TarmBilimleriDergisi

JournalofAgriculturalSciences

Tar.Bil.Der.

Dergiwebsayfas:
www.agri.ankara.edu.tr/dergi

Journalhomepage:
www.agri.ankara.edu.tr/journal

Yapay Sinir Alaryla Corafi Bilgi Sistemi Ortamnda Olaslkl

Scaklk Tahmini ve Karlatrlmas
a

Ali Demir KESKNER , Turgay BRK , Mahmut ETN

a
b
c

l zel daresi Tarmsal Hizmetler ubesi, Osmaniye, TRKYE

ukurova niversitesi, Elektrik-Elektronik Mhendislii Blm, 01330, Balcal-Adana, TRKYE
ukurova niversitesi Ziraat Fakltesi,Tarmsal Yaplar ve Sulama Blm, 01330 Balcal-Adana, TRKYE

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

Estimation and Comparison of Probabilistic Temperatures through Using

Artificial Neural Networks in Geographic Information Systems Media
ARTICLE INFO
Research Article Natural Resources Management and Landscape Planning
Corresponding author: Ali Demir KESKNER, e-mail: jdemir1@hotmail.com, Tel: +90(328) 814 29 70
Received: 18 May 2011, Received in revised form: 29 November 2011, Accepted: 07 December 2011
ABSTRACT
The main objectives of this study are to develop the map of temperatures at 50% probability level through using
Artificial Neural Networks method in Geographic Information System (GIS) Media and to compare GIS-based

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

temsil eden istasyonun %50 olaslkla beklenen

ortalama scaklk deerlerinin tahmin edilerek
projede kullanlmas daha doru sonularn elde
edilmesine olanak vermektedir.
Meteorolojik verilerin gereki olarak tahmin
edilmesi, geni lekli hidrolojik ve ekolojik
aratrmalarn esasn tekil etmektedir (Hunter &
Meentemeyer 2005). Yapay sinir alar, 1990l
yllarda hidrolojik tahminlerde kullanlmaya
balanmtr (Ahmad & Simonovic 2005). Yapay
sinir alar, mhendisler veya nrohidrolojistler
tarafndan ya-ak ilikisi: ya-girdi, akkt olarak kabul eden kara kutu sistemi olarak
deerlendirilmitir (Dawson & Wilby 2001;
Sattari et al 2007). Aslanta & Kurban (2007)
tarafndan da belirtildii gibi; YSA bilinen en iyi
eri uydurma tekniklerinden biri olup, karar
destek iin CBS ile entegrasyonu YSA
yntemlerinin nemini artrmaktadr. CBS tabanl
YSA yntemi ile yaplan baz almalara; Aria
(2006) Uzaktan Alglama Verisi le Uygun
Jeofiziksel Parametre Kestirimi, en (2007)
Elektrik Alan iddetlerinin CBS Ortamnda
Visual Basic Yazlm Kullanlarak YSA
Yntemiyle Analizi, Ali et al (2010) Gecekondu
Yerleim Alanlarnn Tespiti gibi konular rnek
verilebilir. Bryan & Adams (2002), YSAnn
dorusal ve dorusal olmayan modellemelerde
eri uydurmadaki baarsn irdelemilerdir.
Ancak, literatr incelendiinde eri uydurma

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

tabanl YSA yntemiyle CBS ortamnda raster

formatndaki haritalarn transfer fonksiyonlaryla
ilenmesi ile elde edilen iklim elemanlar haritas
retimine ynelik almalarn ok az sayda ya da
hi olmad grlmektedir.
Seyhan Havzasnda gerekletirilen bu alma
ile;
1. Glet kapasitelerinin belirlenmesinde kullanlan
M. Turc ynteminin nemli bir parametresi olan
%50 olaslkl ortalama scaklk deerlerinin,
Yapay Sinir Alar (YSA) yntemi kullanlarak
CBS ortamnda Saysal Ykseklik Modeli ile
haritalanmas,
2. CBS ortamnda ADALINE YSA ve oklu
Regresyon yntemiyle tahmin edilen %50
olaslkl
ortalama
scaklk
haritalarnn
karlatrlmas amalanmtr.

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)

Burada Y, baml deikeni; X, bamsz

deikeni; bi, regresyon katsaylarn ve e, hata
terimini gstermektedir.
Frekans analizi sonucu elde edilen P = %50
olaslkl ortalama scaklk (T%50) deerlerinin
kestiriminde ise oklu regresyon modeli (Eitlik
2) kullanlmtr. Eitliin parametreleri geriye
doru ayklama yntemi (Landau & Everitt 2004)
ile = 0.10 nem dzeyinde belirlenmitir.
T%50 b 0 b1 EN b2YK b3 DU b4 SR b5 B (2)
Bu eitlikte T%50, %50 olaslkl ortalama scaklk
(C); bi, regresyon katsaylar; SR, yllk ortalama
gne radyasyonu (kJ m-2); B, bak (); DU,
denizden uzaklk (m); EN, enlem (m) ve YK,
ykseklik (m)tir.
2.3. Scaklk serilerinin frekans analizi
Scaklk serilerinin frekans analizleri, Bestfit
(2004)
ortamnda
gerekletirilmitir.
Dalmlarn uygunluk testleri (Tlc 1988), %5
nem dzeyinde Kolmogorov-Smirnov testine
gre yaplmtr. Belirlenen dalmlar ve
parametreleri kullanlarak frekans faktr eitlii
(Chow et al 1988) yardm ile (Eitlik 3) %50
olaslkla beklenen ortalama scaklklar tahmin
edilmitir.
(3)
X p% X K p% S
Burada S, standart sapma; X, seri ortalamas; Xp%,
incelenen deikenin P% olaslk dzeyinde
beklenen deeri ve Kp%, frekans faktr olup,
belirlenen olaslk dzeyinde P% verilen frekans
dalmnn bir zelliidir (etin et al 2001).
2.4. CBS ortamnda oklu regresyon modeli ile
tahmin haritalarnn oluturulmas
Bu almada oklu regresyon analizi ile elde
edilen regresyon modeli ve cebirsel haritalama
teknii (Ninyerola et al 2000) kombinasyonu
birlikte uygulanmtr. Eitlik 2de yer alan EN,
YK, DU, SR ve B bamsz deikenlerinin raster
formatndaki haritalar (Erdas 2011; Esri 2011)
oluturulmutur. Regresyon analizi ile belirlenen
model eitliinin harita katmanlar ile iletimi,
CBS yazlmnn Map Algebra modl ile
yaplmtr.

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

ekil 1-alma alannn Trkiyedeki konumu ve saysal ykseklik modeli grnts

Figure 1-Location of the study area in Turkey and digital elevation model of Seyhan River basin

2.5. Yapay sinir alarnn temel yaps

Biyolojik sinir yapsnn matematiksel bir modeli
(ekil 2), Mc Culloch ve Pitts tarafndan 1943
ylnda ortaya atlm ve ksaca M-P siniri olarak
adlandrlmtr (Kse 2010). Her bir hcrenin
girdileri; (xi), arlklar (wi), toplama fonksiyonu,
transfer fonksiyonu ve hcrenin kts olmak
zere 5 temel eleman vardr. Net girdinin
hesaplanmasnda [1,0] ktlar temsil etmek zere
matematiksel gsterimi yle ifade edilebilir
(eker 2010):
1 ,
Yj
0 ,

w 1 x1 w2 x 2 ....... w n x n

w 1 x1 w 2 x 2 ..... .. w n x n

< T

(4)

Bu eitlikte T, transfer fonksiyonun eik deerini

gsterir.

244

Net V j

xw
i 1

ij

(5)

Birimin kts ise Yj olup; yle ifade

edilmektedir:
Yj = f(Vj) = f(Net)
(6)
Girdileri olduu gibi hcrenin kts kabul eden
ADALINE YSA modeli dorusal transfer
fonksiyonunun gsterimi aada verilmitir:
n

f (Net ) Net f (Vj ) xi wij j

(7)

i1

2.6. ADALINE yapay sinir alar modeli ile

tahmin yaplmas
ADALINE; hata dzeltme, sinyal ileme, rnek
snflama ve kontrol sistemleri zerine yaptklar
almalarla tannan Windrow ve Hoff tarafndan

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

ekil 2-Yapay sinir hcresi matematiksel modeli

Figure 2-Mathematical model of an artificial neuron

1959 ylnda gelitirilmitir (Beale et al 2010).

Tek bir, Mc Culloch-Pitts nronundan olumutur.
Arlklandrlm
girdiyi
bir
dorusal
fonksiyonda ileyerek danmanl renme
algoritmalarndan olan Widrow-Hoff LMS (Least
Mean Square) kuralna gre hesaplar (nce 1994).
ekil 3te mimarisi gsterilen ADALINEin
girdileri, X=(x0, x1, x2,, xn)T dir. Burada x0 , eik
deer girdisi olarak adlandrlr. Arlklar ise,
W=(w0, w1, w2,, wn)T olarak tanmlanr. kt y
ise, Eitlik 8de olduu gibi ifade edilir:

y W T X w 0 w1 x1 w2 x2 ... xn wn

(8)

Herhangi bir k sresi boyunca rnek girdi

vektrleri X(k)=[x0k, x1k, x2k,,xnk]T ve eitim
sonucu istenen kt yd(k)dr. Girdiler katsaylar
ile arlklandrlr. Arlk vektrleri W(k)=[w0k,
w1k, w2k,..,wnk]T olarak belirtilir. Arlklandrlm
girdilerin toplam y(k)=W(k)TX(k) skaler arpm
ile hesaplanr. Arlklar; srekli deiken olup
negatif ve pozitif deerler alabilirler. Herhangi bir
k zamanndaki dorusal hata e(k) (Eitlik 9)
dorusal kt y(k) ile istenen kt yd(k) arasndaki
fark olarak tanmlanr.
e(k) = yd(k) - y(k)
(9)
Widrow-Hoff (Delta) kural ile renme sreci,
matematiksel olarak Eitlik 10 ile ifade edilebilir
(Widrow & Lehr 1990).

W ( k 1) W ( k )

e(k ) X (k )
X (k )

(10)

Burada k, iterasyonun zaman indeksi; W(k), k

zamanndaki arlk vektr; X(k), k zamanndaki
girdi vektr; W(k+1), gelecekteki arlk vektr
ve , renme katsaysdr.
2.7. Girdi ve ktlarn normalize edilmesi
YSA modelleri gelitirilmeden nce girdi ve kt
deerleri normalize edilmelidir. Veri kmesi [0,1]
arasnda Eitlik 11 yardmyla leklendirilebilir
(Trktemiz 2008).

X min
X max X min

(11)

Bu eitlikte Xn, normalize edilen deeri; X, veri

deerini; Xmin, normalize olacak verinin minimum
deeri ve Xmax, normalize olacak verinin
maksimum deeridir.
2.8. CBS ortamnda ADALINE YSA modeli ile
tahmin haritalarnn oluturulmas
almamzda; ADALINE YSA modeliyle CBS
ortamnda %50 olaslkl ortalama scaklk
deerlerini elde edebilmek iin, YSA modelini
Eitlik 12 olarak ifade etmek gereklidir.
y w 0 w1 EN w2 YK w3 DU w4 SR w5 B
(12)

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

ekil 3-Uyarlamal dorusal eleman (ADALINE) renme algoritmas

Figure 3-Learning algorithm of adaptive linear element (ADALINE)

Bu eitlikte y, %50 olaslkl ortalama scaklk

(C) deerini; w0, eik deer; wi, arlk
katsaylarn ve xi, girdileri (EN, YK, DU, SR, B)
temsil etmektedir (Eitlikler 2-8).
YSA eitimi; girdilerin raster formatndaki
haritalar ile deil istasyonlardan elde edilen
deerleri ile yaplr. YSA eitimi Beale et al
(2010) tarafndan belirtildii gibi; YSA
yazlmnn a veri ynetim penceresi (nntool)
kullanlarak; %50 olaslkl ortalama scaklk
deerleri tahmin edilir. Eitim tamamlandktan
sonra; EN, YK, DU, SR ve B girdilerine ait
arlklar ve eik deer belirlenir. Mutlak deerce
kk arlklara sahip deikenler modelden
karlarak, model tekrar eitilir ve ikinci modele
ait arlklar ve eik deer belirlenir. YSA
modellerinin tahmin (kt) ve gzlenen (hedef)
deerler arasndaki belirtme katsaylarna (R)
baklarak hangi modelin CBS ortamnda harita
katmanlar ile ileme alnacana karar verilir.
CBS
yazlmnn
Spatial
Analyst-Raster
Calculator modl kullanlarak CBS ortamnda
YSA yntemiyle %50 olaslkl scaklk haritas
oluturulur.
2.9. Yntemlerin kyaslanmas
oklu regresyon yntemi ve ADALINE YSA
modeli kullanlarak %50 olaslkla beklenen
ortalama
scaklk
tahminleri
yaplmtr.

246

Yntemlerin performansnn belirlenmesinde;

Burn & Boorman (1993) Bias (Oransal hata)
Eitlik 13, Mimikou & Gordios (1989) PE%
(Oransal yzde tahmin hatas) Eitlik 14, Tasker
et al (1996) RMSE (Hata kareler ortalamas
karekk) Eitlik 15 ve Tasker et al (1996) MAE
(Ortalama mutlak hata) Eitlik 16 ltleri
kullanlmtr. Bu ltlere gre, sfra en yakn
sonu veren yntemin daha uygun olduuna karar
verilmitir.

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

Bu eitliklerde Y , gznne alnan yntemle her

bir istasyon iin tahmin edilen deeri; Yi,
istasyonlardan elde edilen deeri ve n, gzlem
saysn gstermektedir.
i

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

regresyon analizi sonular

Table 1-Regression analysis results of mean temperatures model equation (T50%) at the 50%
probability of occurrence
Model

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

3.4. YSA modeli tahminleri

248

Herhangi bir n istatistiksel analiz yaplmadan,

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

ADALINE YSA modeli 1000 adm (iterasyon)

sonucunda eitilerek arlk katsaylar ve eik
deer bulunmutur. Genel modelin katsaylar
saptanarak Eitlik 18 ile ifade edilmitir. SR ve B
girdileri, arlklarnn dier girdilere kyasla
kk olmas nedeniyle modelden kartlm;
EN, YK, DU girdileri ile YSA tekrar eitilerek
ikinci YSA modeli (Eitlik 19) oluturulmutur.
Eitlik 18 ve Eitlik 19un belirtme katsaylar
ayn bulunmutur (R=0.96). Bu nedenle, %50
olaslkl ortalama scaklk tahminlerinde Eitlik
19da verilen ADALINE YSA mimarisi
benimsenmi ve kullanlmtr (ekil 6).

y 1.00710 0.42104EN 0.65667YK 0.72503DU

0.04307SR 0.00167B

y 0.97604 0.33737 EN 0.67428 YK 0.58251 DU

(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

7). Haritada arazi toporafyasnn; Pazarrenrenehir arasnda olduu gibi scaklk

tahminleriyle
net
olarak
aklanabildii
grlmtr.
3.5. Yntemlerin karlatrlmas
Vicente-Serrano et al (2003) tarafndan yaplan 11
enterpolasyon yntemi ile scaklk tahminlerinin
kyasland bir aratrmada; regresyon tabanl
enterpolasyon teknikleriyle baarl sonular elde
edilmitir. almamzda ise; oklu regresyon
yntemi ve ADALINE YSA modeli ile elde
edilen %50 olaslkl ortalama scaklk
deerlerinin karlatrlmas sonucunda; en
gereki tahminler ADALINE YSA yntemi ile
hesaplanmtr. Bununla birlikte; Keskiner &
etin (2010), ayn veriler ve test ltlerini
kullandklar almalarnda; Ordinary Kriging,
Ordinary Cokriging ve oklu regresyon yntemini
karlatrmlardr. Aratrclar, oklu regresyon
yntemi ile oluturulan %50 olaslkl ortalama
scaklk haritalarnn daha gereki olduu
sonucuna varmlardr. Oysa; ADALINE YSA
yntemi, dikkate alnan 6 adet performans
ltnde de oklu regresyon yntemi
tahminlerine stnlk salamtr (izelge 2).

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

Bestft (2004). Guide to Using BestFit: Distribution

Fitting
for
Windows.
Availabe:
http://www.palisade.com
Bryan B A & Adam J M (2002). Three-dimensional
neurointerpolation of annual mean precipitation and
temperature surfaces for China. Geographical
Analysis 34(2): 93-111
Burn D H & Boorman D B (1993). Estimation of
hydrological parameters at ungauged catchments.
Journal of Hydrology 143: 429-454
Chow V T, Maldment D R & Ways L W (1988).
Applied Hydrology. McGraw-Hill, Inc., Civil
Engineering Series, New York, 572
etin M, zcan H & Tlc K (2001). Aa Seyhan
Ovas IV. Merhale Proje Alannda Toprak ve Taban
Suyuna likin Baz Fiziksel ve Kimyasal
zelliklerin Yersel Deiimlerinin Jeoistatistik
Yntemle Aratrlmas. Aratrma Projesi Sonu
Raporu, Proje No : Z F/99/14, Adana
Dawson C W & Wilby R (2001). Hydrological
modelling using artificial neural networks. Progress
in Physical Geography 25(1): 80108
Dieleman P J & Trafford B D (1976). Drainage Testing.
FAO Irrigation and Drainage Paper 28, xii + 172
p, Rome-Italy
Erdas
(2011).
Erdas
Imagine.
Availabe:
http://erdas.com
ESRI
(2011).
Spatial
Analysis.
Availabe:
http://www.esri.com
Gndodu K S, Demir A O & Akkaya Aslan T
(2001). Gletlerin Baz Hidrolojik Analizlerinin
Corafi Bilgi Sistemi (CBS) Ortamnda Yaplma
Olanaklar. I. Ulusal Sulama Kongresi, Bildiriler:
247-253, 8-11 Kasm, Antalya
Hunter R D & Meentemeyer R K (2005).
Climatologically aided mapping of daily
precipitation and temperature. Journal of Applied
Meteorology 44: 1501-1510
nce R (1994). imento Bazl Malzemelerin
Krlmasnda Boyut Tesirinin Non-Lineer Krlma
Mekanii Yapay Sinir Alar le ncelenmesi.
Yksek Lisans Tezi, Frat niversitesi, Fen
Bilimleri Enstits, naat Mhendislii Anabilim
Dal, Elaz
Keskiner A D & etin M (2010). Farkl Yntemlerle
Olaslkl Ortalama Scaklk Deerlerinin CBS
Ortamnda Haritalanmas ve Karlatrlmas:
Seyhan Havzas rnei. VI. Ulusal Hidroloji
Kongresi, Bildiriler: 848-861, 22-24 Eyll, Denizli

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

Kse (2010). Bulank Mantk ve Yapay Sinir Alar

in Eitim Yazlm Gelitirilmesi. Yksek Lisans
Tezi, Afyon Kocatepe niversitesi, Fen Bilimleri
Enstits Bilgisayar Ana Bilim Dal, Afyon
Landau S & Everitt S B (2004). A Handbook of
Statistical Analyses. A CRC Press Company
Washington, D.C
Mimikou M & Gordios J (1989). Predicting the mean
annual flood and flood guantiles for ungaged
catchments in Greece. Hydrological Sciences
Journal 34(2): 169-184
Ninyerola M, Pons X & Roure J M (2000). A
methodological approach of climatological
modelling of air temperature and precipitation
through GIS techniques. International Journal of
Climatology 20: 1823-1841
Rosegrant M W, Cai X & Cline S A (2002). Global
Water Outlook to 2025-Averting and Implementing
Crisis. Food Policy Report, International Food
Policy Research
Ryan B F & Cryer J (2005). Minitab Handbook, Fifth
Edition, Regression and Correlation, In:313-349,
Belmont, California
Sattari M T, Fard A F, Docherkhesaz M & ztrk F
(2007). Yapay sinir alar yntemi ile savalan
sulama rezervuarnn simlasyonu. Tarm Bilimleri
Dergisi 13(4): 337-345
eker H (2010). Takm Anmas ve Yzey
Przllnn Yapay Sinir Alar ve Bulank
Mantk Yntemleri le Tahmin Edilmesi. Yksek
Lisans Tezi, Seluk niversitesi, Fen Bilimleri
Enstits, Elektronik ve Bilgisayar Sistemleri
Eitimi Anabilim Dal, Konya
en A (2007). Elektirik Alan iddetlerinin lm ve
Corafi Bilgi Sistemi Ortamnda Yapay Sinir Alar
le Analizi. Yksek Lisans Tezi, Yldz Teknik
niversitesi, Fen Bilimleri Enstits, Jeodezi ve
Fotogramaetri Mhendislii Anabilim Dal,
stanbul
Tasker D G, Hodge A C & Barks S C (1996). Region of
influence regression for estimating the 50-year
flood at ungaged sites. Water Resources Bulletin
32(1): 163-170
Tlc K (1988). KT-310 Uygulamal Hidroloji. . .
Ziraat Fakltesi Ders Kitaplar, No:76, Adana
Trktemiz B (2008). Baraj Haznelerine Giren
Akmlarn Yapay Sinir Alar le Tahmini. Yksek
Lisans Tezi, Sleyman Demirel niversitesi, Fen
Bilimleri Enstits, naat Mhendislii Anabilim
Dal, Isparta

252

Vanl M (1990). Gletlerde Su Temini almalar.

T.C. Bayndrlk ve skan Bakanl DS Genel Md.
Hidrometri ve Takn Hidrolojisi Semineri, 3-4
Eyll, stanbul
Vicente-Serrano S M, Saz-Sanchez M A & Cuadrat J M
(2003). Comparative analysis of interpolation
methods in The Middle Ebro Valley (Spain):
Application to annual precipitation and temperature.
Climate Research 24: 161-180
Wales
J
(2011).
Mean.
http://en.wikipedia
.org/wiki/Mean
Widrow B & Lehr M A (1990). 30 years of adaptive
neural networks: Perceptron, madaline and
backpropagation. Proceedings of the IEEE 78 (9):
1415-1442

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