Su Kaynakları Mühendisliğinde CBS’nin Kullanımı

TONA, Aziz Uğur; Demir, Vahdettin; Kuşak, Lütfiye; Yakar, Murat

doi:10.56130/tucbis.993807

Cited by 5 publications

(1 citation statement)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…River networks and basin boundaries can be determined via ArcGIS and Basin toolbox, which are GIS software. GIS is used to solve many water engineering problems and to prepare base data such as digital elevation model data [17,22,[24][25][26][27][28][29][30][31].…”

Section: Methodsmentioning

confidence: 99%

Modeling of annual maximum flows with geographic data components and artificial neural networks

Çubukçu

Demir

Sevimli

2023

International Journal of Engineering and Geosciences

View full text Add to dashboard Cite

Disasters such as floods and floods are also encountered on the days when the highest flow is recorded, according to the Annual Maximum Flow (AMF) statistics. The Annual Maximum Flow is the highest flow rate ever recorded in a water year. Wherever this flow happens, it usually results in flooding. Snow melts and unexpected precipitation associated with temperature fluctuations are the two most important factors that create flooding. The deluge that follows kills people and destroys property in communities and agricultural lands. As a result, it's critical to predict the flow that causes flooding and take appropriate precautions to limit the damage. The prediction of the probability of the flood event in advance is very important for the safety of life and property of large masses and agricultural lands. Early warning systems, disaster management plans and minimizing these losses are among the important goals of the country's administration. In this study, It is used in five Current Observation Stations (COS) located in Yeşilırmak Basin in Turkey. By using 8 input data including geographical location, altitude and area information of these stations, AMF data were tried to be estimated for each COS. A total of 240 input data was used in the study. The data period covers the years 1964-2012. Unfortunately, AMF values cannot be monitored for all 5 stations used after 2012.Therefore, the data period was stopped in 2012. In this study, Multilayer Artificial Neural Networks (MANN), Generalized Artificial Neural Networks (GANN), Radial Based Artificial Neural Networks (RBANN) and Multiple Linear Regulation (MLR) methods were used. Input data sets were made into 4 packets and these packages were used respectively in both training and testing stages. Root mean square error (RMSE), mean absolute error (MAE) and correlation coefficient (R) were used as the comparison criteria. The results are as follow; MANN (8 Input) (RMSE = 119.118, MAE = 93.213, R = 0.808), and RBANN (2 Input) (RMSE = 111.559, MAE = 81.114, R = 0.900). These results show that AMF can be predicted with artificial intelligence techniques and can be used as an alternative method.

show abstract

Section: Methodsmentioning

confidence: 99%

Modeling of annual maximum flows with geographic data components and artificial neural networks

Çubukçu

Demir

Sevimli

2023

International Journal of Engineering and Geosciences

View full text Add to dashboard Cite

show abstract

İstanbul İçin CBS Tabanlı Makine Öğrenmesi İle Sel Duyarlılık Haritasının Oluşturulması

KOYUNCU,

EKMEKCİOĞLU

2024

Doğal Afetler Ve Çevre Dergisi

View full text Add to dashboard Cite

Bu çalışma kapsamında meydana gelebilecek olası bir sel olayının gerçekleşebileceği yerin önceden tahmini ve tespiti için makine öğrenmesi yöntemleri kullanılarak coğrafi bilgi sistemleri (CBS) tabanlı bir sel duyarlılık haritalama modeli oluşturulması amaçlanmıştır. Çalışma kapsamında incelen bölge olarak ise Türkiye’nin metropol kenti olan İstanbul ili seçilmiştir. Literatürden elde edilen sel envanteriyle oluşturulan örneklem kümesi önce sel olmayan noktaların rastgele oluşturulması ile genişletilmiş olup, ardından sınıf dengesizliği rastgele alt örnekleme (RUS) tekniği ile giderilmiştir. Bu yaklaşım Türkiye’ de gerçekleştirilen sel duyarlılık haritalamaları çalışmaları için ilk kez uygulanmıştır. Rastgele orman (RF), stokastik gradyan artırma (SGB) ve XGBoost algoritmaları olmak üzere üç farklı makine öğrenmesi algoritmasının performans karşılaştırmaları gerçekleştirilmiştir. En yüksek model performansının XGBoost ile elde edildiği, bu metodu ise sırasıyla SGB ve RF’nin takip ettiği sonucuna ulaşılmıştır. Ayrıca, RF ve SGB modellerinin sel olmayan noktaların neredeyse tamamını doğru olarak bulduğu, sel olan noktalarda ise %90.67’lik bir başarı sergilediği görülmüştür. Fakat, çalışmanın esas amacını kapsayan sel gerçekleşen noktaların belirlenmesinde XGBoost modeli %92.00’lik bir başarı ile diğer iki metoda üstünlük sergilediği tespit edilmiştir. Sel olayını etkileyen parametreler incelendiğinde ise İstanbul için seli en önemli parametrenin yağış olduğu sonucuna ulaşılmış olup, yağışı sırasıyla drenaj ağına uzaklık ve eğri numarası takip etmiştir. Sonuç olarak çalışma kapsamında İstanbul’da gerçekleştirilen sel duyarlılık haritalamaları çalışmaları için ilk kez uygulanan bu çerçevenin kullanımının sayısı ve etkileri giderek artırılarak sel olaylarına karşı daha yaygın alanlara uygulanması gelecek vadedici bir yaklaşım olacaktır.

show abstract

Gala Ve Pamuklu Gölleri̇ Su Yüzeyi̇ Deği̇şi̇m Alanlarinin Uzaktan Algilama Tekni̇kleri̇ İle Beli̇rlenmesi̇ Ve Çevresel Etki̇leri̇n İzlenmesi̇

Bitek,

Uludağ,

Kurban

2024

Trakya Üniversitesi Sosyal Bilimler Dergisi

View full text Add to dashboard Cite

Göl ekosistemlerinin doğal yaşam ile sosyo-ekonomik anlamda sürdürebilir olabilmesi için göllerin ve çevresinin izlenmesi ve değişimlerinin saptanması büyük önem taşımaktadır. Bu doğrultuda uydu görüntüleri ve uzaktan algılama teknikleri günümüzde sıklıkla kullanılmaktadır. Bu çalışmada Gala Gölü Milli parkı sınırları içinde yer alan, Gala ve Pamuklu gölleri yüzey alanlarında 1985-2022 yılları arasında meydana yüzeysel alan değişimin ortaya çıkarılması ve bu değişim üzerinde etkili olan süreçleri belirlemesi amaçlanmıştır. Gala ve Pamuklu göllerine ait Landsat uydu görüntüleri 1985-2022 yılları arasındaki dönemlerde her on yıl için temmuz ayları dikkate alınarak seçilmiştir. Landsat-5 TM ve Landsat-8 OLI uydu görüntüleri kullanılarak sınıflandırmalar yapılmıştır. Sınıflandırmalarda Modifiye Edilmiş Normalize Fark Su İndeksi (MNDWI), kontrolsüz (IsoDATA) ve kontrollü sınıflandırma (Maximum Likelihood) yöntemleri ile göllerin çevresindeki arazi kullanımı değişimi belirlenmesi için Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI) kullanılmıştır. Elde edilen sonuçlarda göllerin yüzey alanlarının %40-60 oranında genişlediği tespit edilmiştir. Sınıflandırmalar için doğruluk analizleri gerçekleştirilmiştir ve karşılaştırmaları yapılmıştır. Genel Doğruluk, Kappa ve F-1 Score istatistik metrikleri kullanılarak yapılan doğruluk analizlerine göre en yüksek değere kontrollü sınıflandırma sonucunda ulaşılmıştır. Genel Doğruluk değerlerinin 0,95-0,96 arasında, Kappa istatistik değerlerinin ise 0,88-0,92 değerleri arasında, F-1 Score değerlerinin 0,93-0,94 aralığında değiştiği belirlenmiştir. Kullanılan yöntemlerin su yüzey alanlarının tespitinde kullanılabilir olduğu, aynı zamanda göllerde meydana gelen değişimlerin daha çok su kullanım tercihlerinin bir sonucu olduğu belirlenmiştir.

show abstract

Su Kaynakları Mühendisliğinde CBS’nin Kullanımı

Cited by 5 publications

References 14 publications

Modeling of annual maximum flows with geographic data components and artificial neural networks

Modeling of annual maximum flows with geographic data components and artificial neural networks

İstanbul İçin CBS Tabanlı Makine Öğrenmesi İle Sel Duyarlılık Haritasının Oluşturulması

Gala Ve Pamuklu Gölleri̇ Su Yüzeyi̇ Deği̇şi̇m Alanlarinin Uzaktan Algilama Tekni̇kleri̇ İle Beli̇rlenmesi̇ Ve Çevresel Etki̇leri̇n İzlenmesi̇

Contact Info

Product

Resources

About