Sera Deresi Havzasında (Trabzon) Askıda Katı Madde Tahmini


METE B., NACAR S., BAYRAM A., BAKİ O. T.

11. Ulusal Hidroloji Kongresi, Trabzon, Turkey, 13 October 2022

  • Publication Type: Conference Paper / Full Text
  • City: Trabzon
  • Country: Turkey
  • Karadeniz Technical University Affiliated: Yes

Abstract

In this study, the ability to estimate of total suspended solids (TSS) concentration was investigated using the regression and artificial neural networks (ANN) methods. Four different functions, i.e., linear, power, exponential, and quadratic, were applied in the regression analysis, and the multi-layer network architecture was used in the ANN method. The TSS data were obtained from eight sediment monitoring stations selected in the Sera Stream Watershed, Trabzon Province, during the sampling studies carried out four times a month between June 2019 and March 2020. The values for the four stations located downstream were estimated using the TSS data for the four stations located upstream. Two input combinations were established using the digitized month and day information belonging to the sampling dates in addition to the TSS concentrations for the estimation models. The data were divided into three data sets, training (two stations), validation (one station), and testing (one station). Root mean square error, mean absolute error, and Nash-Sutcliffe efficiency coefficient (NSEC) statistics were used to determine the model performances. The best estimation results were obtained from the exponential function (EF) in the regression analysis, and also the ANN method yielded better results than the EF. In both methods, higher performance values were obtained from the Model 2, in which the month and day variables were included in the TSS variable. The NSEC values, which were obtained from the EF and ANN methods for the Model 2, were calculated as 0.751 and 0.956 for the training data set, and 0.966 and 0.984 for the testing data set, respectively. This shows that the information on the sampling dates positively affects the model performance. The Pearson correlation coefficients were calculated as 0.990 and 0.994, respectively, between the measurement data and the estimated values for the EF and ANN methods in the testing data set for the Model 2. It was concluded that the downstream concentrations can be estimated with high accuracy based on the upstream concentrations in stream watersheds.

Bu çalışmada askıda katı madde (AKM) konsantrasyonunun regresyon ve yapay sinir ağları (YSA) yöntemleriyle tahmin edilebilirliği araştırılmıştır. Regresyon analizinde lineer, üstel, eksponansiyel ve kuadratik olmak üzere dört fonksiyon, YSA yönteminde ise çok katmanlı ağ mimarisi kullanılmıştır. Tahmin çalışmaları Sera Deresi Havzası’nda (Trabzon) seçilen sekiz sediment gözlem istasyonunda, Haziran 2019-Mart 2020 döneminde ayda dört kez gerçekleştirilen örnekleme çalışmaları kapsamında elde edilen AKM verileri ile gerçekleştirilmiştir. Membada yer alan dört istasyona ait veriler kullanılarak mansapta kalan dört istasyona ait değerler tahmin edilmiştir. Tahmin çalışmalarında AKM konsantrasyonlarının yanı sıra örnekleme tarihlerine ait ay ve gün bilgileri de sayısallaştırılmış ve girdi değişkeni olarak kullanılmış ve böylece iki farklı model oluşturulmuştur. Verilerin %50’si (iki istasyon) eğitim, %25’i (bir istasyon) doğrulama ve kalan %25’i (bir istasyon) test aşamasında kullanılmıştır. Model performanslarının belirlenmesinde ortalama karesel hatanın karekökü, ortalama mutlak hata ve Nash-Sutcliffe verimlilik katsayısı (NSEC) istatistikleri kullanılmıştır. En iyi tahmin sonuçları regresyon analizinde eksponansiyel fonksiyondan (EF) elde edilmiş olup YSA yönteminin EF’den de daha iyi sonuçlar verdiği tespit edilmiştir. Her iki yöntemde de ay ve gün değişkenlerinin girdi parametresi olarak dahil edildiği Model 2’den daha yüksek performans değerleri elde edilmiştir. Eğitim veri seti için NSEC değerleri sırasıyla 0.751 ve 0.956 olup test veri seti için ise 0.966 ve 0.984 olarak hesaplanmıştır. Bu durum örnekleme tarihlerine ait bilgilerin modelleme çalışmalarında kullanımının model performanslarını olumlu yönde etkileyebileceğini göstermektedir. Ölçüm verileri ile Model 2 test veri seti tahmin değerleri arasındaki Pearson korelasyon katsayıları her iki yöntem için sırasıyla 0.990 ve 0.994 olarak hesaplanmıştır. Çalışma kapsamında akarsu havzalarının memba AKM verilerinden mansap AKM değerlerinin yüksek doğrulukta tahmin edilebileceği sonucuna ulaşılmıştır.