Professional Documents
Culture Documents
JournalofAgriculturalSciences
Tar.Bil.Der.
Dergiwebsayfas:
www.agri.ankara.edu.tr/dergi
Journalhomepage:
www.agri.ankara.edu.tr/journal
ESER BLGS
Aratrma Makalesi Doal Kaynak Ynetimi ve Peyzaj Planlama
Sorumlu Yazar: Ali Demir KESKNER, e-posta: jdemir1@hotmail.com, Tel: +90(328) 814 29 70
Geli tarihi: 18 Mays 2011, Dzeltmelerin gelii: 29 Kasm 2011, Kabul: 07 Aralk 2011
ZET
Bu almann amac; Yapay Sinir Alar (YSA) yntemini kullanarak Corafi Bilgi Sistemi (CBS) ortamnda %50
olaslkl ortalama scaklk haritasnn oluturulmas ve oklu regresyon yntemi ile elde edilmi olan %50 olaslkl
ortalama scaklklarn istasyon baznda karlatrlmasdr. alma alan olarak, 21,470.3 kmlik alana sahip
Seyhan Havzas seilmitir. almada, Devlet Meteoroloji leri Genel Mdrlne (DM) ait 45 adet
meteoroloji gzlem istasyonunun uzun yllar (1975-2006) ortalama scaklk serileri temel materyal olarak
kullanlmtr. stasyonlardan 15 yldan daha az gzlem serilerine sahip olanlar belirlenmi ve regresyon
yntemiyle seriler en az 15 yla uzatlmtr. Scaklk serileri uzatldktan sonra, frekans analizine tabi tutulmutur.
Uygun olaslk dalm modelleri, %5 nem dzeyinde Kolmogorov-Smirnov uygunluk testi ile saptanmtr.
M.Turc yntemi yzey ak kestiriminde kullanlan %50 olaslkl ortalama scaklk deeri, her bir istasyon iin
olaslk dalm modelinden kestirilmitir. Yapay sinir alar yntemi ve oklu regresyon yntemi ile tahmin
edilmi %50 olaslkl ortalama scaklk haritalar minimum hata kriterine gre karlatrlmtr. Seyhan
havzasnda; Uyarlamal Dorusal Eleman (ADALINE) modeli ile yaplan scaklk tahminlerinde 0.80 RMSE
deeri, oklu regresyon ynteminde ise 0.82 deeri elde edilmitir. Buna gre, ADALINE modelinin daha gereki
tahminler verdii sonucuna varlmtr.
Anahtar szckler: CBS; Scaklk Haritas; M.Turc Yzey Ak Yntemi; Seyhan Havzas
TARIMBLMLERDERGSJOURNALOFAGRICULTURALSCIENCES17(2011)241252
YapaySinirAlarylaCorafiBilgiSistemiOrtamndaOlaslklScaklkTahminiveKarlatrlmas,Keskineretal
probabilistic temperatures of meteorological observation stations with the one produced by multiple regression
technique in GIS media. This study was carried out in the Seyhan River Basin, covering 21,470.3 km surface area.
Long-term (1975-2006) annual mean temperature series of 45 meteorological observation stations of Turkish State
Meteorological Service (TSMS) were utilized in this study. Meteorological stations with the record length less than
15-year were determined and record length was extended to at least 15-year through using regression analysis.
Then, frequency analysis was performed on the temperature series. Kolmogorov-Smirnov goodness-of-fit test was
employed to determine whether the observed temperature values of a given meteorological station came from a
particular, known, and completely specified cumulative probability distribution at the 5% significance level or not.
Mean temperature values with 50% probability used in M.Turc surface runoff estimation method were estimated
from probability distribution models for each meteorological station. Based on the minimum error criterion,
mean temperature map at the 50% probability level, produced by artificial neural networks, was compared to the
probability temperature map produced by multiple regression technique in GIS Media. It was concluded that
temperatures estimated by Adaptive Liner Neuron (ADALINE) Network Model (RMSE=0.80) were more realistic
results and close in GIS media to the observed temperatures in the basin, compared to the results obtained by
Multiple Regression technique (RMSE=0.82) in GIS media.
Keywords: GIS; Temperature Map; M.Turc Surface Runoff Method; Seyhan Basin
Ankara niversitesi Ziraat Fakltesi
1. Giri
Dnyada; endstriyel, tarmsal ve ime suyu
ihtiyac her geen gn artmakta; evresel faktrler
nedeniyle, kstl su kaynaklar artan talebi
karlayamama riski ile yz yze kalmaktadr.
Suya olan ihtiyacn gittike artmas gerei
yannda, su kaynaklarnn gelitirilmesine ynelik
maliyetler de buna paralel olarak ykselmektedir
(Rosegrant et al 2002).
Gletler, barajlara gre inaat maliyeti daha az
olan su yaplardr. Bu yaplar; kuru dereler
zerine tesis edilmekte, mevsim d yzey
akmlar depolayarak kurak dnemlerde; kullanma
ve sulama suyu salayarak katma deer
yaratmaktadr. Gletlerin tesis edildii derelerin
ounda akm gzlemleri bulunmamas nedeniyle;
havza su verimleri ampirik eitlikler yardmyla
belirlenmektedir (Gndodu et al 2001).
Gletlerin
kapasitelerinin
saptanmasnda
lkemizde uygulamac kurulularca M. Turc
yntemi kullanlmaktadr (Vanl 1990). M. Turc
yntemi ile havza su verimi hesaplamalarnda
kullanlan deikenlerden biri yllk ortalama
scaklktr.
Ancak;
iklim
elemanlarnn
meteoroloji gzlem istasyonlarnda gzlenen
serileri ounlukla arpk dalmla karakterize
edilmekte; dolaysyla bu serilerin ortalamalarnn
proje kriteri olarak kullanlmas saknca
yaratmaktadr (Dieleman & Trafford 1976; etin
et al 2001; Wales 2011). Bu nedenle; havzay
242
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
EstimationandComparisonofProbabilisticTemperaturesthroughUsingArtificialNeuralNetworks,Keskineretal
2. Materyal ve Yntem
2.1. Materyal
Bu alma; 21,470.3 km geniliindeki Seyhan
Havzasnda gerekletirilmitir. Aratrmada;
havza iinde ve hemen snrnda yer alan 45 adet
meteorolojik gzlem istasyonun DM Genel
Mdrlnden temin edilen uzun yllk (19752006) gnlk ortalama scaklk serileri
kullanlmtr. Aratrmada kullanlan Seyhan
Havzasna ait SYM haritas, 1/250,000 lekli
toporafik haritalar saysallatrlarak (Esri 2011)
retilmitir. SYM grntleri 250250 metre
geometrik znrlkte yeniden rneklenerek
ileme alnmtr. Seyhan Havzasnn SYM ile
meteoroloji gzlem istasyonlar konumlar ekil
1de verilmitir.
2.2. Regresyon analizi ile eksik verilerin
tamamlanmas ve tahmin yaplmas
Bu aratrmada; Eitlik 1de gsterilen dorusal,
kuadratik ve kbik polinom tipi regresyon
modelleri ile eksik veriler (Ryan & Cryer 2005)
tamamlanmtr. Belirtme Katsays (R) deeri en
byk, standart sapmas en kk model seilerek
eksik gzlem serileri uzatlmtr.
Y b0 b1 X e
Y b0 b1 X b2 X
Y b0 b1 X b2 X
b3 X 3 e
(1)
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
243
YapaySinirAlarylaCorafiBilgiSistemiOrtamndaOlaslklScaklkTahminiveKarlatrlmas,Keskineretal
w 1 x1 w2 x 2 ....... w n x n
w 1 x1 w 2 x 2 ..... .. w n x n
< T
(4)
244
Net V j
xw
i 1
ij
(5)
(7)
i1
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
EstimationandComparisonofProbabilisticTemperaturesthroughUsingArtificialNeuralNetworks,Keskineretal
y W T X w 0 w1 x1 w2 x2 ... xn wn
(8)
W ( k 1) W ( k )
e(k ) X (k )
X (k )
(10)
X min
X max X min
(11)
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
245
YapaySinirAlarylaCorafiBilgiSistemiOrtamndaOlaslklScaklkTahminiveKarlatrlmas,Keskineretal
246
n
Y Y
Bias n 1 i i
Y
i 1
i
PE % n 1
i 1
(13)
^
Y i Y i
100
Yi
^ 2
n
RMSE n1 Yi Yi
i1
(14)
0.5
(15)
^
MAE n 1 Y i Y i
(16)
i 1
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
EstimationandComparisonofProbabilisticTemperaturesthroughUsingArtificialNeuralNetworks,Keskineretal
3. Bulgular ve Tartma
3.1. Eksik gzlemlerin tamamlanmas
stasyonlarn
eksik
gzlemlerinin
tamamlanmasnda
ve
serilerin
15
yla
uzatlmasnda, dorusal modellerin seilmesi
gerektii, parabolik modeller kullanldnda
verilerdeki kk deiimlerin hesaplamalarda
byk farkllklara neden olduu saptanmtr.
Gzlenen ve tahmin edilen scaklk deerleri
arasndaki fark (hata) baz istasyonlarda olduka
byktr (ekil 4). stasyonlarn tamamlanan
eksik verileri says ile hatalarn bykl doru
orantl
bulunmutur.
Bu
durum,
kayt
uzunluunun regresyon katsaylar zerine olan
etkisinden,
scakln
alan
zerindeki
deikenliinden
ve
istasyon
says
yetersizliinden kaynaklanabilir.
3.2. Scaklk serilerinin frekans analizi
Frekans analizi sonucunda; yllk ortalama
scaklk serileri 5 farkl olaslk dalm ile temsil
edilmitir. stasyonlarn; 27si Lojistik, 5i LogLojistik, 5i Normal, 5i Weibull ve 3 Genel
Beta dalmlar ile ifade edilmitir. Bu bulgulara
gre; scaklk serilerinin olaslk dalmlarnn
karakteristiinin homojen bir yap sergiledii
grlmtr.
3.3. oklu regresyon analizi
Eitlik 2 ile verilen regresyon modelindeki her bir
deikenin, regresyon katsaylar ile modelin
kabul edilebilirlii regresyon analizi ile
denetlenmitir. Regresyon analizi sonularna
gre, bir nolu regresyon modeli (Eitlik 2) anlaml
olmasna karn; EN, SR ve B deikenlerine
ilikin katsaylar istatistiksel olarak anlaml
(P=0.90) bulunmamtr (izelge 1). Bu
deikenler modelden karldktan sonra, Seyhan
Havzasnda %50 olaslkl ortalama scaklk
deerlerinin regresyon modeli Eitlik 17 ile ifade
edilebilmitir.
T % 50 19 .3 0 .0057304 YK 0 .00001236 DU
(17)
Denizden uzaklk ve ykseklik artka beklenen
scakln azalmas; scakln havzadaki dalm
ile paralellik gstermektedir. Oluturulan oklu
regresyon modeli ile tahmin edilen deerlerle,
istasyonlardan elde edilen deerler ekil 4te
verilmitir. Eitlik 17nin CBS ortamnda ileme
alnmas sonucu; %50 olaslkl ortalama scaklk
deerlerinin raster formatnda haritas elde
edilmitir (ekil 5).
ekil 4-ADALINE YSA ve oklu regresyon modeli tahminleri; istasyonlarn %50 olaslkl ortalama
scaklk (T%50) deerleri
Figure 4-Predictions of ADALINE ANN model, multiple regression model and temperature values (T50%) of
meteorological stations at the 50% probability level
izelge 1-%50 olaslkla beklenen ortalama scaklk (T%50) deerlerinin model denklemi
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
247
YapaySinirAlarylaCorafiBilgiSistemiOrtamndaOlaslklScaklkTahminiveKarlatrlmas,Keskineretal
Baml deiken
T%50
T%50
Bamsz deikenler*
Sabit
EN
YK
DU
SR
B
Sabit
YK
DU
t istatistii
-1.21
1.52
-12.43
-2.26
-1.09
-0.16
74.47
-15.33
-5.14
P deerleri
0.24**
0.14**
0.00
0.03
0.28**
0.87**
0.00
0.00
0.00
0.96
P=0.000
0.96
P=0.000
EN: Enlem, YK: Ykseklik, DU: Denizden uzaklk, SR: Solar radyasyon, B: Bak
=0.10 nem dzeyinde, istatistiksel olarak nemsizdir
**
ekil 5. Seyhan Havzasnn oklu regresyon yntemi ile oluturulan %50 olaslkl ortalama
scaklk (T%50) haritas
Figure 5-Mean temperature map at 50% probability level (T50%) estimated by multiple regression
method in Seyhan Basin
248
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
EstimationandComparisonofProbabilisticTemperaturesthroughUsingArtificialNeuralNetworks,Keskineretal
0.04307SR 0.00167B
(18)
(19)
ADALINE YSA modeli (Eitlik 19) ile elde
edilen %50 olaslkl ortalama scaklk deerleri
ile istasyonlardan gzlenen (T%50) deerler
karlkl olarak ekil 4te izilmitir. ADALINE
YSA
modelinin,
ArcGIS
yazlm
ile
matematiksel olarak ileme alnmas sonucu;
Seyhan Havzasnn y = %50 olaslkl ortalama
scaklk deerlerinin haritas elde edilmitir (ekil
ekil 6-% 50 olaslkl ortalama scaklk tahmini iin gelitirilen YSA modeli
Figure 6-ANN model developed for prediction of mean temperature at the 50% probability level
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
249
YapaySinirAlarylaCorafiBilgiSistemiOrtamndaOlaslklScaklkTahminiveKarlatrlmas,Keskineretal
ekil 7-Seyhan Havzasnn ADALINE YSA yntemi ile oluturulan %50 olaslkl ortalama
scaklk (T%50) haritas
Figure 7-Mean temperature map at 50% probability level (T50%) estimated by ADALINE ANN
method in Seyhan Basin
izelge 2-Yntemlerin dikkate alnan ltlere gre kyaslanmas
Table 2-Comparison of the methods based on the model performance criteria
Yntemler
ADALINE YSA
oklu Regresyon *
CoKriging *
Kriging *
Bias
0.0077
0.0078
0.0172
0.0171
PE%
5.876
6.016
10.023
10.045
RMSE
0.802
0.815
1.266
1.268
MAE
0.648
0.670
1.061
1.064
R
0.962
0.961
0.909
0.908
S
0.820
0.834
1.277
1.280
Bias: Oransal hata, PE%: Oransal yzde tahmin hatas, RMSE: Hata kareler otalamas karekk, MAE: Ortalama mutlak hata,
R: Belirtme Katsays, S: Standart sapma
* Keskiner & etin (2010) test lt sonular
250
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
EstimationandComparisonofProbabilisticTemperaturesthroughUsingArtificialNeuralNetworks,Keskineretal
4. Sonu ve neriler
Bu almada; ADALINE YSA tahmin modelinde
girdi ve kt arasndaki ilikinin istatistiksel
olarak nemli bulunmas, YSA modelinde
kullanlan parametrelerin saysn azaltmtr.
Regresyon analizi sonular ile YSA sonular
benzeim gstermitir. Ancak, ADALINE YSA
yntemi, oklu regresyon yntemi tahminlerine
gre daha gereki sonular vermitir. Seyhan
Havzasnda, M. Turc yntemi ile havza su verimi
belirlenirken ADALINE YSA modeliyle CBS
ortamnda hesaplanan %50 olaslkl ortalama
scaklk haritasnn kullanlmas nerilmitir. CBS
ortamnda
raster
formatndaki
harita
katmanlarnn YSA mimarilerinin transfer
fonksiyonlaryla ilenmesi gerektii sonucuna
varlmtr. Ancak, literatrde benzer bir
almaya rastlanlmamtr. Bu nedenle elde
edilen sonular kyaslanamamtr. ok katmanl
ileri beslemeli geri yaylml, radyal tabanl vb.
YSA modelleriyle CBS ortamnda haritalamaya
ynelik
almalarn
yaplabilirliklerinin
aratrlmas gerekmektedir.
Kaynaklar
Ahmad S & Simonovic S P (2005). An artificial neural
network model for generating hydrograph from
hydro meteorological parameters. Journal of
Hydrology 315: 236251
Ali A L, Hegazy O & Eldien M N (2010). Slum
Prediction Using Integration Between GIS and
ANN. International Conference on Informatics and
Systems, 28-30 March, Faculty of Computers and
Information, Cairo University, Egypt
Arai K (2006). Geographic Information System: GIS
Based Neural Network for Appropriate Parameter
Estimation of Geophysical Retrieval Equations with
Satellite Remote Sensing Data. Geoscience and
Remote Sensing Symposium, IGARSS, IEEE
International Conference, In: 15411544, 31 july04 August, Denver, CO
Aslanta V & Kurban R (2007).Yapay Sinir Alar ve
Corafi Bilgi Sistemlerindeki Uygulamalar.
TMMOB Harita Kadastro Mhendisleri Odas
Ulusal Corafi Bilgi Sistemleri Kongresi, 30 Ekim02 Kasm , KT, Trabzon
Beale M H, Hagan M T & Demuth H B (2010). Matlab
Neural Network Toolbox 7 Users Guide, USA
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252
251
YapaySinirAlarylaCorafiBilgiSistemiOrtamndaOlaslklScaklkTahminiveKarlatrlmas,Keskineretal
252
T a r m B i l i m l e r i D e r g i s i J o u r n a l o f A g r i c u l t u r a l S c i e n c e s 17(2011)241252