Makine öğrenmesi yöntemleri ile kuraklık analizi

Eyyup Ensar BAŞAKIN, (İstanbul Teknik Üniversitesi, İnşaat Fakültesi, İnşaat Mühendisliği Anabilim Dalı, İstanbul, Türkiye)
Ömer EKMEKCİOĞLU, (İstanbul Teknik Üniversitesi, İnşaat Fakültesi, İnşaat Mühendisliği Anabilim Dalı, İstanbul, Türkiye)
Mehmet ÖZGER (İstanbul Teknik Üniversitesi, İnşaat Fakültesi, İnşaat Mühendisliği Anabilim Dalı, İstanbul, Türkiye)
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi
4 2
Yıl: 2019 Cilt: 25 Sayı: 8 Sayfa Aralığı: 985 - 991 Metin Dili: Türkçe DOI: 10.5505/pajes.2019.34392 İndeks Tarihi: 03-07-2020

Makine öğrenmesi yöntemleri ile kuraklık analizi

Öz:
Çevresel etmenler canlı yaşamına doğrudan etki eden birçok doğal afetitetiklemektedir. Bu afetlerin en önemlilerinden biri de kuraklıktır.Kuraklığın su kaynakları üzerindeki etkisi birçok şekilde canlılarıetkilemektedir. Özellikle kuraklığın sebep olduğu, içme suyu ve tarımsalsulama amaçlı kullanılan su kaynaklarında görülen azalmalar, insanyaşamını önemli ölçüde tehdit edebilmektedir. Kuraklık diğer afetlergibi aniden ortaya çıkmadığı için, kuraklık oluşmadan önce tahminedilip gerekli önlemlerin alınabilmesi imkânı bulunmaktadır. Kuraklıkolayının belirlenebilmesi için çeşitli kuraklık indeksleri kullanılmakta vebu da kuraklığı tahmin edebilme imkânı sunmaktadır. Zaman içerisindebüyük değişiklikler gösteren kuraklık indekslerinin tahmini için birçokaraştırma yapılmıştır. Bu çalışmada Kayseri iline ait 116 yıllık PalmerKuraklık Şiddet İndeksi (PDSI - Palmer Drought Severity Index)değerleri, makine öğrenmesi yöntemleri kullanılarak modellenmiş olup,bir, üç ve altı ay sonraki kuraklık değerleri tahmin edilmiştir. Destekvektör makineleri (SVM) ve K-en yakın komşuluk (KNN) algoritmalarıkullanılarak oluşturulan modeller ile yapılan tahminlerin başarı oranıistatistiksel olarak değerlendirilmiştir. Yapılan bu çalışma göstermiştirki, makine öğrenmesi yöntemleri kuraklık problemlerin çözümüneönemli ölçüde katkı sağlamaktadır.
Anahtar Kelime:

Drought analysis with machine learning methods

Öz:
Environmental factors, which directly affect the living beings cause the formation of many natural disasters. One of the most important of these disasters is drought. The effect of the drought on the water resources also affects many things in the way of living life. From the point of human life, diminution in water resources, may pose a significant threat. Drought does not appear suddenly, hence it is possible to predict and take necessary measures before it exists. In order to predict the drought, various drought indices are used to determine the drought phenomenon. A great deal of research has been made to estimate the drought values that have changed dramatically so far. In this study, the 116 - year Palmer Drought Severity Index (PDSI) values of Kayseri province were modeled using machine learning methods in order to predict future PDSI values. In this context, one, three and six months period of drought values were predicted. The success rate of the predictions constructed using support vector machines (SVM) and Knearest neighbors (KNN) algorithms was evaluated statistically. This study indicates that machine learning methods provide a significant contribution to the solution of hydrological problems.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] Wilhite DA, Glantz MH. “Understanding the Drought Phenomenon: the role of definitions”. Water International, 10(3), 111-120, 1985.
  • [2] Cutore P. “Forecasting Palmer index using neural networks and climatic indexes”. Journal of Hydrologic Engineering, 6(14), 585-595, 2009.
  • [3] Kim TW, Valdes JB. “Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks”. Journal of Hydrologic Engineering, 8(6), 319-328, 2003.
  • [4] Belayneh A, Adamowski C, Khalil B, Quilty J. “Coupling machine learning methods with wavelet transforms and the bootstrap and boosting ensemble approaches for drought prediction”. Atmospheric Research, 172, 37-47, 2016.
  • [5] Belayneh A, Adamowski J. “Drought forecasting using new machine learning methods”. Journal Of Water And Land Development, 18, 3-12, 2013.
  • [6] Özger M, Mishra AK, Singh VP. “Long lead time drought forecasting using a wavelet and fuzzy logic combination model: a case study in Texas”. Journal Of Hydrometeorology, 13, 284-297, 2012.
  • [7] Ma X, Zhong Q. “Missing value imputation method for disaster decision-making using k nearest neighbor”. Journal of Applied Statistics, 43(4), 767-781, 2016.
  • [8] Özger M, Mishra AK, Singh VP. “Estimating palmer drought severity index using a wavelet fuzzy logic model based on meteorological variables”. Internatıonal Journal of Climatology, 31, 2021-2032, 2011.
  • [9] Mokhtarzad M, Eskandari F, Jamshidi Vanjani N. “Drought forecasting by ANN, ANFIS, and SVM and comparison of the models”. Environtal Earth Science 76, 729, 2017.
  • [10] Ganguli P, Reddy M. “Ensemble prediction of regional droughts using climate inputs and the SVM-copula approach”. Hydrological Processes, 28, 4989- 5009, 2014.
  • [11] El Ibrahimi A, Baali A. “Application of several artificial intelligence models for forecasting meteorological drought using the standardized precipitation index in the saïss plain (Northern Morocco)”. International Journal of Intelligent Engineering and Systems, 11, 267-275, 2018.
  • [12] Palmer WC. Meteorological Drought. Research Paper No. 45, U.S. Weather Bureau, Washington, D.C. 1995.
  • [13] Cortes C, Vapnik V. “Support-Vector networks”. Machine Learning, 20(3), 273-297, 1995.
  • [14] Yiğiter ŞY, Sarı SS, Karabulut T, Başakın EE. "Kira sertifikasi fiyat değerlerinin makine öğrenmesi metodu ile tahmini ". International Journal of Islamic Economics and Finance Studies, 4, 74-82, 2018.
  • [15] Serroukh, A, Walden AT, Percival CB. "Statistical properties and uses of the wavelet variance estimator for the scale analysis of time series". Journal of the American Statistical Association, 95(449), 184-196, 2000.
  • [16] Kayseri İli Tarımsal Yatırım Rehberi, T.C. Gıda Tarım ve Hayvancılık Bakanlığı Strateji Geliştirme Başkanlığı, 2018.
  • [17] Wells N, Goddard S, Hayes MJ. “A self-calibrating Palmer Drought Severity Index”. Journal of Climate, 17, 2335-2351, 2004.
  • [18] Altunkaynak A, Başakın EE. "Zaman serileri kullanilarak nehir akim tahmini ve farkli yöntemlerle karşilaştirilması". Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11, 92-101, 2018.
  • [19] Nash JE, Sutcliffe JV. “River flow forecasting through conceptual models: Part 1. A Discussion Of Principle”. Journal of Hydrology, 10, 282-290, 1970.
APA BAŞAKIN E, EKMEKCİOĞLU Ö, Ozger M (2019). Makine öğrenmesi yöntemleri ile kuraklık analizi. , 985 - 991. 10.5505/pajes.2019.34392
Chicago BAŞAKIN EYYUP ENSAR,EKMEKCİOĞLU ÖMER,Ozger Mehmet Makine öğrenmesi yöntemleri ile kuraklık analizi. (2019): 985 - 991. 10.5505/pajes.2019.34392
MLA BAŞAKIN EYYUP ENSAR,EKMEKCİOĞLU ÖMER,Ozger Mehmet Makine öğrenmesi yöntemleri ile kuraklık analizi. , 2019, ss.985 - 991. 10.5505/pajes.2019.34392
AMA BAŞAKIN E,EKMEKCİOĞLU Ö,Ozger M Makine öğrenmesi yöntemleri ile kuraklık analizi. . 2019; 985 - 991. 10.5505/pajes.2019.34392
Vancouver BAŞAKIN E,EKMEKCİOĞLU Ö,Ozger M Makine öğrenmesi yöntemleri ile kuraklık analizi. . 2019; 985 - 991. 10.5505/pajes.2019.34392
IEEE BAŞAKIN E,EKMEKCİOĞLU Ö,Ozger M "Makine öğrenmesi yöntemleri ile kuraklık analizi." , ss.985 - 991, 2019. 10.5505/pajes.2019.34392
ISNAD BAŞAKIN, EYYUP ENSAR vd. "Makine öğrenmesi yöntemleri ile kuraklık analizi". (2019), 985-991. https://doi.org/10.5505/pajes.2019.34392
APA BAŞAKIN E, EKMEKCİOĞLU Ö, Ozger M (2019). Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(8), 985 - 991. 10.5505/pajes.2019.34392
Chicago BAŞAKIN EYYUP ENSAR,EKMEKCİOĞLU ÖMER,Ozger Mehmet Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 25, no.8 (2019): 985 - 991. 10.5505/pajes.2019.34392
MLA BAŞAKIN EYYUP ENSAR,EKMEKCİOĞLU ÖMER,Ozger Mehmet Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol.25, no.8, 2019, ss.985 - 991. 10.5505/pajes.2019.34392
AMA BAŞAKIN E,EKMEKCİOĞLU Ö,Ozger M Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 25(8): 985 - 991. 10.5505/pajes.2019.34392
Vancouver BAŞAKIN E,EKMEKCİOĞLU Ö,Ozger M Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi. 2019; 25(8): 985 - 991. 10.5505/pajes.2019.34392
IEEE BAŞAKIN E,EKMEKCİOĞLU Ö,Ozger M "Makine öğrenmesi yöntemleri ile kuraklık analizi." Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25, ss.985 - 991, 2019. 10.5505/pajes.2019.34392
ISNAD BAŞAKIN, EYYUP ENSAR vd. "Makine öğrenmesi yöntemleri ile kuraklık analizi". Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 25/8 (2019), 985-991. https://doi.org/10.5505/pajes.2019.34392
Sayfa Oluşturulma Tarihi
23-04-2024 12:31

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları