Araştırma Makalesi
BibTex RIS Kaynak Göster

Kayseri İli Günlük Referans Evapotranspirasyonun (ET0) Yapay Sinir Ağlarıyla Tahmin Edilmesi

Yıl 2018, Cilt: 1 Sayı: 1, 25 - 37, 31.10.2018

Öz

Evapotranspirasyon
(ET) hidrolojik döngünün temel bileşenlerinden biridir. Bitkilerin sulama
programlamasının yapılabilmesi için günlük bazda bitki su tüketimi verisine
ihtiyaç duyulmaktadır. Bu çalışmada günlük referans evapotranspirasyonun (ET0)
Yapay Sinir Ağları Yöntemi (YSA)
kullanılarak tahmin edilmesi amaçlanmıştır. Kayseri ili ET0 belirlenmesinde kullanılan
veriler (günlük minimum ve maksimum bağıl nem, minimum ve maksimum sıcaklıklar,
rüzgâr hızı, güneşlenme şiddeti ve güneşlenme süresi), Meteoroloji Genel
Müdürlüğünden 2010-2017 yılları için temin edilmiştir. 2010-2015 arası günlük
meteorolojik veriler eğitim verisi, 2016-2017 arası günlük veriler ise test
verisi olarak kullanılmıştır. İklim verileri göz önüne alınarak 11 farklı YSA
Modeli oluşturulmuştur. En iyi sonuçlar; rüzgâr,
minimum ve maksimum bağıl nem, minimum ve maksimum sıcaklık, güneşlenme
şiddeti, güneşlenme süresi ve günlük zaman indisi parametrelerinin kullanıldığı
modelde, belirleme katsayısı (R2)= 0.998 olarak belirlenmiştir.
İkinci en iyi performans güneşlenme şiddeti, buhar
basıncı açığı, ortalama sıcaklık, rüzgar ve günlük zaman indisi kombinasyonunun
kullanıldığı modelde belirleme katsayısı=0.997 olarak belirlenmiştir.
Çalışmada en az parametrenin kullanıldığı(nispi güneşlenme
süresi, buhar basıncı açığı ve günlük zaman indisi) ve en düşük performansın
alındığı modelde belirleme katsayısı= 0.950 olarak belirlenmiştir.
Çalışma
sonucu YSA modellerinin Kayseri ili günlük ET0 hesaplamalarında
başarılı sonuçlar verdiği, daha az veri kombinasyonları kullanılarak
oluşturulan YSA modellerinin dahi FAO 56 Penman-Monteith yöntemiyle elde edilen
ET0 değerlerine yakın sonuçlar verdiği görülmüştür.

Kaynakça

  • Allen, R.G., Pereira, L.S., Raes, D., and Smith, M., 1998.Crop Evapotranspiration Guidelines for Computing Crop Water Requirements.FAOIrrigation and Drainage, PaperNo. 56, Food and Agriculture Organization of the United Nations, Rome. Antonopoulos, V.Z, and Antonopoulos, A.V., 2017. Daily reference evapotranspiration estimates by artificial neural networks technique and empirical equations using limited input climate variables. Computers and Electronics in Agriculture 132: 86-96.
  • Brutsaert, W.H., 1982.Evaporation into the Atmosphere, Reidel Dordrecht.
  • Dohnal, J.,2004. Using of Levenberg-Marquardt method in identification by neural networks, In Student EEICT 2004. Student EEICT 2004. Brno: Ing. Zdeněk Novotný CSc., 2004, pp. 361 - 365, ISBN 80-214-2636-5 . Fausset, L.V., 1994.Fundamentals of Neural Networks Architectures, Algorithms and Applications.Prentice Hall Upper Saddle River, NJ. Ferrari, S., Jensenius, M.,2008. A constrained optimization approach to preserving priorknowledge during incremental training, IEEE Trans. Neural Netw., Cilt: 19, No: 6, 996–1009.
  • Haykin, S., 2001. Neural Networks - A Comprehensive Foundation, Second Edition, Pearson Education, India.
  • Jensen, ME., Burman, R.D., and Allen, R.G., 1990.Evapotranspiration and Irrigation Water Requirements.ASCE Manuals and Reports on Engineering PracticesNo. 70. ASCE: New York, NY.
  • Kisi, O., 2007. Evapotranspiration modelling from climatic data using a neural computing technique. Hydrol Process, 21: 1925-1934.
  • Kisi, O., 2016. Evapotranspiration estimation using six different multi-layer perceptron algorithms. Irrigation and Drainage Systems Engineering 5:2.
  • Khosravi, Z.M.H., Barghinia, S., and Ansarimehr, P.,2006. New momentum adjustment technique for Levenberg-Marquardt neural network used in short term load forecasting in Proc. of 21st International Power System Conference (PSC 2006), Tehran, Iran.
  • Kumar, M., Raghuwanshi, N.S., Singh, R., Wallender, W.W., and Pruitt, W.O.,2002. Estimating evapotranspiration using artificial neural network, J Irrig Drain Eng -Asce. 128:224–233.
  • Landeras, G., Ortiz-Barredo, A., and Lopez, J.J, 2008. Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain). Agricultural Water Management 95: 553-565.
  • Naoum, S., and Tsanis, I.K., 2003. Hydroinformatics in evapotranspiration estimation. Environmental Modelling & Software18: 261–271.
  • Öztemel, E., 2016. Yapay Sinir Ağları, 3. Baskı, Papatya Bilim Yayınları, İstanbul.
  • Taymoor, A., 2008. Application of Radial Basis Function Neural Networks for Reference Evapotranspiration Prediction.
  • Trajkovic, S., 2005. Temperature-based approaches for estimating reference evapotranspiration. ASCE Journal of Irrigation and DrainageEngineering,131: 316–323.
  • Wilamowski, B.M., and Yu, H.,2010. Improved computation for Levenberg–Marquardt training. IEEE Transactions on Neural Networks , Cilt: 21, No: 6, 930-937.
Toplam 15 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Ziraat Mühendisliği
Bölüm Makaleler
Yazarlar

Fatih Sekendur

Ali Ünlükara

Bilal Cemek

Yayımlanma Tarihi 31 Ekim 2018
Yayımlandığı Sayı Yıl 2018 Cilt: 1 Sayı: 1

Kaynak Göster

APA Sekendur, F., Ünlükara, A., & Cemek, B. (2018). Kayseri İli Günlük Referans Evapotranspirasyonun (ET0) Yapay Sinir Ağlarıyla Tahmin Edilmesi. Erciyes Tarım Ve Hayvan Bilimleri Dergisi, 1(1), 25-37.