakıldığında; modeller,

yağış, buharlaşma, sızma, yüzeysel akış gibi hidrolojik süreçleri tekil olarak

inceleyen süreç modelleri ve hepsinin bir bütün olarak ele alındığı, her süreçle

entegrasyonunun gerçekleştirildiği parametrik havza modelleri biçiminde

sınıflandırılabilmektedir.

Süreç veya havzalar için hidrolojik modeller seçilirken; ilk olarak hangi

kabuller ve sınır koşulları için modelin geçerli olduğu tanımlanmalıdır. Model

uygulamalarında yapılan en temel yanlış; kullanılan model kabullerinin ve sınır

koşullarının modellenen süreç ve/veya havzanın özelliklerine uygun olmamasıdır.

Örnek olarak; büyük havzalarda taşkın çözümlemesi yapılırken bütün havzayı

simgeleyen tek bir birim hidrograf kullanılması yanıltıcı sonuçlar verebilmektedir.

Model seçiminde diğer önemli bir nokta da; ilgilenilen sürecin özelliğidir.

Seçilen model, sürecin karakteristik özelliklerini ayrıntılı bir biçimde

açıklayabilmeli, sürecin etken parametreleri model içinde kapsamlı biçimde tanımlı

olmalıdır.

Yağış-akış modelleri, herhangi bir havzada bir veya daha fazla akımı

benzetmek amacı ile kullanılırlar. Bu modellerin kullanımı sırasında; meteorolojik

verinin, önceki koşulların ve havza özelliklerinin mevcut olması gereklidir.

Akım, hidrolojik benzetimler ve su dengesi modellerinin geliştirilmesinde

kullanılan birincil etmenlerden biri olmaktadır. Bu modeller, çeşitli fiziksel koşullar

altında verilen yağış girdilerine bağlı olarak tahmin etmekte kullanılırlar. Fiziksel


49

sistem içindeki kavramsal sürecin benzeşimi yapılarak, girdideki karmaşıklığın

etkileri benzetilmiş akımlara iletilmektedir.

Bir akım hidrografının biçimi ve zamanı, yağışın geçici ve alansal

değişimine, zemine ilişkin sızma kapasitesine ve bitki örtüsüne bağlıdır. Havza

üzerindeki yağış ve bu yağışın oluşturduğu akış arasındaki karmaşık ilişkinin elde

edilmesi, hidrolojinin uzun zamandan beri ilgilendiği temel sorundur. Yağış-akış

ilişkisi tanımlanırken oldukça önemli dezavantajlar vardır. Bu dezavantajlar;

havzaların çok karmaşık doğrusal olmayan sistemler olmaları ve bu havzaların

hidroloji açısından davranışlarını kontrol eden süreçlerin zamana ve konuma göre

değişkenlik göstermeleri şeklinde düşünülebilir.

3.2.2. Yapay Sinir Ağlarına (YSA) Giriş

YSA kavramı, beyin yapısının çalışma ilkelerinin sayısal bilgisayarlar

üzerinde taklit edilmesi düşüncesi ile ortaya çıkmış ve ilk çalışmalar beyni oluşturan

ya da literatürdeki adı ile nöronların matematiksel olarak modellenmesi üzerine

yoğunlaşmıştır (Efe ve Kaynak, 2000).

Beyin ve dokusunun incelenmesi neticesinde farklılığın işletim sisteminden

kaynaklandığı saptanmıştır. Elde edilen çarpıcı sonuç beyindeki sinirlerin bilgileri

paralel olarak işlediğini göstermiştir. Dolayısı ile tasarlanan cihaz ve makineler insan

davranışlarını modelleyebilmek için akıllı sistemlerin oluşturulması ihtiyacını YSA

ile karşılamıştır (Şen, 2004). Şekil 3.22.’de Bir YSA örneği gösterilmektedir.

Kullanılan istatistiksel yöntemler ile yapısı son derece karmaşık ilişki

yapılarını içeren veri topluluklarının kümelenip içerisindeki ilgi uyandırıcı verisel

ilişki parçacıklarını alabilmek uğraştırıcı olmaktadır. Bu sebeple istatistiksel

yöntemlere ve bulanık kümeleme yöntemlerine alternatif olarak günümüzde YSA

tekniklerinin değeri artış göstermiştir.

YSA insan beynindeki nöronların karmaşık yapısı düşünülerek

geliştirilmiştir. YSA tıpkı insan beyni gibi sahip olduğu sinir düğümleri içerisindeki

bilgiyi barındıran düğümler arası bağlantılar vasıtasıyla bu bilgi etkileşimini diğer

düğümlere aktaran biyolojik sinir ağlarının bir benzeridir.


50

Şekil 3.22.Bir Yapay Sinir Ağı (YSA) (Özşahin, 2009)

Mühendislik ve teknoloji uygulama alanlarında, incelenen olayların

modellerinin oluşturularak davranış biçiminin saptanması en akılcı yöntemlerden biri

olarak kabul edilmekte olup, insan beyni en uygun örnek model olması sebebiyle;

beynin çalışma sistematiğinin incelenerek araştırma yapılması ve de insan beyni

çalışma şeklinden paralel işlemli modelleme yöntemi olarak kabul edilen YSA’nın

incelenmesinin en uygun örnek modelin oluşturulması açısından genel-geçer bir

metod sağlayacağı düşünülmektedir.

YSA aynı zamanda paralel dağıtılmış işleme sistemleri ve bağlantısal

sistemler olarak bilinen, biyolojik yapılara benzer bir şekilde bilgisayarların

yapılarının modellenebilmesi açısından merkezi sinir sisteminin prensiplerini

kullanarak organizasyonel ilişkilerin bulunabilmesi amacıyla keşfedilmiştir. YSA

yapıları genellikle çeşitli işleme elemanlarına ve bağlantılara sahip olan geri

beslemeli ve geri beslemesiz şekilde sınıflandırılan yapılardan oluşmaktadır

(Bose ve Liang, 1996). Şekil 3.23.’te YSA bağlantıları gösterilmektedir.


51

Şekil 3.23.YSA bağlantı şekli (Okkan ve ark., 2010).

YSA’nın sahip olduğu yapı, birçok farklı ilişkinin paralel bir şekilde

çözümlenmesini sağlamaktır. Bu durumda istenilen sonuca daha hızlı bir şekilde

ulaşılabilmeyi sağlamaktadır. Sinir ağı denmesinin nedeni birçok etkileşimli

bağlantının gerçek bir sinir ağındaki yapı ile benzerlik göstermesidir. YSA’nın

temelini insan beyninin öğrenme yapısının modellenmesi oluşturmaktadır. Bu

öğrenme sonucunda YSA girdilerden tahminde veya sonuçlarda etkili olabilecek

çözümler üretebilmektedir.

Bir ağ yapısı birden fazla etkileşimli birimin karıştırılmasından oluşmaktadır.

Her birim bir girdi-çıktı düğümüne sahiptir ve yerel bir hesaplama veya fonksiyonu

uygulamaktadır. Her birimin yapısı bir I/O (Input/Output) karakteristiği ve onun

diğer birimlere olan bağlantısı ve olası dış çıktılara bağlantısı ile belirlenmektedir

(Schalkoff, 1997).

Yüzyıllardır süregelen çalışmalar neticesinde bilgilerin, beyindeki sinir

hücrelerinde paralel olarak işlendiği ortaya çıkmıştır. Dolayısı ile günümüz

bilgisayarları insan beyninin çalışmasından daha hızlı kabul edilmesine rağmen insan

beynindeki sinirlerde bulunan paralel veri işleme yeteneğiyle eksik bilgi ile


52

görebilme, tanıma, konuşma, hata düzeltme gibi işlemlerde insan beyin yapısı işlev

olarak daha verimli ve isabetli sonuçlar ortaya koyabilmektedir.

Sinir sisteminin modellenmesi olarak ortaya çıkan YSA, paralel çalışma ve

öğrenebilme yetenekleri bakımından biyolojik sinir sistemi özelliğini

göstermektedir. Bilgi işlem süreci olarak da tanımlanabilen YSA, verilen girdi

bilgilerine karşı çıktılar üretebilen ayrıntılı bir kara kutu modeli şeklinde de

nitelendirilebilir. YSA, bilgi akışını aksonlar yardımıyla gerçekleştiren bir grup sinir

hücresinin meydana getirdiği sinir sisteminin bir benzeri olarak tanımlanmakta, aynı

zamanda yinelenebilir olan basit elemanların yoğun bir şekilde paralel bağlanmasıyla

ortaya çıkan ağlar olarak da tanımlanmaktadır ( Kohonen, 1988; Kung, 1993 ).

YSA üzerinde yapılan ilk çalışmada yapay sinir tanımı yapılarak hücre

modeli ortaya konmuş ve yapılan bu çalışma neticesinde sinir hücreleri sabit eşik

değerli mantıksal elemanlar olarak modellenmiştir.

YSA; modellenmesi gereken olayların örneklerine bakmakta, ilgili olay

hakkında gelen verilere bağlı olarak belli ağırlık katsayıları atayıp, genellemeler

yapmakta ve daha sonra hiç görmediği örnekler ile karşılaşınca öğrendiği bilgileri

kullanarak o örnekler hakkında karar verebilmektedir.

3.2.3. Beynin Sinir Ağı Yapısı

Beyin, karmaşık nöron ağlarından yani reseptör ve efektör olmak üzere iki tip

olan sinir hücrelerinden meydana gelmektedir. Anatomik açıdan beyin üçe ayrılır.

Bunlar asıl beyin, beyincik ve beyin sapıdır.

Beynin sahip olduğu bazı organizasyonel ve hesaplamalı prensipler şu şekilde

sıralanabilir (Bose ve Liang, 1996) ;

1- Kitlesel Paralellik: Çok sayıdaki çıktı düğümler bağımsız bir şekilde ancak

paralel çalışarak problemleri çözmek için organize olmaktadır.

2- İlişki Karmaşıklığının Yüksekliği: Nöronlar diğer nöronlar ile sayısız bağlantılara

sahiptir. Buna bağlı olarak da beynin devasa bir değişken sayısına sahip olduğu

söylenebilmektedir.


53

3- Eğitilebilirlik: Nöronlar sahip olduğu deneyimlerden yola çıkarak olaylar

karşısında verilecek tepkileri öğrenebilmektedir.

4- İkili Durumlar ve Sürekli Değişkenler: Eylem potansiyeli ya hep ya hiç yasasına

dayanmaktadır. Her bir nöron dinlenme ve depolarizasyon olmak üzere sadece iki

duruma sahiptir.

5- Nöron ve Sinyallerin Sayısız Türleri: Beyin farklı sinyal tipleri için birçok farklı

hücre tipleri kullanmaktadır.

6- Karışık Sinyal Etkileşimi: İmpuls etkileşimi, içerisinde birçok faktörün etkili

olduğu sinyalleri kullanmaktadır.

7- Fiziksel Dekompozisyon: Beyin alt ağlar ile bir ilişki mozaiği olarak organize

edilmektedir. Her bir alt ağ birkaç bin yoğun bağlı nöronlardan oluşmaktadır. Bu alt

ağlar temel beyin işleme modülleridir.

8- Fonksiyonel Dekompozisyon: Fonksiyonel bir bakış açısından beyin aynı

zamanda alanlar kolleksiyonundan oluşmaktadır. Her bir alan veya alt ağ, spesifik

fonksiyonlardan sorumludur.

3.2.4. Nöronların Özellikleri

Nöronlar akson, dentrit ve hücre gövdesinden oluşmaktadır. Nöron veya sinir

hücrelerinin birçok farklı çeşidi bulunmaktadır. Bir nöronun yapısında Şekil 3.24.’te

görüldüğü gibi gövde, dentritler ve aksonlar yer almaktadır. Dentritler; gövde veya

hücre gövdesi için sinyalleri toplamaktadır. Bir nöron tipik olarak birden fazla

dentrite sahiptir ancak sadece bir tane aksonu vardır. Bazı nöronların aksonları

örneğin amakrin hücreler gibi eksiktir (Bose ve Liang, 1996).

Dentritlerin karmaşık dallanmış yapısı dentrit ağacını ifade etmektedir. Bu

alan genellikle hücre yüzeyinin % 80’lik kısmını oluşturmaktadır.


54

Şekil 3.24. Bir Nöronun Yapısı (http://www.ahmetkakici.com/yapay-sinir- aglari/yapay-sinir-aglarinin-mimarisi-ve-yapi-elemanlari/)

3.2.5. YSA’nın Özellikleri

YSA genel anlamda, beynin bir işlevi yerine getirme yöntemini modellemek

için tasarlanan bir sistem olarak tanımlanabilmektedir (Aci, 2006).

YSA modelleri biyolojik sinir ağlarının çalışma biçimlerinden esinlenilerek

ortaya çıkarılmıştır. YSA, biyolojik olmayan yapı taşlarının düzgün bir tasarımla

birbirlerine yoğun olarak bağlanmalarından oluşmaktadır ve genellikle katmanlar

şeklinde düzenlenmektedir. Donanım olarak elektronik devrelerle ya da

bilgisayarlarda yazılım olarak gerçekleştirilebilmektedirler (Öcal, 2007).

Beynin bilgi işleme yöntemine benzer olarak YSA, bir öğrenme yani eğitim

sürecinden sonra bilgiyi toplamakta, hücreler arasındaki bağlantı ağırlıkları ile bu

bilgiyi saklamakta ve genel bir yargı oluşturma yeteneğine sahip paralel dağılmış bir

işlemci olarak çalışmaktadır. Bunun yanı sıra öğrenme süreci, arzu edilen amaca

ulaşmak için YSA’nın ağırlıklarının yenilenmesini içeren öğrenme algoritmasını

içermektedir.

YSA, insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler

türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi işlemleri herhangi bir


55

yardım almadan otomatik olarak gerçekleştirmek amacı ile geliştirilen bilgisayar

sistemleridir (Öztemel, 2003).

YSA, beyinden esinlenildiklerinden dolayı benzer yapıya sahiptirler. Fakat,

beynin yoğun bağlantılı ve komplike yapısının sadece beyne ait bir özellik olduğu

bilinmelidir. Yapay sinir ağlarını oluşturmak için kullanılan yapay nöronlar,

beyindekilere oranla oldukça ilkel sayılırlar. YSA’ların temel elemanları yapay

nöronlardır. Bu nöronlar, aralarındaki bağlantıları oluşturarak ve tabakalar halinde

gruplandırılarak yapay sinir ağlarını oluşturmaktadır.

Yapay sinir hücresine (nöronlara) dışarıdan verilen bilgiler girdi olarak

adlandırılmaktadır. Ağırlık değerleri ise; hücreye girdi olarak verilen bilgilerin

önemini ve hücre üzerindeki etkisini göstermektedir. Toplama fonksiyonu, hücreye

gelen net girdiyi hesaplayan fonksiyondur ve genellikle gelen girdilerin kendi

ağırlıklarıyla çarpımlarının toplamıdır (Öztemel, 2003).

Net girdinin hesaplanması, YSA analizinin özüdür. Hesaplanan girdi

değerlerinin toplamı, bir aktivasyon fonksiyonu ile sinir hücresi tarafından sinir

hücresinin anlayabileceği çıktıya dönüştürülmektedir. Aktivasyon fonksiyonu,

genellikle net girdiyi sınırlı bir aralığa (sık sık [0,1] veya [-1,1] ) yerleştirmektedir.

Aktivasyon fonksiyonuna bağlı olarak YSA istatistiki metotlar ile benzerlik

gösterebilmektedir. Eğer aktivasyon fonksiyonu sürekli ve azalmayan bir

fonksiyonsa, ağın çıktı fonksiyonu doğrusal diskriminant fonksiyonuyla

sonuçlanabilir. Aktivasyon fonksiyonu, normal kümülatif dağılım fonksiyonu ya da

lojistik kümülatif dağılım fonksiyonu olduğunda ise çıktı fonksiyonu logit ya da

probit modeline benzer olacaktır (Richard ve ark., 2000). Şekil 3.25.’te Ağ

Fonksiyonu gösterilmektedir.

Hücre modellerinde yaygın olarak kullanılan çeşitli aktivasyon fonksiyonları

tanımlanmıştır. Bunları; Doğrusal Aktivasyon Fonksiyonu, Sigmoid Aktivasyon

Fonksiyonu, Tanjant Hiperbolik Fonksiyonu şeklinde özetlemek mümkündür.


56

Şekil 3.25.Ağ Fonksiyonu (Kaynar ve ark., 2010)

Sigmoid Aktivasyon Fonksiyonu; türevi alınabilir, sürekli ve doğrusal

olmayan bir fonksiyon olması nedeni ile uygulamada en çok kullanılan aktivasyon

fonksiyonudur. Bu fonksiyon, girdinin her değeri için sıfır ile bir arasında bir değer

üretmektedir (Oğul, 2006).

Genel olarak YSA metodolijisinin uygulanma alanlarına bakıldığı zaman,

YSA’nın basit ama yoğun yapısı ve bazı temel özellikleri daha açık

anlaşılabilmektedir. Tipik olarak, bir YSA’nın mimarisi veya yapısı oluşturulur ve

çeşitli matematiksel algoritmalardan bir tanesi kullanılarak üretilen çıktıların

doğruluk düzeyinin maksimize edilmesi için gerekli olan ağırlık değerleri

belirlenmektedir. YSA’lar önceki örnekleri kullanarak ağırlıkları belirlemek yoluyla

girdi değişkenler ile tahmin edilen değişkenler arasındaki ilişkiyi ortaya çıkartırlar,

başka bir ifade ile YSA’lar eğitilmektedir. Bir kez bu ilişkiler ortaya çıkarıldıktan

sonra yani ağ eğitildikten sonra, YSA yeni verilerle çalıştırılabilir ve tahminler

üretilebilir. Bir ağın performansı, amaçlanan sinyal ve hata kriteri ile ölçülmektedir.

Ağın çıktısı, amaçlanan çıktı ile karşılaştırılarak hata payı elde edilmektedir. Geri

Yayılma olarak adlandırılan bir algoritma hata payını azaltacak şekilde ağırlıkları

ayarlamak için kullanılmaktadır. Bu işlem defalarca tekrar edilerek ağ eğitilir.

Eğitme işleminin amacı performans ölçümleri bazında optimum çözüme ulaşmaktır

( Yurtoğlu, 2005).


57

YSA’nın temel özellikleri birkaç başlık altında aşağıdaki gibi incelenebilir:

Doğrusal Olmama: Temel işlem elemanı olan hücre doğrusal bir işleyişe

sahip değildir. Dolayısıyla hücrelerin birleşmesinden meydana gelen YSA da

doğrusal bir ilişkiye sahip değildir ve de bu özellik bütün ağa yayılmış durumdadır.

Bu özelliği ile YSA, doğrusal olmayan karmaşık problemlerin çözümünde en önemli

araç olmuştur.

Genelleme: YSA, ilgilendiği problemi öğrendikten sonra eğitim sırasında

karşılaşmadığı test örnekleri için de istenilen tepkiyi üretebilmektedir. Örneğin,

karakter tanıma amacıyla eğitilmiş olan bir YSA, bozuk karakter girişlerinde de

doğru karakterleri verebilir ya da bir sistemin eğitilmiş YSA modeli, eğitim

sürecinde verilmeyen giriş sinyalleri için de sistemle benzer davranış

gösterebilmektedir. Bu durumun oluşmasını sağlayan YSA’nın genelleme

yeteneğidir.

Uygulanabilirlik: YSA, ilgilendiği problemdeki değişikliklere göre kendi

ağırlıklarını yeniden ayarlayabilmektedir. Yani belirli bir problemi çözmek amacıyla

eğitilen YSA, problemdeki değişimlere göre tekrar eğitilebilmekte, değişimler

devamlı ise gerçek zamanda da eğitime devam edebilmesi mümkün olabilmektedir.

Bu özelliği ile YSA; uyarlamalı örnek tanıma, sinyal işleme, sistem tanılama ve

denetim gibi alanlarda etkin olarak kullanılmaktadır.

Hata Toleransı: YSA, çok sayıda hücrenin farklı şekillerde bağlanmasından

oluştuğundan paralel dağılmış hızlı işleyen bir yapıya sahiptir ve ağın sahip olduğu

bilgi, ağdaki bütün bağlantılar üzerine dağılmış durumdadır. Bu sebeple; eğitilmiş

bir YSA’nın bazı bağlantılarının hatta bazı hücrelerinin etkisiz hale gelmesi, ağın

doğru bilgi üretmesini önemli ölçüde etkilemez. Bu nedenle, geleneksel yöntemlere

göre hatayı tolere etme yetenekleri son derece yüksek olmaktadır. Genellikle

geleneksel yöntemlerde istenmeyen veri parçacıkları analizin yapısını olumsuz

etkilemektedir. Bu aradaki farklılık da YSA’nın hatayı tolere edebilme yeteneğinin

bir sonucudur.

Donanım ve Hız: YSA, paralel yapısı sebebiyle büyük ölçekli entegre devre

(VLSI) teknolojisi ile oluşturulmaktadır. Bu özellik, YSA’nın hızlı bilgi işleme


58

yeteneğini artırır ve gerçek zamanlı uygulamalarda istenilen sonucu sağlamaktadır.

Analiz kısmında önemli olan sonuca hızlı bir şekilde ulaşılabilmesidir.

3.2.6. YSA’ların Sınıflandırılması

YSA, tarihi süreçte birçok gelişime sahip olmuştur. Yapılan yeni çalışmalar

ve YSA’ların farklı alanlarda kullanılmaya başlanması YSA’da yeni metotların

doğmasına sebep olmuştur. Ortaya çıkan YSA modelleri kimi zaman ağ

mimarilerine göre, kimi zaman öğrenme algoritmalarına göre, kimi zaman da

öğrenme yöntemlerine göre farklılıklar göstermiştir.

YSA ağ yapılarına göre ileri ve geri beslemeli olarak iki gruba ayrılmaktadır:

Şekil 3.26. İleri Beslemeli Ağ Yapısı (Kaynar ve ark., 2010)

Şekil 3.26.’da görüldüğü gibi İleri Beslemeli Yapay Sinir Ağları

(İBYSA)’nda, hücreler katmanlar şeklinde yapılandırılmaktadır ve bir katmandaki

hücrelerin çıkışları diğer bir katmana ağırlıklar üzerinden giriş olarak verilmektedir.

Giriş katmanı denilen ana katman, dış ortamlardan aldığı bilgileri hiçbir değişikliğe

uğramadan orta (gizli) katmandaki hücrelere iletmektedir. Bilgi; orta ve çıkış

katmanında işlenerek ağ çıkışına yönlendirilmektedir. Bu yapısı ile İBYSA’lar


59

doğrusal olmayan durağan bir işlevi yerine getirmektedir. YSA, bir veya birden fazla

katmana sahip olabilmektedir. Bir katmandan fazla olduğu durumlar daha iyi

istatistiksel sonuçlar üretilmesini sağlamak amacıyladır. Şekil 3.27.’de İBYSA’nın

çalışma sistematiği görülmektedir.

Şekil 3.27. İBYSA’nın Çalışma Sistematiği (Özşahin, 2009)

İBYSA’da uygun katman sayısı belirlenmesi problemden probleme farklılık

gösterebilmektedir. Genellikle katman sayısı fazla olan İBYSA geri yayılım

algoritması ile daha iyi öğrenme işlevini yerine getirmektedir.

Geri Beslemeli Yapay Sinir Ağı(GBYSA)’nda en az bir hücrenin çıkışı

kendisine ya da diğer hücrelere giriş verisi olarak verilmekte ve de genellikle geri

besleme bir geciktirme elemanı aracılığıyla gerçekleştirilmektedir. Geri Besleme,

belirli bir katmandaki hücreler arasında olduğu gibi katmanlar arasındaki hücreler

arasında da olabilmektedir. Bu yapısı ile GBYSA, doğrusal olmayan dinamik ve geri

etkileşimli bir davranış göstermektedir. Dolayısı ile seçilen geri besleme şekline göre

farklı yapıda ve karakteristikte GBYSA yapıları elde edilebilmektedir. Şekil 3.28.’de

GBYSA yapısı görülmektedir.


60

Şekil 3.28. GBYSA Yapısı (Öcal, 2007)

Geri Besleme, geciktirme elemanı üzerinden yapılır. Geri Besleme, bir

katmandaki hücreler arasında olduğu gibi katmanlar arasındaki hücreler arasında da

olabilmektedir. Bu yapısı ile GBYSA’lar doğrusal olmayan dinamik bir davranış

göstermektedir. Bundan dolayı, Geri Beslemenin yapılış şekline göre farklı yapıda

ve davranışta GBYSA yapıları elde edilebilir (Vural, 2007).

3.2.7. YSA’nın Öğrenme Algoritmaları

YSA’nın en önemli özelliği öğrenme yeteneğidir. Beynin önemli bir

fonksiyonu olan öğrenme yeteneği yine aynı şekilde YSA’ların önemli bir

fonksiyonu olmaktadır.

YSA öğrenme yöntemlerine göre; Geri Yayılım, Momentumlu Geri Yayılım,

Esnek Geri Yayılım ve Delta-Bar-Delta sinir ağları olarak sınıflandırılmaktadır.

YSA’da öğrenme girdi değişkenlerinin ağırlıklarının olası eğitim verilerinden

yola çıkılarak eğitilmesi olarak da tanımlanabilmektedir. Geri Yayılım (BP)

algoritması bir giriş setine karşılık olarak özel bir fonksiyonel karakteristiği elde

edebilmek için çıkışlar oluşturmak üzere ağırlıkların ayarlanması prensibine dayanan

bir YSA algoritmasıdır. Standart bir geri yayılım algoritmasında katmanlar arasında


61

tam bir bağlantının bulunduğu Çok Katmanlı, İleriye Beslemeli ve Öğreticili olarak

eğitilen bir YSA modelidir ve hataları geriye doğru çıkıştan girişe azaltmaya

çalışmasından dolayı bu ismi almaktadır.

Bir BP algoritmasında öğrenme şu şekilde gerçekleşmektedir;

• Eğitim kümesinden rastgele bir sonraki örneği seçme ve ağ girişine giriş

vektörü uygulama,

• Ağın çıkışını aktivasyon ile hesaplama,

• Ağın çıkışı ile hedef vektör arasındaki hata payını hesaplama,

• Hata payını küçültecek şekilde ağın ağırlıklarının yeniden güncellenmesidir.

Bu aşama istenilen iterasyon süresince tekrar ettirilmektedir. Bu algoritmada

eğitim veri setinin kalitesi de büyük önem arz etmektedir. BP algoritması

uygulamada gerçekleştirilmesi zor algoritmalardan birisidir. Bunun nedeni BP

algoritmasının eğitim sürecinin uzun olmasıdır. YSA eğitimi günlerce ya da

haftalarca sürebilmektedir. Bu sebeple günümüzde BP algoritmasının daha hızlı

öğrenmesini sağlayacak yardımcı yöntemler geliştirilmeye çalışılmaktadır.

BP algoritması önceden de belirtildiği gibi eğitilmesinin uzun olması

nedeniyle uygulamada kullanımı az olan bir algoritmadır. Bu sebeple günümüzde bu

algoritmanın daha hızlı çalışmasını sağlayan yardımcı sezgisel tekniklerden

yararlanılmaktadır. Bu sezgisel teknik momentum kullanılarak

gerçekleştirilmektedir. Momentum katsayısı, YSA’nın daha hızlı toparlanmasına

yardım eden bir faktör olmaktadır. Bu nedenle bu algoritmanın adı Şekil 3.29.’dan

de görüleceği üzere Momentumlu Geri Yayılım Algoritması (BMP)’dir.

Öğrenmeyi etkileyen bir diğer parametre ise öğrenme oranıdır. Bu değerin

seçiminde titiz davranılması gereklidir. Özellikle BP algoritmasında öğrenme oranı

küçük seçilirse öğrenme yavaşlayacak; büyük seçilirse ağırlık değişimleri salınımlı

ve kararsız olabilecektir. Bu sakıncalardan dolayı BMP algoritmasında ağırlıklara

uygulanacak düzeltme miktarını belirleyen denklemlere momentum terimi γ


62

eklenerek azaltılabilmesi mümkündür. Momentum katsayısı 0 < γ < 1 aralığında

seçilmektedir.

Şekil 3.29.BPM Yapısı (Özşahin, 2009)

Momentum katsayısı, ağın daha hızlı toparlanmasına yardım eden bir

faktördür. Amaç öğrenme sırasında ağın salınım yapmasını önlemektir.

Çok katmanlı YSA’nın yapıları kompleks olduğunda öğrenme oranının

seçilmesi zor olabilmektedir. Bir oran diğerinde kötü sonuçlar ortaya

çıkarabilmektedir. Bu sebeple sezgisel bir algoritma olan Delta-Bar-Delta aşağıdaki

adımları takip ederek bir eğitim sürecinde öğrenme oranını iyileştirebilmektedir:

• Her ağırlık kendi öğrenme oranına sahiptir.

• Her bir ağırlık için; her bir komşu bir önceki adımdaki komşuları ile

karşılaştırılır.

• Komşu aynı yönde ise öğrenme oranı arttırılır.

• Komşu farklı yönde ise öğrenme oranı azaltılır.

YSA’da öğrenme genel olarak iki sınıfta incelenmektedir. Bunlardan birincisi

Danışmanlı Öğrenme, ikincisi ise Danışmansız Öğrenme’dir. Öğrenme kısmında


63

amaç, YSA’nın tahminde hata payını en aza indirgeyecek ağırlıkların bulunması için

ağın eğitilmesidir. YSA’nın verilen girdilere göre çıktı üretebilmesinin yolu ağın

öğrenebilmesinden geçmektedir. Bu öğrenme işleminin de birden fazla yöntemi

bulunmaktadır.

Danışmanlı öğrenme sırasında ağa verilen giriş değerleri için çıktı değerleri

de verilmektedir. Ağ verilen girdiler için istenen çıkışları oluşturabilmek amacı ile

kendi ağırlıklarını güncellemektedir. Ağın çıktıları ile beklenen çıktılar arasındaki

hata hesaplanarak ağın yeni ağırlıkları bu hata payına göre tekrar düzenlenmektedir.

Hata payı hesaplanırken ağın bütün çıktıları ile beklenen çıktıları arasındaki

fark hesaplanır ve bu farka göre her nörona düşen hata payı bulunmaktadır. Daha

sonra ise her nöron kendine gelen ağırlıkları güncellemektedir. Bu yöntem YSA’nın

eğitilmesinde en sık kullanılan yöntemdir. Bu yöntemde başlangıçta rastgele olarak

seçilen ağırlık değerleri zamanla tahmindeki hata payını azaltmak için

iyileştirilmektedir.

Danışmanlı öğrenmede eğitim seti içerisinde yer alan girdi ve çıktı

numuneleri ağın eğitilmesini sağlamaktadır. Eğer veri kümesi içerisindeki önemli

ilişki parçacıkları bulunmak isteniyorsa bu eğitim kümesinin kalitesi istenilen ilişki

örneklerini içermek durumundadır. Aksi durumda amaca ulaşmak mümkün değildir.

Eğitim süreci YSA’da uzun bir sürece sahne olmaktadır. Bu süreç sonucunda YSA

öğrenme fonksiyonunu gerçekleştirmiş olacaktır. Tahmindeki hata payının ne kadar

düşük olması istenirse YSA öğrenme süreci o kadar uzun sürdürülmelidir. Eğitim

kümesinin haricinde bir de test kümesi mevcuttur. Eğer ağ iyi eğitilememişse test

kümesinde yanlış sonuçlar üretebilme olasılığı yüksektir. Hem Perceptron hem de

geri yayılım algoritmasında doğru bir girdiye gereksinim duyulmaktadır. Dolayısı ile

bu tip öğrenme şekli ‘Danışmanlı Öğrenme’ olarak bilinmektedir (Bose ve

Liang,1996).

Danışmansız öğrenmede, ağa öğrenme sırasında sadece örnek girdiler

verilmektedir. Herhangi bir şekilde beklenen çıktı bilgisi verilmez. Girişte verilen

bilgilere göre ağ, her bir örneği kendi arasında kümelendirecek şekilde kendi ağ

yapısını oluşturmaktadır. Ağ, seçilen bağlantı aralıklarının aynı özellikte olan

dokuları ayırabilecek şekilde düzenleyerek öğrenme işlemini tamamlamaktadır. Bu


64

YSA modelinde ağırlıklar bir çıktıya ihtiyaç duyulmayacak şekilde

tanımlanabilmektedir.

Biyolojik zekânın asıl göstergesi olan yapay sinir ağı modeli Danışmansız

Öğrenme modelidir. Bir danışmansız öğrenme sistemi sadece girdi örneklem

kümelerinden oluşmaktadır. Sisteme üretilen cevabın doğru veya yanlış olduğunu

test edecek herhangi bir harici gösterge verilmemektedir. İstatistiksel kümeleme

yöntemleri danışmansız öğrenmenin örnekleridir. Temel olarak danışmansız

öğrenme girdi örnekleri içerisinde kesin bir tür ilişki düzenselliği bulmayı

amaçlamaktadır. Genellikle, bu düzen ilişkisi büyük veri kümeleri içerisinde kümeyi

tanıtan daha az sayıdaki veri olarak ifade edilmektedir. Anlamlı düzensellik bulmak

için girdi içerisinde birkaç artıklık bulunmalıdır (Bose ve Liang, 1996).

Danışmansız öğrenmede ağlar, girdi ağırlıklarını belirlemek için dışarıdan bir

etkiye ihtiyaç duymayıp, bunun yerine performanslarını içeriden gözlemektedir. Bu

ağlar, girdi sinyallerinde düzen aramakta ve ağın fonksiyonuna göre adaptasyon

yapmaktadırlar. Ağa bir verinin doğru veya yanlış olup olmadığı belirtilmeden, ağ

onu nasıl organize edebileceği ile ilgili bazı bilgilere sahip olmaktadır. Bu bilgi, ağ

topolojisinin ve öğrenme kurallarının içine yerleştirilmiştir (Vural, 2007).

3.2.8. YSA Öğrenme Kuralları

YSA öğrenme işleminde bazı özel algoritmalardan faydalanılmaktadır. Bu

algoritmalar; Hebb, Hopfield, Delta, Kohonen kuralı gibi algoritmalardır.

En çok kullanılan YSA bağlantılar arası ağırlık değişimlerinin

hesaplanmasında Hebb Kuralı olarak da bilinen korelasyon kuralıdır. Bu kural

önceki ve post sinaptik sinir ağı hareketlerinin bir fonksiyonu olarak bilinmektedir.

Hebb kuralı olarak adlandırılmasının nedeni D. Hebb isimli araştırmacı tarafından

geliştirilmiş olmasıdır. 1949 yılında Hebb ‘’Organization of Behavior’’ adlı eserinde

öğrenme ile ilgili temel teoriyi ele almıştır. Hebb, kitabında öğrenebilen ve uyum

sağlayabilen sinir ağları modeli için temel oluşturacak Hebb Kuralını ortaya koymuş,

bu kural sinir ağının bağlantı sayısı değiştirilirse öğrenebileceğini ön görmekteydi.


65

Nörolog olan Hebb, beynin nasıl öğrendiği ile ilgili çalışmalar yapmıştır.

Çalışmalarına beynin en temel birimi olan sinir hücresini ele alarak başlamıştır. İki

sinir hücresinin birbirleriyle nasıl bir ilişki sergilediklerini incelemiş ve sinir ağı

teorisini bu temel üzerine inşaa etmiştir. Beynin nasıl bir çalışma sergilediği teoriler

yardımıyla açıklanamamaktadır. Ancak Hebb’in bu fikri ile yola çıkılmış ve

günümüzdeki yüzlerce ayrı teoriyle geniş bir yelpazeye hitap eden düşünceler

oluşturulmuştur. Tüm geliştirilen modeller ve kullanılan yöntemler ‘’çözümsüz,

zaman alıcı’’ veya ‘’karmaşık’’ olarak ifade edilen problem doğalarının çözümünü

hedeflemekte ve hatta bir kısmını ise başarıyla çözebilmektedir.

Hopfield Ağı; tek katmanlı ve geri dönüşümlü bir ağdır. Proses elemanlarının

tamamı hem girdi hem de çıktı elemanlarıdır.

Hopfield YSA, ‘’recurrent’’ ya da ‘’recursive’’ yani tekrar beslemeli bir

yapıya sahiptir. Bu özelliği ile diğer yapay sinir ağı modellerinden ayrılmaktadır.

Tekrar besleme kabiliyeti sayesinde girdi örüntüsü Hopfield mimarisine verildiğinde,

mimari işleme bir başlangıç enerjisi ile başlamaktadır. Bu başlangıç konumundan

itibaren yapı, girdi vektörünü bir başka girdi vektörüne(daha önce öğrendiği) doğru

benzetmeye başlamaktadır. Bu süreçte girdi matrisinde yapılan her küçük değişimin

ardından enerji tekrar tekrar hesaplanarak girdi vektörünün dönüşümünün kontrolü

sağlanmaktadır. Girdi vektörünün bir başka öğrenilmiş olan girdi vektörüne

benzetilme işlemi, enerji durağanlaşıncaya değin sürmektedir. Enerji durağanlaşması

ise enerjinin minimuma ulaştığı ve değişmediği yapıdır.

Günümüzde geliştirilmiş iki tür Hopfield Ağı vardır:

- Kesikli Hopfield Ağı: Bu ağlar çağrışımlı bellek olarak kullanılırlar.

- Sürekli Hopfield Ağı: Bu ağlar ise daha çok kombinatoriyel optimizasyon

problemlerinin çözümünde kullanılmaktadır.

Hopfield Ağı’nın özellikleri ise şu şekildedir:

• Aynı uyum sınıflandırmasında kullanılan ilk ağlardan biridir.

• Tek katmanlı ve geri dönüşümlü bir ağdır.

• Proses elemanlarının tamamı hem girdi hem de çıktı elemanlarıdır.

• Hücreler açık(+1) ya da kapalı(-1) olarak ikili mantığa göre çalışmaktadır.


66

• İşlemci fonksiyonu süreksiz formda eşik fonksiyonu, sürekli formda sigmoid ve

tanjant hiperbolik fonksiyonu olarak düşünülmüştür.

• Ağın bağlantı değerleri bir enerji fonksiyonu olarak saklanmaktadır.

• Ağın öğrenmesi Hebb Kuralı’na göre yapılmaktadır.

En çok kullanılan kurallardan biri olan Delta Kuralı, Hebb Kuralı’nın

geliştirilmiş halidir. Beklenen çıktı ile gerçekleşen çıktı arasındaki farkı (delta)

azaltmak için yani hedefe yaklaşmak için ağırlıkların sürekli değiştirilmesi

varsayımına dayanmaktadır. Ağ hatasının karesini minimize etmek için ağırlıklar

devamlı güncellenmektedir. Hata bir önceki katmana geri çoğaltılır ve bu ilk

katmana kadar devam etmektedir. Bu kurala ayrıca geri yayılım, Widrow-Hoff

Öğrenme, en küçük ortalamalar karesi, Delta-Delta gibi isimler de verilmektedir.

Geri yayılım adını hatayı geriye doğru yayarak düzeltmesinden almaktadır. Yapılan

hata eğimli iniş adı verilen süreç kullanılarak en aza indirgenmeye çalışılmaktadır.

YSA kullanılan ve sistemin hata miktarının belirlenmesinde Hebb Kuralı ile

birlikte ismi en çok geçen kuraldır. Bu kural arka planda En Küçük Ortalamalı

( LMS ) kareler hesaplamasını kullanmaktadır. Sistemin çalışmasını basitçe beklenen

değer ile gerçekleşen değer arasındaki farkın birbirine yaklaştırılması olarak

düşünebilmek mümkündür. LMS yöntemi de uzayda bulunan iki farklı değişkenin

birbirine yaklaştırılması mantığı ile işlemektedir.

Kohonen Öğrenme Kuralı; Kohonen tabakasındaki süreç elemanlarının

birbirleri ile yarışmaları ilkesine dayanmaktadır. Hangi proses elemanın referans

vektörü girdi vektörüne en yakın ise o yarışmayı kazanmaktadır (Öztemel, 2003).

Kohonen Kuralına göre ağ, kendi kendini ihtiyaç duymadan eğitebilmektedir.

Bunun olmasını sağlayan aynı anda paralel bir şekilde en uygun sonucu üretebilmek

için düğümlerin yarışmasıdır. Kohonen, YSA’nın uyarlanır elemanların yoğun bir

şekilde paralel olarak bağlanmasıyla oluşan ve gerçek dünyadaki cisimlerle aynen

biyolojik sistemin yaptığı gibi ilişkide bulunabilmeleri için hiyerarşik

organizasyonları düzenlenmiş yapılar olduğuna dikkat çekmiştir (Kohonen, 1980).

Sistem girdi verisini gruplandırmak için hangi özellikleri kullanacağına kendi

kendisine karar verir ki bu yöntem kendi kendine öğrenme (self-learning) veya


67

adaptasyon olarak bilinmektedir. Günümüzde, danışmansız eğitme tam olarak

anlaşılamamış durumdadır. Kendi kendine eğitmenin öncü araştırmacılarından birisi

Tuevo Kohonen’dir. Kohonen, doğru cevabı bilmenin yararlarından faydalanmadan

öğrenen bir ağ geliştirmiştir. Bu ağ, birçok sayıda bağlantısı olan tek tabakaya sahip

olması nedeniyle biraz sıra-dışı sayılabilmektedir. Ayrıca, bu yöntemde diğer

belirgin özellik olarak bu ağın bağlantı ağırlıkları için başlangıç değerleri verilmeli

ve girdi değerleri normalize edilmelidir.

3.2.9. YSA Kullanım Alanları

YSA, uygulamada sağlamış olduğu birçok avantaj nedeni ile bugün geniş bir

uygulama alanına sahip olmaktadır. Zamanla geleneksel yöntemlerin yerini alması

beklenen YSA’nın sağlamış olduğu hız, karmaşık ilişkileri çözümleyebilme ve

öğrenme ile insan zekâsını taklit edebilme yeteneği sayesindedir.

Belli başlı çalışma alanları şu şekildedir:

• Arıza Analizi ve Tespiti: Bir sistemin, cihazın ya da elemanın düzenli ve

doğru çalışma şeklini öğrenen bir YSA yardımıyla bu sistemlerde

meydana gelebilecek arızaların tanımlanma olanağı bulunmaktadır. Bu

amaçla YSA; elektrik makinelerinin, uçakların ya da bileşenlerinin,

entegre devrelerin… vs. arıza analizinde kullanılmıştır.

• Tıp Alanında: EEG ve ECG gibi tıbbi sinyallerin analizi; kanserli

hücrelerin analizi, protez tasarımı, transplantasyon zamanlarının

optimizasyonu ve hastanelerde giderlerin optimizasyonu vs. gibi uygulama

alanları bulmuştur.

• Savunma Sanayi: Silahların otomasyonu ve hedef izleme;

nesneleri/görüntüleri ayırma ve tanıma, yeni algılayıcı tasarımı ve gürültü

önleme vs. gibi alanlara uygulanmıştır.

• Haberleşme: Görüntü ve veri sıkıştırma; otomatik bilgi sunma servisleri,

konuşmaların gerçek zamanda çevirisi vs. gibi alanlarda uygulama

örnekleri bulunmaktadır.


68

• Üretim Sistemlerinin optimizasyonu; ürün analizi ve tasarımı, ürünlerin

(entegre, kağıt, kaynak vs.) kalite analizi ve kontrolü, plânlama ve yönetim

analizi vs. alanlarına uygulanmıştır.

• Otomasyon ve Kontrol; uçaklarda otomatik pilot sistemi otomasyonu,

ulaşım araçlarında otomatik yol bulma/gösterme, robot sistemlerin

kontrolü, doğrusal olmayan sistem modelleme ve kontrolü, elektrikli

sürücü sistemlerin kontrolü vs. gibi yaygın bir uygulama alanı bulmuştur.

Bu yazılanların haricinde YSA; bütün finansal piyasalarda, borsada, bono

işlemlerinde, uluslararası nakit para akışında ve ticaret mallarında kullanılmaktadır.

Birçok kullanıcı bu sistemleri para getiren sistemler olarak tanımlamakta ve Japonya

finans piyasasında YSA’nın çok başarılı sonuçlar verdiği gözlemlenmektedir.

3.2.10. YSA’nın Avantaj ve Dezavantajları

3.2.10.1. YSA’nın Avantajları

Temel bazı avantajlardan bahsedilmekle beraber, YSA'ların daha pek çok

avantajı sayılabilir.

1. YSA'lar makina öğrenmesi gerçekleştirebilirler. Yapay sinir ağlarının

temel işlevi zaten bilgisayarın öğrenmesini sağlamaktır. Olayları öğrenerek

benzer olaylar karşısında mantıklı kararlar verebilirler.

2. Bilgi işleme yöntemleri geleneksel programlamadan farklıdır. Bu nedenle

geleneksel programlamanın getirdiği birçok olumsuzluk ortadan

kaldırılabilir.

3. Bilgiler ağın tamamında saklanır. Geleneksel programlamada olduğu gibi

bilgiler veri tabanları ya da dosyalarda belli bir düzende tutulmaz, ağın

tamamına yayılarak değerler ile ölçülen ağ bağlantılarında saklanmaktadır.

Nöronlardan bazılarının işlevini yitirmesi, anlamlı bilginin kaybolmasına

neden olmaz.


69

4. Örnekleri kullanarak öğrenirler. YSA'nın öğrenebilmesi için örneklerin

belirlenmesi, bu örneklerin ağa gösterilerek istenen çıktılara göre ağın

eğitilmesi gerekmektedir. Ağın başarısı, seçilen örnekler ile doğru

orantılıdır, ağa olay bütün yönleri ile gösterilemezse ağ yanlış çıktılar

üretebilir.

5. Daha önce görülmemiş örnekler hakkında bilgi üretebilirler. YSA'lar

eğitimleri sırasında kendilerine verilen örneklerden genellemeler çıkarırlar

ve bu genellemeler ile yeni örnekler hakkında bilgi üretebilirler.

6. Algılamaya yönelik olaylarda kullanılabilirler. YSA'ların en başarılı

oldukları alanlar, algılamaya yönelik uygulama alanlarıdır. Bu alanlarda

başarıları kanıtlanmıştır.

7. Örüntü (pattern) ilişkilendirme ve sınıflandırma yapabilirler. YSA'lar

kendilerine örnekler halinde verilen örüntüleri kendisi veya diğerleri ile

ilişkilendirebilir. Ayrıca kendisine verilen örneklerin kümelenmesi ile, bir

sonraki verinin hangi kümeye dahil olacağının karar verilmesi konusunda

kullanılabilirler.

8. Örüntü tamamlama yapabilirler. Ağa eksik bilgileri içeren örüntüler

verildiğinde eksik bilgilerin tamamlanması konusunda başarılıdırlar.

9. Kendi kendine öğrenebilme ve organize etme yetenekleri vardır. YSA'lar

online olarak öğrenebilirler ve kendi kendilerini eğitebilirler.

10. Eksik bilgi ile çalışabilmektedirler. Geleneksel sistemlerin aksine

YSA'lar eğitildikten sonra veriler eksik bilgi içerirse dahi çıktı

üretebilirler. Bu durum bir performans kaybı yaratmaz, performans kaybı

eksik bilginin önemine bağlıdır. Burada bilgilerin önem dereceleri

eğitim sırasında öğrenilir.

11. Hata töleransına sahiptirler. YSA'ların eksik bilgilerle çalışabilmeleri ve

bazı hücreleri bozulsa dahi çalışabilmeleri, onları hatalara karşı töleranslı

yapar.

12. Dereceli bozulma (Graceful degradation) gösterirler. Bir ağ, zaman

içerisinde yavaş ve göreceli bir bozulmaya uğrar. Ağlar problemin ortaya

çıktığı anda hemen bozulmazlar.


70

13. Dağınık belleğe sahiptirler. YSA'larda bilgi ağa dağılmış bir şekilde

tutulur. Hücrelerin bağlantı ve ağırlık dereceleri, ağın bilgisini gösterir.

Bu nedenle tek bir bağlantının kendi başına anlamı yoktur.

3.2.10.2. YSA’nın Dezavantajları

YSA'ların, pek çok avantajının yanında bazı dezavantajları da vardır:

Belli başlı dezavantajları;

• Donanım bağımlıdır. YSA'ların en önemli sorunu donanım bağımlı

olmalarıdır. YSA'ların en önemli özellikleri ve var oluş nedenlerinden birisi

olan paralel işlem yapabilme yeteneği, paralel çalışan işlemciler ile

performans gösterir.

• Uygun ağ yapısının belirlenmesinde belli bir kural yoktur. YSA'larda

probleme uygun ağ yapısının belirlenmesi için geliştirilmiş bir kural yoktur.

Uygun ağ yapısı deneyim ve deneme yanılma yolu ile belirlenmektedir.

• Ağın parametre değerlerinin belirlenmesinde belli bir kural yoktur. YSA'larda

öğrenme katsayısı, hücre sayısı, katman sayısı gibi parametrelerin

belirlenmesinde belirli bir kural yoktur. Bu değerlerin belirlenmesi için belirli

bir standart olmamakla birlikte her problem için farklı bir yaklaşım söz

konusu olabilmektedir.

• Öğrenilecek problemin ağa gösterimi önemli bir problemdir. YSA'lar

nümerik bilgiler ile çalışabilmektedirler. Problemler YSA'lara tanıtılmadan

önce nümerik değerlere çevrilmek zorundadırlar. Burada belirlenecek

gösterim mekanizması ağın performansını doğrudan etkileyecektir. Bu da

kullanıcının yeteneğine bağlıdır.

• Ağın eğitiminin ne zaman bitirilmesi gerektiğine ilişkin belli bir yöntem

yoktur. Ağın örnekler üzerindeki hatasının belirli bir değerin altına

indirilmesi eğitimin tamamlandığı anlamına gelmektedir. Burada optimum

neticeler veren bir mekanizma henüz yoktur ve YSA ile ilgili araştırmaların

önemli bir kolunu oluşturmaktadır.


71

• Ağın davranışları açıklanamamaktadır. Bu sorun YSA'ların en önemli

sorunudur. YSA bir probleme çözüm ürettiği zaman, bunun neden ve nasıl

olduğuna ilişkin bir ipucu vermez. Bu durum ağa olan güveni azaltıcı bir

unsurdur.

Çizelge 3.10.’da Geleneksel Algoritmalar ile YSA farklılıkları

gösterilmektedir.

Çizelge 3.10. Geleneksel Algoritmalar ile YSA farklılıkları (http://yapay-sinir-aglari.uzerine.com/ )

Geleneksel Algoritmalar Yapay Sinir Ağları

Çıkışlar, koyulan kurallara girişlerin

uygulanması ile elde edilir.

Öğrenme esnasında giriş çıkış bilgileri

verilerek, kurallar koyulur.

Hesaplama; merkezi, eş zamanlı ve ardışıldır. Hesaplama; toplu, eş zamansız ve

öğrenmeden sonra paraleldir.

Bellek paketlenmiş ve hazır bilgi depolanmıştır. Bellek ayrılmış, ve ağa yayılmıştır.

Dahilidir.

Hata töleransı yoktur. Hata töleransı vardır.

Nisbeten hızlıdır. Yavaş ve donanıma bağımlıdır.

Bilgiler ve algoritmalar kesindir. Deneyimden yararlanır.

3.2.11. Aktivasyon Fonksiyonları:

Çeşitli Aktivasyon Fonksiyonları Çizelge 3.11.’de gösterilmektedir.

(Öztemel, 2003)


72

Çizelge 3.11. Aktivasyon Fonksiyonları (Öztemel, 2003) Aktivasyon Fonksiyonu Açıklama

Lineer Fonksiyon f(net)= net

Gelen girdiler olduğu gibi hücrenin çıktısı olarak kabul edilir.

Step Fonksiyonu f(x)= 1…………net > Ө f(x)= 0…………net ≤ Ө

Gelen net girdi değerinin belirlenen bir eşik değerinin (Ө) altında veya üstünde olmasına göre hücrenin çıktısı 1 veya 0 değerlerini almaktadır.

Sinüs Fonksiyonu f(net)= Sin(net)

Öğrenilmesi düşünülen olayların sinüs fonksiyonuna uygun dağılım gösterdiği durumlarda kullanılmaktadır.

Eşik Değer Fonksiyonu f(x)= 0…………net ≤ Ө f(x)= net…….…0< net < 1 f(x)= 1…………net ≥ 1

Gelen bilgilerini 0 veya 1’den büyük veya küçük olmasına göre bir değer alır. 0 ve 1 arasında değerler alabilmektedir. Bunların dışında değerler alamaz.

Hiperbolik Tanjant Fonksiyonu

f(net) = net -net net -net(e +e )/(e -e )

Gelen net girdi değerinin tanjant fonksiyonundan geçirilmesi ile hesaplanmaktadır.

Aktivasyon fonksiyonlarından Sigmoid aktivasyon fonksiyonu; türevi

alınabilir, sürekli ve doğrusal olmayan özellikleri nedeniyle uygulamada en çok

kullanılan aktivasyon fonksiyonu olmaktadır. Bu fonksiyon, girdinin her değeri için

sıfır ile bir değer üretmektedir.

( )F NET = - N E T

11 + e

…………………….……………………….......(3.1.)


73

Şekil 3.30.Aktivasyon Fonksiyon Grafikleri (http://www.omereksi.com/?p=30)

3.2.12. İleri Beslemeli Geriye Yayınımlı Yapay Sinir Ağları (İBGYSA)

İBGYSA metodunda girdi, gizli ve çıktı birimleri olmak üzere üç farklı birim

bulunmaktadır. Her birim birçok nörondan oluşmakta olup, birimler kendi aralarında

ağırlık kümeleri ile bağlanmaktadırlar. Bağlanma şekli ve her kısımdaki nöron sayısı

değişebilmektedir. Nöronların aynı kısımları arasında iletişim olmasına izin

verilmemektedir. Nöronlar girdiyi ya başlangıç girdilerinden ya da ara bağlantılardan

almaktadırlar. Şekil 3.31.’de İBGYSA Genel Yapısı görülmektedir.


74

Şekil 3.31.İBGYSA Genel Yapısı

İBGYSA iki etaptan oluşmaktadır:

- Çıktı birimindeki çıktı, bilgi sinyalini hesaplamak için girdi nöronlarındaki dış

girdi bilgisini ileriye doğru ileten bir ileriye doğru hesaplama etabı,

- Çıktı birimindeki hesaplanan ve gözlenen bilgi sinyalleri arasındaki farklara

dayanarak bağlantı kuvvetleri üzerinde değişikliklerin yapıldığı bir geriye doğru

ilerleme etabı (Eberhart and Dobbins, 1990).

Bir eğitim sürecinin başında, bağlantı kuvvetleri rastgele değerler olarak

atanmaktadırlar. Öğrenme algoritması her iterasyonda eğitim kısmı başarı ile

tamamlanana kadar kuvveti değişmektedir. İterasyon süreci sonucunda ölçülmüş

değer ile YSA modelinin ürettiği değer arasındaki fark belirli bir değere vardığında

bağlantı kuvvetleri, eğitim sürecinde kullanılan örneklerdeki mevcut bilgiyi elde

eder ve kaydeder. Yeni bir girdi grubu sunulduğunda, ileriye doğru besleme ile

YSA’nın bağlantı kuvvetlerindeki öğrenilmiş ve kaydedilip, saklanan bilgi sayesinde

bir çıktı grubu elde edilir.

Bir girdi, bir gizli ve bir çıktı biriminden oluşan üç birimli bir öğrenme ağı

Şekil 3.32.’de gösterilmektedir. Her bir kısmın girdi nöronlarında xi; i=1,….,k girdi


75

değerlerini almaktadır. Çıktı nöronlarında ise; Tn ; n=1,….,m çıktı değerleri kümesi

ile birlikte toplam N adet girdi grubu bulunmaktadır. Girdi değerleri gizli

nöronlardaki ilk ara bağlantı ağırlıkları, wij ; j=1,….,h ile çarpılmakta ve sonuçlar i

endeksi boyunca toplanmakta ve gizli birimlerin girdilerini oluşturmaktadırlar.

Şekil 3.32 . İleri Beslemeli Geriye Yayınımlı Yapay Sinir Ağlarının(İBGYSA)

Yapısı (Şahin, 2007) Örneğin;

Hj=i

k

i ji = 1

w x∑ ( j=1,…,h,…)……………………………………….. (3.2.)

Burada Hj , j gizli nodunun girdisi, wij ise; i nöronundan j nöronuna doğru

olan bağlantı ağırlığıdır. Her gizli nöron bir aktivasyon fonksiyonu ile genellikle

türevi alınabilir bir fonksiyon olması nedeniyle tercih edilen sigmoid fonksiyonu

yardımı ile bir gizli nöron çıktısı, HOj oluşturmaktadır. Dolayısı ile HOj’yi şu şekilde

tanımlayabiliriz:

1H O j= f(H j)=1+ ex p -(H j+θ j)

……………………………...(3.3.)


76

Hj nöronun girdisi, f(Hj) nöron çıktısı ve θj başlangıç veya taraflılık değeridir.

HOj çıktısı bir sonraki birimin girdisi olmakta ve bu işlem çıktı birimine ulaşılıncaya

kadar devam etmektedir.

m adet çıktı nöronlarına ulaşan girdi şu şekilde bulunmaktadır:

h

n j n j nj = 1

I O = w H O∑ ( )n=1,……..,m ………..……………(3.4.)

Bu girdi değerleri daha önce tanımlanmış olan sigmoid fonksiyonu tarafından

işlenerek sinir ağı çıktı değerleri, On elde edilmektedir. Daha sonraki ağırlık

düzenlemesi ya da öğrenme süreci geriye doğru ilerleme algoritması ile

sağlanmaktadır. Çıktı birimindeki On hedef değeri Tn ile aynı olmamaktadır.

Her girdi grubu için hata karelerinin toplamı, ep, p’inci girdi grubu için şu

şekilde hesaplanmaktadır:

m

2p n n

n = 1e = ( T - O )∑ …………………………………............(3.5.)

Ortalama sistem hatası ya da ortalama kare hatası (OKH), E, bütün girdi

grupları için şu şekilde hesaplanmaktadır:

N m

2p n p n

p = 1 n = 1

1E = ( T - O )2 N ∑ ∑ ……………………………...(3.6.)

Burada Tpn, p’inci grup için Tn hedef değeri; Opn ise p’inci grup için On çıktı değeridir. Geriye doğru ilerleme algoritmasının amacı ortalama kare hatasının


77

iterasyonla en aza indirilmesidir. Bu önce çıktı birimindeki her nöron için δn

gradyanının hesaplanması ile gerçekleştirilir:

n n n n nδ = O ( 1 - O ) ( T - O ) …………….………………….(3.7.)

Hata gradyanı δj daha sonra gizli birimler için bir önceki birimde oluşan

hataların ağırlıklı toplamının hesaplanması ile bulunmaktadır:

m

nj j j j nn = 1

δ = H O ( 1 - H O ) δ w∑ …………………...………….(3.8.)

Hata gradyanları daha sonra ağ ağırlıklarını güncellemek için

kullanılmaktadır:

i j j iΔ w ( r ) = η δ x …..……………………………………………(3.9.)

i j j i j iw (r+ 1 )= w ( r )+ Δ w (r ) ………..……………………….(3.10.)

n’inci veri sunumundan sonraki ağırlık değişimi şu şekildedir:

j i j i jΔ w (r)= η δ x + αΔ w (r-1 ) ………………………………..(3.11.)

Burada α, sonuca hızlı ulaşılmasını sağlayan momentum oran terimi; η, etap

boyutunu ayarlayan öğrenme oranı, r ise iterasyon numarasıdır.


78

4. BULGULAR VE TARTIŞMA Evren TURHAN

79

4.BULGULAR VE TARTIŞMA

4.1. Seyhan Havzası Yağış-Akış Modellemesinde Kullanılan Veriler

Havzada 35 adet Akım Gözlem İstasyonu (AGİ) ve 25’e yakın Yağış Gözlem

İstasyonu (YAGİ) bulunmaktadır. (Şekil 4.1. ve Şekil 4.2.)

Şekil 4.1.Seyhan Havzası AGİ’leri (eie.gov.tr)


80

Şekil 4.2.Seyhan Havzası YAGİ’leri (eie.gov.tr)

Bu çalışmada Seyhan Havzasının akım gözlem istasyonlarının aylık akım

değerlerinin tahmini amaçlanmaktadır.

4.2. Çalışmada Kullanılan Verilerin Analizi

4.2.1. Verilerin Seçilmesi

Seyhan Havzası üzerinde bulunan yağış ve akış istasyonları Devlet

Meteoroloji İşleri (DMİ) tarafından işletilmektedir. Havzada bulunan 35 adet

AGİ’den 13 tanesi modelleme çalışmalarında kullanılmıştır.

Bu çalışmada Seyhan Havzası’nın;

• 1801-Göksu Nehri-Himmetli

• 1805-Göksu Nehri-Gökdere

• 1806-Zamantı Nehri-Ergenuşağı

• 1812-Zamantı Nehri-Pınarbaşı

• 1813-Zamantı Nehri-Çerkezkaraboğazı


81

• 1818-Seyhan Nehri-Üçtepe

• 1820-Körkün Suyu-Hacılıköprüsü

• 1821-Eğlence Deresi-Sarımehmetli

• 1822-Zamantı Nehri-Fraktin Köprüsü

• 1823-Zamantı Nehri-Emeğil

• 1824-Göksu Nehri-Çukurkışla

• 1825-Eğlence Deresi-Eğribük

• 1828-Çakıt Suyu-Salbaş

Belirtilen AGİ’lere karşılık gelen;

• Feke (İstasyon No: 6902)

• Saimbeyli (İstasyon No: 6560)

• Karsantı (İstasyon No: 7411)

• Sarız (İstasyon No: 17840)

• Kaynar (İstasyon No: 5011)

• Pazarören (İstasyon No: 5525)

• Karaisalı (İstasyon No: 17936)

• Çatalan (İstasyon No: 7933)

• Tomarza (İstasyon No: 17837)

• Tufanbeyli (İstasyon No: 6204)

• Pozantı (İstasyon No: 17934)

YAGİ’lerinin aylık yağış verileri kullanılarak oluşturulan modellerle akım

değerlerinin tahmini yapılmıştır.

4.2.2. Yağış ve Akım Verilerinin Analizi

YAGİ verilerine ait yağışların t zamanındaki değerleri Pt; t zamanından

önceki değerler Pt-1, Pt-2,…vs. şeklinde ifade edilmektedir. Gözlenen aylık ortalama


82

akım değerleri Qt; t zamanından önceki değerler ise Qt-1, Qt-2,…vs. şeklinde

belirtilmektedir.

Yapılan çalışma, havzanın 13 AGİ’lerinin uyumluluk gösterdiği YAGİ’lerden

alınan yağış verileri ile çeşitli modellemeler oluşturularak gözlenen akım

değerlerinin kullanılması sonucunda elde edilen hesaplanmış akımların ÇDR

yöntemi ile karşılaştırılması şeklindedir.

4.2.3. Eksik Verilerin Tamamlanması

Bir istasyondaki kayıtların bir kısmı eksik ise bu kısmı tamamlamak için

yakında bulunan istasyonların kayıtlarından faydalanılabilmektedir. En yakın üç

istasyondaki yıllık ortalama yağışlar NA, NB, NC eksik olan yağışa karşı gelen

okumalar PA, PB, PC ise yıllık ortalama yağışı NX olan istasyondaki bilinmeyen yağış

yüksekliği şu şekilde tahmin edilebilmektedir (Bayazıt, 2003):

X X XX A B C

A B C

N N N1P = ( P + P + P )3 N N N

. (4.1.)

Seyhan Havzasındaki mevcut yağış istasyonlarının eksik verileri

tamamlanarak modellemeye hazır hale getirilmiştir.

4.3. YSA ile Yağış Verileri ve Önceki Nehir Akımları Kullanılarak Gelecekteki

Akım Değerinin Tahmini

Seyhan Havzası’na ait yağış ortalamaları ve önceki akım değerleri

kullanılarak farklı kombinasyonlarla nehir akımları tahmin edilmeye çalışılmıştır.

YSA mimarisi oluşturulup; farklı kombinasyonlarla MATLAB programından

faydalanılarak denemeler yapılmıştır. Oluşturulan YSA mimarisinde bir önceki aylık

akım verileri ve t zamanından dört önceki zamana kadar aylık ortalama yağış verileri

kademeli girdi şeklinde alınmıştır. % 80 oranında değer eğitim aşamasında; % 20


83

oranında değer de test aşamasında kullanılmıştır. İBGYSA metodu ile farklı gizli

tabaka hücre sayıları ile çıktı tabakasındaki akım değerleri hesaplanmıştır.

Çizelge 4.1.’de her bir YAGİ ve iki farklı YAGİ için ayrı ayrı YSA mimarisi

gösterilmektedir.

Çizelge 4.1. Her bir YAGİ ve iki farklı YAGİ için ayrı ayrı YSA mimarisi Her Bir YAGİ için;

Deneme-1 Giriş verileri: (Pt,Pt-1,Qt-1)

Ara tabaka sayısı: En iyi çözüme göre belirlenecek sayıdır.

Çıkış verisi: (Qt)

Deneme-2 Giriş verileri: (Pt,Pt-1,Pt-2,Qt-1)



Deneme-3 Giriş verileri: (Pt,Pt-1,Pt-2,Pt-3,Qt-1)



Deneme-4 Giriş verileri: (Pt,Pt-1,Pt-2,Pt-3,Pt-4,Qt-1)



İki farklı YAGİ için;

Deneme-5 Giriş verileri: (P1,P2,Qt-1)



Deneme-6 Giriş verileri: (P1,P1(t-1),P2,P2(t-1),Qt-1)




84

(Deneme-7,Deneme-8,Deneme-9,Deneme-10 farklı iki YAGİ’nin ‘’Deneme-5’’ ve

‘’Deneme-6’’ mimarisi temel alınarak oluşturulmuş kombinasyonudur. Deneme-11

ise üç farklı YAGİ ile oluşturulmuş kombinasyondur.)

Yağış verileri 0.1 ile 0.9 arasında ölçeklendirilerek değişik zaman aralıklarında

alınarak eğitim ve test aşamalarında değerlendirilmiştir.

4.3.1. Eğitim ve Test Aşamaları

YSA’da model oluşturulurken temel amaç hata payını en aza indirmektir.

Buna rağmen hata payının en düşük olduğu değer modelin başarılı çalıştığı anlamına

gelmemelidir. Bir ağın başarılı sayılabilmesi o ağın genelleme yeteneğine dikkat

edilerek anlaşılabilmektedir.

Eğitim ve test süreci çok aşamalı bir sistem olup; modelin çalışabilmesi ve

değerlerin atanması, aynı zamanda birçok aşamadan geçirilmesi gerekmektedir.

Bu aşamalardan Öğrenme Fonksiyonu; modelin hangi fonksiyonlarla

çalışacağını göstermektedir. Fonksiyon değişkenleri her fonksiyon için kendine

özgüdür.

Döngü sayısı (İterasyon); eğitim sırasında sistemin programa kaç defa

okutulacağını gösteren sayı olmakta, öğrenmenin gerçekleşebileceği kadar fazla, aşırı

öğrenmenin olmayacağı kadar az olmasına dikkat edilmelidir.

Transfer fonksiyonu ise; her bir katmanda bulunan nöronların, kendilerine

gelen girdilere hangi dönüşümü uygulayacağına karar verdiği fonksiyon olup; saklı

katmanlar için doğrusal olmayan, çıkış katmanı için genellikle doğrusal fonksiyonlar

tercih edilmektedir (Maier ve Dandy, 2000).

4.3.2. Çok Değişkenli Regresyon Analizi (ÇDR)

Akım tahminlerinde YSA ile elde edilen sonuçları karşılaştırmak için

regresyon analizinden faydalanılmıştır. Regresyon analizinin yapılmasının amacı

incelenen değişkenler arasında anlamsal düzeyde bir ilişki olup olmadığını

belirlemek, ilişki varsa bu ilişkiyi ifade eden regresyon denklemini elde etmek, bu


85

denklemi kullanarak da tahmin yapmaktır. Sonucunda da tahminlerin güven

aralıklarını hesaplayabilmektir. İki değişken arasında anlamsal düzeyde bir ilişki

olup olmadığına karar verebilmek için korelasyon katsayısına bakılır. Eğer

korelasyon katsayısının mutlak değeri 1’e yakın bir değer ise; iki değişken arasında

bağımlılığın güçlenerek deterministik bir ilişkiye yaklaştığını göstermektedir.

Yapılan çalışmada ÇDR analizi SPSS programı yardımı ile yapılmıştır.

4.4. Model Sonuçları

13 ayrı AGİ ve uyumluluk düzeyi yüksek YAGİ’lerle yapılan modelleme

çalışmaları sonucunda 111 deneme yapılmış olup, genelde YSA’nın ÇDR’ye göre

daha iyi sonuçlar verdiği görülmekle birlikte 7 deneme sonucu istenilen düzeye yakın

çıktılar olarak düşünülmüştür.

4.4.1. 1801 AGİ- Feke ve Saimbeyli YAGİ Modelleme Sonucu

1801 nolu istasyon için 2 YAGİ belirlenmiş olup; bunlar Feke ve Saimbeyli

istasyonlarıdır. Bire-bir yapılan eşleşmede 1801 nolu AGİ verileri ile her iki

YAGİ’nin de uyumluluk göstermekte olduğu belirlendiğinden, Deneme-1;

Deneme-2; Deneme-3; Deneme-4; Deneme-5 ve Deneme-6 şeklinde YSA mimarisi

oluşturulmuş ve MATLAB programında eğitim ve test aşamasında denenmiştir.

Modelleme sonucunda, Deneme-4’ün yani sadece Saimbeyli YAGİ’ye ait 5

yağış verisi, 1 önceki akım verisi, 5 ara tabaka sayısı, 1 de çıkış verisini içeren

YSA(6,5,1) mimarisinin tahmin düzeyi yüksek sonuç verdiği görülmüştür. Zaman

aralığı (t) 1961-1995 yılları arası seçilmiş ve 336 veri eğitim aşamasında, 84 veri ise

test aşamasında sınanmıştır.

YSA ile yapılan modelleme SPSS programı sonucu elde edilen ÇDR

değerleri ile karşılaştırılmıştır.

Çizelge 4.2.’de 1801 AGİ- Saimbeyli YAGİ için YSA ve ÇDR ile hesaplanan

R2 Karşılaştırma ve Ortalama Mutlak Göreceli Hata (OMGH) Çizelgesi yer

almaktadır.


86

Çizelge 4.2. 1801 AGİ-Saimbeyli YSA ve ÇDR ile hesaplanan R2 değerlerinin Karşılaştırması Eğitim Test

YSA 0,33

(OMGH=203,71)

0,36

(OMGH=50,93)

ÇDR 0,22 0,31

Test aşamasındaki YSA ve ÇDR akım tahmin ve saçılma grafikleri

Şekil 4.3. , Şekil 4.4. ve Şekil 4.5.’te verilmektedir.

0 10 20 30 40 50 60 70 80 900

20

40

60

80

100

120

140

AYLAR

AKIM

DEĞ

ERLE

Rİ

Gözlenen Akım

HesaplananAkım

Şekil 4.3. 1801 AGİ-Saimbeyli Deneme-4 YSA Test Akım Tahmini


87

0 20 40 60 80 100 120 1400

10

20

30

40

50

60

70

80

y = 0.39*x + 19

data 1 linear

Gözlenen Akım Değerleri

YSAAkımDeğerl.

Şekil 4.4. 1801 AGİ-Saimbeyli Deneme-4 YSA Test Saçılma Grafiği

y = 0,3721x + 17,047R² = 0,3083

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

0,0 20,0 40,0 60,0 80,0 100,0

1801 AGİ-S.Beyli ÇDR Test

1801 AGİ-S.Beyli ÇDR TestÇDR Test

y=x

Şekil 4.5. 1801 AGİ-Saimbeyli Deneme-4 ÇDR Test Saçılma Grafiği


88

4.4.2. 1805 AGİ- Feke ve Karsantı YAGİ Modelleme Sonucu

1805 nolu istasyon için 2 YAGİ belirlenmiş olup; bunlar Feke ve Karsantı





Modelleme sonucunda, Deneme-3’ün yani sadece Feke YAGİ’ye ait 4 yağış

verisi, 1 önceki akım verisi, 4 ara tabaka sayısı, 1 de çıkış verisini içeren YSA(5,4,1)

mimarisinin tahmin düzeyi yüksek sonuç verdiği görülmüştür. Zaman aralığı (t)

1972-1994 yılları arası seçilmiş ve 220 veri eğitim aşamasında, 56 veri ise test

aşamasında sınanmıştır.



Çizelge 4.3.’te 1805 AGİ- Feke YAGİ için YSA ve ÇDR ile hesaplanan R2

Karşılaştırma ve Ortalama Mutlak Göreceli Hata (OMGH) Çizelgesi yer almaktadır.

Çizelge 4.3. 1805 AGİ-Feke YSA ve ÇDR ile hesaplanan R2 değerlerinin Karşılaştırması Eğitim Test

YSA 0,31

(OMGH=277,53)

0,35

(OMGH=85,61)

ÇDR 0,16 0,34


89

Test aşamasındaki YSA ve ÇDR akım tahmin ve saçılma grafikleri Şekil 4.6.,

Şekil 4.7. ve Şekil 4.8.’de verilmektedir.

0 10 20 30 40 50 600

20

40

60

80

100

120

140

160

180

AYLAR

AKIM

DEĞERLE

Rİ

GözlenenAkım

HesaplananAkım

Şekil-4.6. 1805 AGİ-Feke Deneme-3 YSA Test Akım Tahmini


90

0 20 40 60 80 100 120 140 160 18020

40

60

80

100

120

140

160


Hes

apla

nan

Akı

m D

eğer

leri

y = 0.58*x + 38

data 1 linear

Şekil 4.7. 1805 AGİ-Feke Deneme-3 YSA Test Saçılma Grafiği

y = 0,3198x + 31,786R² = 0,3428

0,0

20,0

40,0

60,0

80,0

100,0

120,0

140,0

0,0 50,0 100,0 150,0 200,0

1805 AGİ-Feke ÇDR Test


ÇDR Test

y=x

Şekil 4.8. 1805 AGİ-Feke Deneme-3 ÇDR Test Saçılma Grafiği


91

4.4.3. 1806 AGİ- Feke ve Karsantı YAGİ Modelleme Sonucu

1806 nolu istasyon için 2 YAGİ belirlenmiş olup; bunlar Feke ve Karsantı





Modelleme sonucunda, Deneme-4’ün yani sadece Karsantı YAGİ’ye ait 5







Çizelge 4.4.’te 1806 AGİ-Karsantı YAGİ için YSA ve ÇDR ile hesaplanan


almaktadır.

Çizelge 4.4. 1806 AGİ-Karsantı YSA ve ÇDR ile hesaplanan R2 değerlerinin Karşılaştırması Eğitim Test

YSA 0,55

(OMGH=95,00)

0,60

(OMGH=64,85)

ÇDR 0,34 0,32


92

Test aşamasındaki YSA ve ÇDR akım tahmin ve saçılma grafikleri Şekil 4.9.,

Şekil 4.10. ve Şekil 4.11.’de verilmektedir.

0 5 10 15 20 25 3020

40

60

80

100

120

140

AYLAR

AKIM

DEĞERLE

Rİ

GözlenenAkım

HesaplananAkım

Şekil 4.9. 1806 AGİ-Karsantı Deneme-4 YSA Test Akım Tahmini


93

20 30 40 50 60 70 80 90 100 11050

60

70

80

90

100

110

120

130

140


Hes

aplana

n Akı

m D

eğer

leri

y = 0.88*x + 34

data 1 linear

Şekil 4.10. 1806 AGİ-Karsantı Deneme-4 YSA Test Saçılma Grafiği

y = 0,2283x + 37,45R² = 0,3166

0,0

20,0

40,0

60,0

80,0

100,0

120,0

140,0

0,0 50,0 100,0 150,0 200,0

1806 AGİ-Karsantı ÇDR Test

1806 AGİ-Karsantı ÇDR Test

Doğrusal (1806 AGİ-Karsantı ÇDR Test)

y=x

Şekil 4.11. 1806 AGİ-Karsantı Deneme-4 ÇDR Test Saçılma Grafiği


94

4.4.4. 1820 AGİ- Çatalan-Pozantı-Karaisalı YAGİ Modelleme Sonucu

1820 nolu istasyon için üç YAGİ belirlenmiş olup; bunlar Çatalan-Pozantı ve

Karaisalı istasyonlarıdır. Bire-bir yapılan eşleşmede 1820 nolu AGİ verileri ile her üç


Deneme-2; Deneme-3; Deneme-4; Deneme-5; Deneme-6; Deneme-7; Deneme-8;

Deneme-9; Deneme-10 ve Deneme-11 YSA mimarileri oluşturulmuş ve MATLAB

programında eğitim ve test aşamasında denenmiştir.

Modelleme sonucunda, Deneme-3’ün yani sadece Çatalan YAGİ’ye ait 4







Çizelge 4.5.’te 1820 AGİ- Çatalan YAGİ için YSA ve ÇDR ile hesaplanan R2

Karşılaştırma ve Ortalama Mutlak Göreceli Hata (OMGH) Çizelgesi yer almaktadır.

Çizelge 4.5. 1820 AGİ-Çatalan YSA ve ÇDR ile hesaplanan R2 değerlerinin Karşılaştırması Eğitim Test

YSA 0,40

(OMGH=258,77)

0,58

(OMGH=67,28)

ÇDR 0,19 0,37


95



0 5 10 15 20 25 30 350

5

10

15

20

25

30

35

AYLAR

AKIM

DEĞ

ERLE

Rİ

GözlenenAkım

HesaplananAkım

Şekil 4.12. 1820 AGİ-Çatalan Deneme-3 YSA Test Akım Tahmini


96

0 5 10 15 20 25 30 355

10

15

20

25

30

35


Hes

apla

nan

Akı

m D

eğer

leri

y = 0.22*x + 12

data 1 linear

Şekil 4.13.1820 AGİ-Çatalan Deneme-3 YSA Test Saçılma Grafiği

y = 0,4566x + 9,4396R² = 0,3655

0,0

5,0

10,0

15,0

20,0

25,0

30,0

35,0

0 10 20 30 40

1820 AGİ-Çatalan ÇDR Test

1820 AGİ-Çatalan ÇDR Test

y=x

ÇDR Test

Şekil 4.14. 1820 AGİ-Çatalan Deneme-3 ÇDR Test Saçılma Grafiği


97

4.4.5. 1822 AGİ- Tufanbeyli-Tomarza YAGİ Modelleme Sonucu

1822 nolu istasyon için iki YAGİ belirlenmiş olup; bunlar Tufanbeyli ve

Tomarza istasyonlarıdır. Bire-bir yapılan eşleşmede 1822 nolu AGİ verileri ile her

iki YAGİ’nin de uyumluluk göstermekte olduğu belirlendiğinden, Deneme-1;

Deneme-2; Deneme-3; Deneme-4; Deneme-5; Deneme-6 YSA mimarileri


Modelleme sonucunda, Deneme-2’nin yani sadece Tufanbeyli YAGİ’ye ait 3







Çizelge 4.6.’da 1822 AGİ- Tufanbeyli YAGİ için YSA ve ÇDR ile

hesaplanan R2 Karşılaştırma ve Ortalama Mutlak Göreceli Hata (OMGH) Çizelgesi

yer almaktadır.

Çizelge 4.6. 1822 AGİ-Tufanbeyli YSA ve ÇDR ile hesaplanan R2 değerlerinin Karşılaştırması Eğitim Test

YSA 0,43

(OMGH=195,09)

0,65

(OMGH=113,21)

ÇDR 0,27 0,33


98


Şekil 4.15. , Şekil 4.16. ve Şekil 4.17.’de verilmektedir.

0 5 10 15 20 25 30 350

10

20

30

40

50

60

70

AYLAR

AKIM

DEĞERLE

Rİ

GözlenenAkım

HesaplananAkım

Şekil 4.15. 1822 AGİ- Tufanbeyli Deneme-2 YSA Test Akım Tahmini


99

0 10 20 30 40 50 60 700

5

10

15

20

25

30

35

40

45

50


Hes

apla

nan

Akı

m D

eğer

leri

y = 0.47*x + 13

data 1 linear

Şekil 4.16. 1822 AGİ-Tufanbeyli Deneme-2 YSA Test Saçılma Grafiği

y = 0,344x + 12,826R² = 0,3331

0,0

10,0

20,0

30,0

40,0

50,0

60,0

0 20 40 60 80

1822 AGİ-Tufanbeyli ÇDR Test

1822 AGİ-Tufanbeyli ÇDR Test

ÇDR Test

y=x

Şekil 4.17. 1822 AGİ-Tufanbeyli Deneme-2 ÇDR Test Saçılma Grafiği


100

4.4.6. 1824 AGİ- Feke-Saimbeyli YAGİ Modelleme Sonucu

1824 nolu istasyon için iki YAGİ belirlenmiş olup; bunlar Feke ve Saimbeyli



Deneme-2; Deneme-3; Deneme-4; Deneme-5; Deneme-6 YSA mimarileri


Modelleme sonucunda, Deneme-3’ün yani sadece Feke YAGİ’ye ait 4 yağış

verisi, 1 önceki akım verisi, 7 ara tabaka sayısı, 1 de çıkış verisini içeren YSA(5,7,1)

mimarisinin tahmin düzeyi yüksek sonuç verdiği görülmüştür. Zaman aralığı (t)

1980-1993 yılları arası seçilmiş ve 136 veri eğitim aşamasında, 32 veri ise test

aşamasında sınanmıştır.



Çizelge 4.7.’de 1824 AGİ- Tufanbeyli YAGİ için YSA ve ÇDR ile

hesaplanan R2 Karşılaştırma ve Ortalama Mutlak Göreceli Hata (OMGH) Çizelgesi

yer almaktadır.

Çizelge 4.7. 1824 AGİ-Feke YSA ve ÇDR ile hesaplanan R2 değerlerinin Karşılaştırması Eğitim Test

YSA 0,47

(OMGH=268,42)

0,62

(OMGH=79,99)

ÇDR 0,22 0,50


101


Şekil-4.18. , Şekil-4.19. ve Şekil-4.20.’de verilmektedir.

0 5 10 15 20 25 30 350

5

10

15

20

25

30

AYLAR

AKIM

DEĞERLE

Rİ

GözlenenAkım

HesaplananAkım

Şekil 4.18. 1824 AGİ-Feke Deneme-3 YSA Test Akım Tahmini


102

0 5 10 15 20 25 300

5

10

15

20

25

30


Hes

apla

nan

Akı

m D

eğer

leri

y = 0.64*x + 5.8

data 1 linear

Şekil 4.19. 1824 AGİ-Feke Deneme-3 YSA Test Saçılma Grafiği

y = 0,4027x + 4,4126R² = 0,5

0,0

5,0

10,0

15,0

20,0

25,0

0,0 10,0 20,0 30,0 40,0



ÇDR Test

y=x

Şekil 4.20. 1824 AGİ-Feke Deneme-3 ÇDR Test Saçılma Grafiği


103

4.4.7. 1828 AGİ- Karaisalı YAGİ Modelleme Sonucu

1828 nolu istasyon için tek YAGİ belirlenmiş olup; Karaisalı istasyonudur.

Bire-bir yapılan eşleşmede 1828 nolu AGİ verileri ile Karaisalı YAGİ’nin

uyumluluk göstermekte olduğu belirlendiğinden, Deneme-1; Deneme-2; Deneme-3;

Deneme-4 YSA mimarileri oluşturulmuş ve MATLAB programında eğitim ve test

aşamasında denenmiştir.

Modelleme sonucunda, Deneme-4’e ait 5 yağış verisi, 1 önceki akım verisi, 3

ara tabaka sayısı, 1 de çıkış verisini içeren YSA(6,3,1) mimarisinin tahmin düzeyi

yüksek sonuç verdiği görülmüştür. Zaman aralığı (t) 1993-2001 yılları arası seçilmiş

ve 86 veri eğitim aşamasında, 22 veri ise test aşamasında sınanmıştır.



Çizelge 4.8.’de 1828 AGİ- Karaisalı YAGİ için YSA ve ÇDR ile hesaplanan


almaktadır.

Çizelge 4.8. 1828 AGİ-Karaisalı YSA ve ÇDR ile hesaplanan R2 değerlerinin Karşılaştırması Eğitim Test

YSA 0,38

(OMGH=352,15)

0,73

(OMGH=76,13)

ÇDR 0,28 0,47


104



0 5 10 15 20 250

5

10

15

20

25

30

35

40

AYLAR

AKIM

DEĞ

ERLE

Rİ

Gözlenen Akım

HesaplananAkım

Şekil 4.21. 1828 AGİ-Karaisalı Deneme-4 YSA Test Akım Tahmini


105

0 5 10 15 20 25 30 35 400

5

10

15

20

25

30


Hes

apla

nan

Akı

m D

eğer

leri

y = 0.55*x + 5.3

data 1 linear

Şekil 4.22. 1828 AGİ-Karaisalı Deneme-4 YSA Test Saçılma Grafiği

y = 0,4863x + 7,8526R² = 0,4661

0,0

5,0

10,0

15,0

20,0

25,0

30,0

35,0

40,0

0,0 10,0 20,0 30,0 40,0

1828 AGİ-Karaisalı ÇDR Test

1828 AGİ-Karaisalı ÇDR Test

ÇDR Test

y=x

Şekil 4.23. 1828 AGİ-Karaisalı Deneme-4 ÇDR Test Saçılma Grafiği


106

5. SONUÇLAR VE ÖNERİLER Evren TURHAN

107

5. SONUÇLAR VE ÖNERİLER

Akarsu üzerindeki yapılar ve uygulamalar tasarlanırken ve projelendirilirken

akarsuyun akım tahmini büyük önem taşır. Projelerin oluşturulması ve uygulama

aşamalarındaki yatırım maliyetleri akım tahmini hususunun ne kadar önemli

olduğunu göstermektedir.

Akımın belirlenmesi özellikle taşkın kontrolü, suyun kullanımı, işletilmesi,

yerleşim yerlerinin tespiti ve enerji üretimi gibi birçok açıdan da büyük öneme

sahiptir. Tahmin sürecinde akımı etkileyen faktörlerin de iyi bilinmesi akımın daha

doğru tahmin edilebilmesini sağlamaktadır. Bu faktörler havzaya düşen yağış

miktarı, sıcaklık, havza genişliği, yer altı suları ve kaynakları, havza çevresindeki

dağlarda meydana gelen buzullar, havza çevresindeki bitki örtüsü ve de havza

tabakasının geçirimliliği olarak sıralanabilmektedir. Bu çalışmada YSA metodu ile

akımı etkileyen faktörlerden olan yağış parametresi ve akım değerleri kullanılmıştr.

Çalışma yağış ve akım verilerinin girdi olarak kabul edildiği, bir önceki zaman akım

verilerinden yararlanılarak gelecekteki akım verilerinin tahmini üzerine

yoğunlaştırılmıştır. Eksik olan yağış ve akım verileri komşu istasyonların verilerinin

ortalamaları alınmak sureti ile türetilmiştir. YSA yöntemi ile tahmin edilen akım

değerleri ÇDR yöntemi ile karşılaştırılmış ve genelde YSA yönteminin ÇDR

yöntemine göre daha iyi sonuçlar verdiği görülmüştür.

Yapılan çalışma yağış ve akım verilerini girdi olarak alan bir yağış-akış

modelinin oluşturulması ve bu modelin Seyhan Havzası’nda uygulanması

şeklindedir. Çalışmada şu aşamalar izlenmiştir;

• İlgili literatürler gözden geçirilerek, girdi olarak havza yağışı ve akım

verilerine gerek duyan bir yağış-akış modelinin kurulması,

• Bu modelin matematiksel kısmı belirlenerek gerekli hesaplamaları

yapacak bilgisayar programının seçilmesi (MATLAB) ve program alt

yapısının oluşturulması,

• Kurulan modelin, Seyhan Havzası ortalama akım verilerine uyarlanması

ve uyarlama sonuçlarının başarı düzeylerinin belirlenmesi,


108

• Uyarlanmış modelin, uyarlama için kullanılmayan veriler ile test edilerek

‘’ölçülmemiş değerlerin’’ tahminindeki başarısının sınanmasıdır.

• Sonucunda daha basit bir yöntem olan ÇDR yöntemi ile tahmin

değerlerinin mukayese edilmesidir.

Seyhan Havzası’nın gelecekteki akım tahmininin ele alındığı bu çalışmada,

havzada bulunan 13 AGİ’ye ait akım değerleri uyumluluk gösteren YAGİ değerleri

ile birlikte İBGYSA metodu kullanılarak tahmin edilmeye çalışılmıştır. Çalışmada

her bir AGİ için altı ve daha fazla sayıda farklı model ile denemeler yapılmış olup,

yaklaşık 120 simülasyon sonuçları elde edilmiştir.

Birinci modellemede belirlenmiş AGİ ile uyumluluk gösteren YAGİ’nin her

biri için tek tek denemeler yapılmış ve belli zaman aralığındaki aylık yağış verileri ve

tahmin edilmeye çalışılan zamandan bir önceki aylık akım verisi girdi olarak ele

alınmıştır. İBGYSA mimarisinde aynı YAGİ’ye ait 2 yağış verisi ve önceki akım

verisi girdi olarak eklenmiştir. Sonuçta çıktı olarak gelecekteki akım değeri elde

edilmeye çalışılmıştır. Tüm modelleme çalışmalarında girdi olarak verilen değerlerin

bir kısmı eğitim aşamasında kullanılmış olup, bu oran toplam verinin %80’i olarak

düşünülmüştür. Kalan kısmı yani %20’lik veri ise test aşamasında sınanmıştır. İkinci,

üçüncü ve dördüncü modellemelerde programa verilen yağış verisi sayısı sadece

arttırılmış ve İBGYSA mimarisinde aynı YAGİ’ye ait sırasıyla 3,4,5 yağış verisi ve

önceki akım verisi girdi olarak eklenmiştir. Beşinci modellemede aynı AGİ için iki

farklı YAGİ verileri girdi olarak ele alınmış, girdi olarak 2 yağış verisi ve bir önceki

zaman akım verisi girdi olarak belirlenmiştir. Altıncı modellemede iki farklı

YAGİ’nin yağış verileri girdi olarak düşünülmüş, 4 yağış verisi ve bir önceki zaman

akım verisi girdi olarak kabul edilmiştir. Altıdan fazla olan

(yedinci,sekizinci,dokuzuncu,onuncu,onbirinci) modellemelerde aynı AGİ için üç

farklı YAGİ’nin yağış verileri kombinasyon şeklinde ele alınmış olup, altıncı

modellemeye benzer şekilde YSA mimarisi oluşturulmuştur. Herhangi bir sistemin

İBGYSA’ya öğretilmesi işleminde ağın eğitimi esnasında sistemden seçilmiş veriler

ağa sunulmaktadır. Seçilen örnekler dahilinde eğitilen İBGYSA aynı sistem

içerisinde alınan ‘’farklı örneklerle’’ test edilmekte ve test işlemi istenen sonuçlara


109

yakınsıyorsa ağ başarılı olarak kabul edilmektedir. YSA’dan beklenilen

mükemmellikten ziyade en iyi yakınsamadır. Aslında ağın istenilen başarı düzeyini

yakalayamamasındaki en büyük sebeplerden birisi YSA’ya gösterilen eğitim

verilerinin sistemi ne kadar temsil edip etmediğidir. Sonuçlar grafiklerle

desteklenmiş ve İBGYSA’dan elde edilmiş olan modelleme sonuçlarındaki R2’nin en

büyük ve Ortalama Mutlak Göreceli Hata (OMGH) değerinin en küçük olduğu

modelleme baz alınarak ÇDR yöntemi ile karşılaştırılmış ve gelecekteki akım

tahmini açısından güvenilirliliği test edilmeye çalışılmıştır.

Yapılan çalışma neticesinde yağış-akış modelinin Seyhan Havzası’na

uygulanmasının başarılı olduğu düşünülmekte, geliştirilmiş tüm modellemeler ele

alındığında İBGYSA metodunun akım tahmin problemlerinde kolaylıkla

kullanılabileceği görülmüştür.

Bu çalışmanın ortaya koyduğu genel sonuçlar aşağıdaki şekilde özetlenebilir;

• Seyhan Havzası’na ait öncelikle gerekli hidrolojik verileri içeren bir veri

tabanı oluşturmak gerekli, aynı zamanda yeterli ve güvenilir verilerin

bulunması zorunlu olmaktadır.

• Geçmiş yıllara ait eksik verilerin ölçülebilmesinin söz konusu olmadığı

düşünüldüğünde bu verilerin geçerli yöntemlerle türetilmesi gerekmektedir.

• En iyi sonuçları elde etmek açısından çok sayıda deneme yapılması

gerekmektedir.

• Yapılan çalışmada kullanılan girdi verileri haricinde yeni girdiler kullanılarak

oluşturulacak modellemeler daha anlamlı olabilecekken veri girişi açısından

yaşanan güçlükler bunu mümkün kılmamış yine de eldeki verilerle başarılı

denebilecek bir uygulama gerçekleştirilmiştir.

• Yağış verilerinin girdi olarak arttırılmasının modellemelerin başarısında

büyük etmen olduğu ve bir önceki zaman akım verilerinin de sayısının girdi

olarak arttırılmasının başarı düzeyini olumlu düzeyde etkileyeceği

düşünülmektedir.


110

• Girdi verilerinde yapılan değişikliklere rağmen ölçülmemiş akım değerlerinde

istenilen sonuçların elde edilememesi, girdi verilerinde hidrolojik süreci

etkileyen daha farklı değişkenlerin (sıcaklık, buharlaşma, nem, bitki örtüsü,

toprak yapısı,…vs. gibi) ilave edilmesi sonucunu doğurmaktadır.

• Modellemelere etki eden parametrelere ve model denemelerinden elde edilen

sonuçlara bakıldığında; İBGYSA model sonuçlarının her ne kadar arzu edilen

yüksek başarı düzeyini yakalayamadığı düşünülse de tatmin edilebilecek

sonuçlara ulaşıldığı düşünülmektedir.

• Elde edilen İBGYSA sonuçları genelde ÇDR yöntemi ile elde edilen

sonuçlara göre daha başarılı bulunmuştur.

İlerleyen dönemlerde modelleme ile ilgili girdilerdeki gerçek değişmelerin ne

ölçüde sonucu etkilediği yani duyarlılık düzeyinin belirlenebileceği ve girdilerdeki

farklı faktörlerin başarı düzeyini ne ölçüde yükseltebileceğine yönelik çalışmalar

yapılabilir.

Sonuç olarak; mevcut metotlara göre alternatif olarak geliştirilen gelecekteki

akım tahmin modeli olan YSA’nın ölçümün yapılamadığı, akım verilerinin eksik

olduğu problemlerde akım tahminleri aşamasında rahatlıkla kullanılabileceği

görülmüştür. Seyhan Havzası’nda geliştirilen yağış-akış modeli su kaynaklarının

doğru ve sürdürülebilir işletilmesi konusunda gerek duyulan karar süreçlerinde belirli

kolaylıkları sağlayacağı açıktır. Modelde kolay iki temel girdi olan yağış ve akım

verilerinin kullanılması yanında geliştirilmeye açık bir yapısının olması başarı

seviyesini daha çok arttıracaktır. Yapılacak girdi eklemeleri ile modelin eksik yanları

görülecek ve gerekli değişikliklerle geliştirme olanağı oluşacaktır.

111

KAYNAKLAR

ACİ, M., 2006, Yapay Sinir Ağları ile Hidrolojik Modelleme, Manisa, 85s.

ALP, M. ; CIĞIZOĞLU, H.K., Farklı Yapay Sinir Ağları Metotları ile Yağış-Akış

İlişkisinin Modellenmesi, İTÜ Dergisi/d Cilt:3, Sayı:1, 80-88s.,İstanbul,

2004.

BAŞBUĞ, R., 1994, Yapay Sinir Ağları, Byte, s.167, Şubat 1994.

BAYAZIT, M., AVCI, İ. , 1997, Water Resources of Turkey: Potential, Planning,

and Development, International Journal of Water Resources, 13(4): 443-452.

BAYAZIT, M. ; AVCI, İ.; ŞEN, Z., Hidroloji Uygulamaları, İTÜ Rektörlüğü Sayı:

1586, ISBN 975-561-102-9, 286s., İstanbul, 1997.

BAYAZIT, M., 1998;2003, Hidrolojik Modeller, İTÜ İnşaat Fakültesi, İstanbul.

BOSE,N.K.;LIANG, P.,1996, Nueral Networks,New York.

CHEN, S. ve BILLINGS, S.A. 1992 ‘’Neural Networks for Nonlinear Dynamic

System Modelling and Identification, ‘’Int. J. Control, 56(2): 319-346.

CHIANG, Y. ; CHANG, L. ; CHANG, F. , Comparison of Static-Feedforward and

Dynamic-Feedback Neural Networks for Rainfall Runoff Modelling, Journal

of Hidrology, 290, 297-311s. , Taiwan, 2004.

COB, 2011, Seyhan Havzası Koruma Eylem Planı, TÜBİTAK, Ankara.

ÇEVRE VE ORMAN BAKANLIĞI (cevreorman.gov.tr).

DAWSON, C.W. and WILBY R.L., 2001, Hydrological Modelling Using Artificial

Neural Networks, Progress in Physical Geography, 25, 1pp, 80-108, USA.

DEVLET METEOROLOJİ İŞLERİ (http://www.dmi.gov.tr)

DEVLET SU İŞLERİ (http:// www.dsi.gov.tr)

DE WILDE, P. , Neural Network Models, Seconded., Springer, London, 1p, 53-61,

1997.

EBERHART and DOBBINS, 1990, "Neural Networks for PC Tools".

EFE, Ö.M. ve KAYNAK, O., 2000, Yapay Sinir Ağları ve Uygulamaları, Boğaziçi

Üniversitesi Yayınları.

EKŞİ, Ö. İnternet sayfası (http://www.omereksi.com/?p=30)

ERDEMGİL, M.N., 1995, Su Getirme, Bilim Yayınları, Ankara.

112

ERGEZER, H..; DİKMEN, M. ve ÖZDEMİR, E., 2003, Yapay Sinir Ağları ve

Tanıma Sistemleri, PIVOLKA, 2161, 14-17.

EİE (Elektrik İşleri Etüd İdaresi) eie.gov.tr

GA WATER USGS (http://www.ga.water.usgs.gov.tr)

GÜMÜŞ, V. ; KAVŞUT, M.E.; YENİGÜN K., 2010, Yağış-Akış İlişkisinin

Modellenmesinde YSA Kullanımının Değerlendirilmesi: Orta Fırat Havzası

Uygulaması (TOPRAK, Z.F.; BEDİRHANOĞLU, İ.; ŞEN,Z.,Editörler), 14-

16 Ekim 2010, Diyarbakır, s.1291-1301.

HEBB, D.O., 1949, The Organization of Behaviour, John Wileysons, New York.

HOPFIELD, J.J., 1982, Neural Networks and Physicial Systems WAH Emergent

Collective Computational Abilities, Proc. Nat. Acad.Sci, 79: 2554-2558s.

HSU, K., Grupta H.V. ve Soraoshian, S., 1995, ‘’Artificial Neural Network

Modelling of the Rainfall-Runoff Process’’,Water Resources Research, 31,

2517-2530s.

KAYNAR, O.,2010, Ham petrol fiyatlarının YSA ile tahmini,Stutgart.

KINGSTON, G.B.; LAMBERT, M.F.; and MAIER, H.R., Development of

Stochastic Artificial Neural Networks for Hydrological Prediction, MODSIM

2003 Congress, Townsville, Australia, July 14-17, Vol.2 , 837-842, 2003.

KİŞİ, Ö.,2003, Akarsularda Eğim Azaltma Algoritması ile YSA Akış Tahmini.

KOHONEN, T. , ‘’An Introduction to Neural Computing’’, Neural Networks, V:1

p.4, 1988.

MAIER, H.R. ve DANDY, G.G., 2001, ‘’ Neural Network Based Modelling of

Environmental Variables’’, In: A Systematic Approach,33, 669-682s.

MC CULLOCH, W.; PITTS S.W., 1943, A logical calculus of the ideas immanent in

nerveus activity, Bull. Math. Biophysics, Vol.5, pp 115-133.

MÜFTÜOĞLU, R.F., 1991b, Yağış-Akış Modelleri, Hidrolik Analiz ve Tasarım,

İTÜ İnşaat Fakültesi Hidrolik Anabilim Dalı, İstanbul.

OĞUL, E., 2006, Yağış-Akış İlişkisinin Yapay Sinir Ağı Yöntemleriyle

Modellenmesi: Kurukavak Havzası Uygulaması, Eskişehir, 68s.

113

OKKAN, U. ; MAHMUTOĞLU, A., 2010, Yiğitler Çayı Günlük Akımlarının Yapay

Sinir Ağları ile Regresyon Analizi ile Modellenmesi, Dumlupınar

Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23: 33-48s.

ÖCAL, O., 2007, Yapay Sinir Ağları Algoritması kullanılarak Akarsu Havzalarında

Yağış-Akış-Katı Madde İlişkisinin belirlenmesi, Denizli, 108s.

ÖNAL, S., 2009, Yapay Sinir Ağları Metodu ile Kızılırmak Nehri’nin Akım

Tahmini, Isparta, 129s.

ÖZGÜLBAŞ, O.,2010, Seyhan Nehri Genel Bir Görünümü.

ÖZTEMEL, E., 2003, Yapay Sinir Ağları, Papatya Yayıncılık Eğitim Bilgisayar

sistemleri San. Ve tic. A.Ş., İstanbul.

ÖZTOPAL, A., ve ark., 2009, Cilt:8, Sayı:1, Kısa Vadeli Yağış Modellemesi için

YSA Yaklaşımı.

ROBERT, S. and PATTERN, J. , 1992, Recognition: Statical, Structural and Neural

Approaches, John Wiley&Sons, inc., New York, p222-223, 1992.

ROSENBLATT, F., 1959, Principle of Neurodynamics, Spartan Books, New York.

SCHALKOFF, R.J.,1997, Neural Networks, New York.

SARAÇ, T., 2004, Yapay Sinir Ağları Seminer Projesi, Gazi Üniversitesi Endüstri

Mühendisliği Bölümü, Ankara, 75s.

SHERMAN, L.K., Streamflow Rainfall by the Unit Graph Method, Eng. News Rec.,

108, 501-505s., 1932.

ŞAHİN, M., 2007, Karadeniz Bölgesindeki Yağış-Akış İlişkisinin Farklı Yapay Sinir

Ağları Metotlarıyla Belirlenmesi, İTÜ Fen Bilimleri Enstitüsü, 98s.

ŞEN, Z.; SÖNMEZ, İ., Yapay Sinir Ağları ile Hidrolojik Benzetim ve Tahmin

Yöntemi, II.Ulusal Hidroloji Kongresi, 254-265s,, İstanbul, 1998.

ŞEN, Z., 2002, Su Bilimi Hidrolojinin Temel Konuları, Su Vakfı Yayınları, 1s,

İstanbul.

ŞEN, Z., 2004, Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları.

TÜRKER, C., 2003, Kavramsal bir Yağış-Akış Modelinin Geliştirilmesi ve Eğirdir

Gölü Havzasında Uygulanması, Isparta, 114s.

VARBAK internet sayfası, (http://www.varbak.com/akdeniz-b%C3%B61gesindeki-

barajlar/7)

114

VARBAK internet sayfası, (http://www.varbak.com/resmi/%C3%A7atalan-

baraj%C4%B1-ve-k%C3%B6pr%C3%BCs%C3%BC)

VURAL,M.,2007, Yapay Sinir Ağları ile Finansal Tahmin,Ankara.

WIDROW, B.; HOFF, M.,1960, Adaptive switching circuits, IRE WESCON

Convention Record, 4: 96-104s.

WOWTURKEY internet sayfası,

(http://wowturkey.com/forum/viewtopic.php?t=42974)

YAPAY SİNİR AĞLARI internet sayfası, (http://yapay-sinir-aglari.uzerine.com/)

YARAR, A., 2004, Beyşehir Gölü Su Seviyesi Değişimlerinin Yapay Sinir Ağları ile

belirlenmesi, Konya, 109s.

YAŞAR, M., 2004, Günlük Akışlardaki Boşlukların Yapay Sinir Ağları kullanılarak

tamamlanması, Denizli, 112s.

YURTOĞLU,H.,2005, An Aplication of Neural Networks Applied on Whether

Quality of Sivas, Sivas.

115

ÖZGEÇMİŞ

06/01/1980 yılında Adana’da doğdu. İlk, orta ve lise öğrenimini Adana’da

tamamladı. 1999 yılında başladığı Çukurova Üniversitesi Mühendislik-Mimarlık

Fakültesi İnşaat Mühendisliği Bölümü’nden 2004 yılında mezun oldu ve aynı yıl

Fen Bilimleri Enstitüsü Matematik alanında tezsiz yüksek lisansa başladı ve 2005

yılında tamamladı. 2008 yılında Fen Bilimleri Enstitüsü İnşaat Mühendisliği

Bölümü Anabilim Dalında tezli yüksek lisansa başlamış olup, halen eğitimine

devam etmektedir.

Documents

ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ YÜKSEK ... · BP : Geri Yayılım BMP : Momentumlu Geri Yayılım Algoritması LMS : En Küçük Ortalamalı Kareler . XI