Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
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
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
SEYHAN HAVZASININ YAĞIŞ-AKIŞ İLİŞKİSİNİN YAPAY SİNİR AĞLARI
YÖNTEMİ İLE MODELLENMESİ
Evren TURHAN
YÜKSEK LİSANS TEZİ
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
YÜKSEK LİSANS TEZİ
SEYHAN HAVZASI YAĞIŞ-AKIŞ İLİŞKİSİNİN YAPAY SİNİR AĞLARI YÖNTEMİ İLE MODELLENMESİ
Evren TURHAN
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
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.
1.GİRİŞ Evren TURHAN
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).
1.GİRİŞ Evren TURHAN
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
1.GİRİŞ Evren TURHAN
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.)
1.GİRİŞ Evren TURHAN
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.
1.GİRİŞ Evren TURHAN
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,
1.GİRİŞ Evren TURHAN
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
1.GİRİŞ Evren TURHAN
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)
1.GİRİŞ Evren TURHAN
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.
1.GİRİŞ Evren TURHAN
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.
2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN
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.
2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN
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
2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN
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
2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN
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
2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN
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
2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN
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.
2. ÖNCEKİ ÇALIŞMALAR Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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)
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
30
Şekil 3.7.Havzanın Fiziki Haritası (SHKEP, 2011)
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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)
3. MATERYAL VE METOD Evren TURHAN
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)
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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)
3. MATERYAL VE METOD Evren TURHAN
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)
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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
Yıllık Yağış Ortalaması
(mm)
Toplam Su
Potansiyeli (hm3/ yıl)
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.
3. MATERYAL VE METOD Evren TURHAN
42
Çizelge 3.9. Niğde 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)
357
1.158
764
394
Şekil 3.17.Seyhan Havza Alanı ve Sınırları (COB, 2008).
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
47
Şekil 3.21.Seyhan Havzası Hidroloji Haritası (COB, 2008)
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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).
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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)
3. MATERYAL VE METOD Evren TURHAN
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.)
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.)
3. MATERYAL VE METOD Evren TURHAN
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
3. MATERYAL VE METOD Evren TURHAN
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.
3. MATERYAL VE METOD Evren TURHAN
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)
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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)
Ara tabaka sayısı: En iyi çözüme göre belirlenecek sayıdır.
Çıkış verisi: (Qt)
Deneme-3 Giriş verileri: (Pt,Pt-1,Pt-2,Pt-3,Qt-1)
Ara tabaka sayısı: En iyi çözüme göre belirlenecek sayıdır.
Çıkış verisi: (Qt)
Deneme-4 Giriş verileri: (Pt,Pt-1,Pt-2,Pt-3,Pt-4,Qt-1)
Ara tabaka sayısı: En iyi çözüme göre belirlenecek sayıdır.
Çıkış verisi: (Qt)
İki farklı YAGİ için;
Deneme-5 Giriş verileri: (P1,P2,Qt-1)
Ara tabaka sayısı: En iyi çözüme göre belirlenecek sayıdır.
Çıkış verisi: (Qt)
Deneme-6 Giriş verileri: (P1,P1(t-1),P2,P2(t-1),Qt-1)
Ara tabaka sayısı: En iyi çözüme göre belirlenecek sayıdır.
Çıkış verisi: (Qt)
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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.
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
88
4.4.2. 1805 AGİ- Feke ve Karsantı YAGİ Modelleme Sonucu
1805 nolu istasyon için 2 YAGİ belirlenmiş olup; bunlar Feke ve Karsantı
istasyonlarıdır. Bire-bir yapılan eşleşmede 1805 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-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.
YSA ile yapılan modelleme SPSS programı sonucu elde edilen ÇDR
değerleri ile karşılaştırılmıştır.
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
90
0 20 40 60 80 100 120 140 160 18020
40
60
80
100
120
140
160
Gözlenen Akım Değerleri
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
1805 AGİ-Feke ÇDR Test
ÇDR Test
y=x
Şekil 4.8. 1805 AGİ-Feke Deneme-3 ÇDR Test Saçılma Grafiği
4. BULGULAR VE TARTIŞMA Evren TURHAN
91
4.4.3. 1806 AGİ- Feke ve Karsantı YAGİ Modelleme Sonucu
1806 nolu istasyon için 2 YAGİ belirlenmiş olup; bunlar Feke ve Karsantı
istasyonlarıdır. Bire-bir yapılan eşleşmede 1806 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 Karsantı 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) 1964-1975 yılları arası seçilmiş ve 114 veri eğitim aşamasında, 30 veri ise
test aşamasında sınanmıştır.
YSA ile yapılan modelleme SPSS programı sonucu elde edilen ÇDR
değerleri ile karşılaştırılmıştır.
Çizelge 4.4.’te 1806 AGİ-Karsantı YAGİ için YSA ve ÇDR ile hesaplanan
R2 Karşılaştırma ve Ortalama Mutlak Göreceli Hata (OMGH) Çizelgesi yer
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
93
20 30 40 50 60 70 80 90 100 11050
60
70
80
90
100
110
120
130
140
Gözlenen Akım Değerleri
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
YAGİ’nin de uyumluluk göstermekte olduğu belirlendiğinden, Deneme-1;
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
yağış verisi, 1 önceki akım verisi, 3 ara tabaka sayısı, 1 de çıkış verisini içeren
YSA(5,3,1) mimarisinin tahmin düzeyi yüksek sonuç verdiği görülmüştür. Zaman
aralığı (t) 1974-1986 yılları arası seçilmiş ve 124 veri eğitim aşamasında, 32 veri ise
test aşamasında sınanmıştır.
YSA ile yapılan modelleme SPSS programı sonucu elde edilen ÇDR
değerleri ile karşılaştırılmıştır.
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
95
Test aşamasındaki YSA ve ÇDR akım tahmin ve saçılma grafikleri
Şekil 4.12. , Şekil 4.13. ve Şekil 4.14.’te verilmektedir.
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
96
0 5 10 15 20 25 30 355
10
15
20
25
30
35
Gözlenen Akım Değerleri
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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
oluşturulmuş ve MATLAB programında eğitim ve test aşamasında denenmiştir.
Modelleme sonucunda, Deneme-2’nin yani sadece Tufanbeyli YAGİ’ye ait 3
yağış verisi, 1 önceki akım verisi, 7 ara tabaka sayısı, 1 de çıkış verisini içeren
YSA(4,7,1) mimarisinin tahmin düzeyi yüksek sonuç verdiği görülmüştür. Zaman
aralığı (t) 1983-1995 yılları arası seçilmiş ve 124 veri eğitim aşamasında, 32 veri ise
test aşamasında sınanmıştır.
YSA ile yapılan modelleme SPSS programı sonucu elde edilen ÇDR
değerleri ile karşılaştırılmıştır.
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
98
Test aşamasındaki YSA ve ÇDR akım tahmin ve saçılma grafikleri
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
99
0 10 20 30 40 50 60 700
5
10
15
20
25
30
35
40
45
50
Gözlenen Akım Değerleri
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
100
4.4.6. 1824 AGİ- Feke-Saimbeyli YAGİ Modelleme Sonucu
1824 nolu istasyon için iki YAGİ belirlenmiş olup; bunlar Feke ve Saimbeyli
istasyonlarıdır. Bire-bir yapılan eşleşmede 1824 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
oluşturulmuş ve MATLAB programında eğitim ve test aşamasında denenmiştir.
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.
YSA ile yapılan modelleme SPSS programı sonucu elde edilen ÇDR
değerleri ile karşılaştırılmıştır.
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
101
Test aşamasındaki YSA ve ÇDR akım tahmin ve saçılma grafikleri
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
102
0 5 10 15 20 25 300
5
10
15
20
25
30
Gözlenen Akım Değerleri
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
1824 AGİ-Feke ÇDR Test
1824 AGİ-Feke ÇDR Test
ÇDR Test
y=x
Şekil 4.20. 1824 AGİ-Feke Deneme-3 ÇDR Test Saçılma Grafiği
4. BULGULAR VE TARTIŞMA Evren TURHAN
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.
YSA ile yapılan modelleme SPSS programı sonucu elde edilen ÇDR
değerleri ile karşılaştırılmıştır.
Çizelge 4.8.’de 1828 AGİ- Karaisalı YAGİ için YSA ve ÇDR ile hesaplanan
R2 Karşılaştırma ve Ortalama Mutlak Göreceli Hata (OMGH) Çizelgesi yer
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
104
Test aşamasındaki YSA ve ÇDR akım tahmin ve saçılma grafikleri
Şekil 4.21. , Şekil 4.22. ve Şekil 4.23.’te verilmektedir.
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
105
0 5 10 15 20 25 30 35 400
5
10
15
20
25
30
Gözlenen Akım Değerleri
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
4. BULGULAR VE TARTIŞMA Evren TURHAN
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,
5. SONUÇLAR VE ÖNERİLER Evren TURHAN
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
5. SONUÇLAR VE ÖNERİLER Evren TURHAN
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.
5. SONUÇLAR VE ÖNERİLER Evren TURHAN
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.