Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini

Mustafa DEMİRCİ (İskenderun Teknik Üniversitesi, İnşaat Mühendisliği Bölümü, Hatay, Türkiye)
Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi
3 1
Yıl: 2019 Cilt: 10 Sayı: 3 Sayfa Aralığı: 1113 - 1124 Metin Dili: Türkçe DOI: 10.24012/dumf.525658 İndeks Tarihi: 06-11-2020

Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini

Öz:
Havza yönetimi ve afetlerin engellenmesi, su kaynaklarının daha verimli kullanılması ve su yapılarınıninşasının planlaması amacı ile yağış ve akış verilerinin tahmini büyük önem taşımaktadır. Bu çalışmadaAmerika Birleşik Devletleri Waltham Massachusetts'de yer alan Stony Brook rezervuarını besleyen StonyBrook nehrindeki 731 günlük yağış, akış ve sıcaklık bilgilerini içeren veriler kullanılarak modelleroluşturulmuştur. Bu veriler Destek Vektör Makineleri (SVM) ve M5 Karar Ağacı (M5T) yöntemlerinde girdiolarak kullanılmış ve yağış akış ilişkişi tahmin edilmiştir. Her iki yöntemle elde edilen sonuçlar gerçekölçüm sonuçları ile karşılaştırılmaları yapılmıştır. Bunun sonucunda M5 Karar Ağacı (M5T) modellerininakış tahmininde daha iyi performansa sahip olduğu görülmüştür.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • Asefa, T., Kemblowski, M., Lall, U., Urroz, G. (2005). Support vector machines for nonlinear state space reconstruction: Application to the Great Salt Lake time series. Water resources research, 41(12).
  • Bhattacharya, B., Solomatine, D. P. (2005). Neural networks and M5 model trees in modelling water level–discharge relationship. Neurocomputing, 63, 381-396.
  • Bray, M., Han, D. (2004). Identification of support vector machines for runoff modelling. Journal of Hydroinformatics, 6(4), 265-280.
  • Chen, H., Guo, J., Xiong, W., Guo, S., Xu, C. Y. (2010). Downscaling GCMs using the Smooth Support Vector Machine method to predict daily precipitation in the Hanjiang Basin. Advances in Atmospheric Sciences, 27(2), 274-284.
  • Cortes, C., Vapnik, V. (1995). Machine learning. Support vector networks, 20, 273-297.
  • Demirci M., Baltaci A. (2013), Prediction of suspended sediment in river using fuzzy logic and multilinear regression approaches. Neural Computing and Applications, 23(1), 145-151.
  • Demirci M., Unes F., Saydemir S. (2015a), Suspended sediment estimation using an artificial intelligence approach. Sediment Matters, Springer, 83-95.
  • Demirci M., Unes F., Aköz M.S. (2015b), Prediction of cross-shore sandbar volumes using neural network approach. Journal of Marine Science and Technology, 20(1), 171-179.
  • Demirci M., Unes F., Akoz M.S. (2016), Determination of nearshore sandbar crest depth using neural network approach. International Journal of Advanced Engineering Research and Science, 3(12), 133-140.
  • Demirci M., Tasar B., Kaya Y.Z., (2018), Estimation of Groundwater Level Fluctuations Using Neuro-Fuzzy and Support Vector Regression Models. Int. J. Adv. Eng. Res. Sci. 5, 206–211. doi:10.22161/ijaers.5.12.29
  • Demirci, M., Unes, F., Kaya, Y. Z., Tasar, B., Varcin, H. (2018). Modelıng of dam reservoir volume using adaptive neuro fuzzy method. Aerul si Apa. Componente ale Mediului, 145-152.
  • Dibike, Y. B., Velickov, S., Solomatine, D., Abbott, M. B. (2001). Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering, 15(3), 208-216.
  • Ergezer, H., Dikmen, M., Özdemir, E. (2003). Yapay sinir ağları ve tanıma sistemleri. PiVOLKA, 2(6), 14-17.
  • Fernando, D. A. K., Jayawardena, A. W. (1998). Runoff forecasting using RBF networks with OLS algorithm. Journal of hydrologic engineering, 3(3), 203-209.
  • Hamidi, N. ve Demirci, M., (2006). "Yapay Sinir Ağları ve Regresyon Teknikleri ile Botan Çayı Aylık Taşınan Sediment Miktarının Modellenmesi". Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt.21, No.1–2 (Haziran-Aralık), 193–207, Adana.
  • Hamidi, N. and Kayaalp, N., (2008). "Estimation of the Amount of Suspended Sediment in the Tigris River using Artificial Neural Networks". CLEAN-Soil, Air, Water, 36(4), 380–386.
  • Hosseini, S. M., Mahjouri, N. (2016). Integrating support vector regression and a geomorphologic artificial neural network for daily rainfall-runoff modeling. Applied Soft Computing, 38, 329-345.
  • Hsu, C. W., Chang, C. C. Lin, C. J. (2003) A practical guide to support vector classification. Tech. Report, Dept Computer Sci. & Info. Engng, National Taiwan University, Taiwan, China.
  • Hsu, K. L., Gupta, H. V., Sorooshian, S. (1995). Artificial neural network modeling of the rainfall‐runoff process. Water resources research, 31(10), 2517-2530.
  • Kaya, Y. Z., Mamak, M., Unes, F. (2016). Evapotranspiration Prediction Using M5T Data Mining Method. International Journal of Advanced Engineering Research and Science, 3(12).
  • Kaya, Y. Z., Üneş, F., Demirci, M., Taşar, B., Varçin, H. (2018). Groundwater Level Prediction Using Artificial Neural Network and M5 Tree Models. Aerul si Apa. Componente ale Mediului, 195-201.
  • Khan, M. S., Coulibaly, P. (2006). Application of support vector machine in lake water level prediction. Journal of Hydrologic Engineering, 11(3), 199-205.
  • Khalil, A. F., McKee, M., Kemblowski, M., Asefa, T., Bastidas, L. (2006). Multiobjective analysis of chaotic dynamic systems with sparse learning machines. Advances in Water Resources, 29(1), 72-88.
  • Mason, J. C., Price, R. K., Tem'Me, A. (1996). A neural network model of rainfall-runoff using radial basis functions. Journal of Hydraulic Research, 34(4), 537-548.
  • McCulloch, W. S., Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
  • Minns, A. W., Hall, M. J. (1996). Artificial neural networks as rainfall-runoff models. Hydrological sciences journal, 41(3), 399-417.
  • Nieto, P. G., Torres, J. M., Fernández, M. A., Galán, C. O. (2012). Support vector machines and neural networks used to evaluate paper manufactured using Eucalyptus globulus. Applied Mathematical Modelling, 36(12), 6137-6145.
  • Quinlan, J. R. (1992). Learning with continuous classes. In 5th Australian joint conference on artificial intelligence 92, 343-348.
  • Rao, M., Fan, G., Thomas, J., Cherian, G., Chudiwale, V., Awawdeh, M. (2007). A webbased GIS Decision Support System for managing and planning USDA's Conservation Reserve Program (CRP). Environmental Modelling & Software, 22(9), 1270-1280.
  • Sattari, M. T., Pal, M., Apaydin, H., Ozturk, F. (2013). M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey. Water Resources, 40(3), 233-242.
  • Solomatine, D. P., Xue, Y. (2004). M5 model trees and neural networks: application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering, 9(6), 491-501.
  • Tasar B., Unes F., Demirci M., Kaya Y.Z. (2018), Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. DÜMF Mühendislik Dergisi, 9(1), 543-551.
  • Tasar B., Kaya Y. Z., Varçin H., Unes F., Demirci M. (2017), Forecasting of suspended sediment in rivers using artificial neural networks approach. International Journal of Advanced Engineering Research and Science, 4(12), 79-84.
  • Tripathi, S., Srinivas, V. V., Nanjundiah, R. S. (2006). Downscaling of precipitation for climate change scenarios: a support vector machine approach. Journal of Hydrology, 330(3-4), 621- 640.
  • Turhan, E., 2012. Seyhan Havzası’nın Yağış- Akış İlişkisinin Yapay Sinir Ağları Yöntemi ile Modellenmesi, Yüksek Lisans Tezi, Adana. Unes F. (2010a), Dam reservoir level modelıng by neural network approach: a case study. Neural Network World, 4(10), 461.
  • Unes F. (2010b), Prediction of density flow plunging depth in dam reservoirs: an artificial neural network approach. Clean–Soil, Air, Water, 38(3), 296-308.
  • Unes F., Demirci M. (2015), Generalized Regression Neural Networks For Reservoir Level Modeling. International Journal of Advanced Computational Engineering and Networking, 3, 81- 84.
  • Unes F., Yildirim S., Cigizoglu H.K., Coskun H. (2013), Estimation of dam reservoir volume fluctuations using artificial neural network and support vector regression. Journal of Engineering Research, 1(3), 53-74.
  • Unes F., Demirci M., Kişi Ö. (2015), Prediction of millers ferry dam reservoir level in USA using artificial neural network. Periodica Polytechnica Civil Engineering, 59(3), 309–318.
  • Unes F., Gumuscan F.G., Demirci M. (2017), Prediction of Dam Reservoir Volume Fluctuations Using Adaptive Neuro Fuzzy Approach. EJENS, 2(1), 144-148.
  • Uneş, F., Demirci, M., Ispir, E., Kaya, Y. Z., Mamak, M., Tasar, B. (2017). Estimation of Groundwater Level Using Artificial Neural Networks: a Case Study of Hatay-Turkey. In Environmental Engineering. Proceedings of the International Conference on Environmental Engineering. ICEE (Vol. 10, pp. 1-6). Vilnius Gediminas Technical University, Department of Construction Economics & Property.
  • Uneş F., Demirci M., Mertcan Z., Taşar B., Varçin H., Ziya Y. (2018a). Determination of Groundwater Level Fluctuations by Artificial Neural Networks . Natural and Engineering Sciences, 3(3), Supplement, 35-42.
  • Uneş F., Doğan S., Taşar B., Kaya Y., Demirci M. (2018b), The Evaluation and Comparison of Daily Reference Evapotranspiration with ANN and Empirical Methods. Natural and Engineering Sciences, 3(3), Supplement, 54-64.
  • Unes F., Bölük O., Kaya Y. Z., Tasar B., Varçin H. (2018c), Estimation of Rainfall-Runoff Relationship Using Artificial Neural Network Models for Muskegon Basin. Journal of Engineering Research.
  • USGS.gov | Science for a changing world [WWW Document], n.d. URL https://www.usgs.gov/
  • Vapnik, V. The Nature of Statistical Learning Theory; Springer: New York, NY, USA, 1995.
  • Vapnik, V., Golowich, S., Smola, A. (1997) Support vector method for function approximation, regression estimation, and signal processing. In Advances in Neural Information Processing Systems; MIT Press: Cambridge, MA, USA, pp. 281–287.
  • Witten, I.H., Frank, E. (2005). Data mining: Practical machine learning tools and techniques with java implementations, Morgan Kaufmann, San Francisco, CA.
APA Demirci M (2019). Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. , 1113 - 1124. 10.24012/dumf.525658
Chicago Demirci Mustafa Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. (2019): 1113 - 1124. 10.24012/dumf.525658
MLA Demirci Mustafa Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. , 2019, ss.1113 - 1124. 10.24012/dumf.525658
AMA Demirci M Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. . 2019; 1113 - 1124. 10.24012/dumf.525658
Vancouver Demirci M Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. . 2019; 1113 - 1124. 10.24012/dumf.525658
IEEE Demirci M "Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini." , ss.1113 - 1124, 2019. 10.24012/dumf.525658
ISNAD Demirci, Mustafa. "Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini". (2019), 1113-1124. https://doi.org/10.24012/dumf.525658
APA Demirci M (2019). Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), 1113 - 1124. 10.24012/dumf.525658
Chicago Demirci Mustafa Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 10, no.3 (2019): 1113 - 1124. 10.24012/dumf.525658
MLA Demirci Mustafa Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol.10, no.3, 2019, ss.1113 - 1124. 10.24012/dumf.525658
AMA Demirci M Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2019; 10(3): 1113 - 1124. 10.24012/dumf.525658
Vancouver Demirci M Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2019; 10(3): 1113 - 1124. 10.24012/dumf.525658
IEEE Demirci M "Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini." Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10, ss.1113 - 1124, 2019. 10.24012/dumf.525658
ISNAD Demirci, Mustafa. "Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış-Akışİlişkisinin Tahmini". Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 10/3 (2019), 1113-1124. https://doi.org/10.24012/dumf.525658
Sayfa Oluşturulma Tarihi
24-04-2024 20:50

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