2026-10-21T05:17:47Zhttps://ebyu-rdlopen.rawdatalibrary.net/oai/requestoai:ebyu-rdlopen.rawdatalibrary.net:ebyu/266442026-10-20T22:44:56Zopenairedrivercom_ebyu_10007col_ebyu_25981col_ebyu_25969FFNN, ANFİS ve LSTM modelleri kullanarak fırat havzasının aylık akım tahminiMonthly streamflow predıctıon of euphrates basin by using FFNN, ANFİS and LSTM modelsNazim NazimiDoç. Dr. Neşe ErtugaySu kaynaklarının etkin bir şekilde kullanılabilmesi için kontrol ve yönetiminin doğru bir şekilde yapılması gerekir. Su kaynaklarının planlanması ve yönetimi içerisinde yer alan su yapıları ve çevresinin şehirleşme, nüfus artışı ve suya olan talebin de hızlı bir şekilde arttığını düşünecek olursak suyun akış tahminlerinin ayrıntılı olarak araştırılıp doğru verilerin elde edilmesi gerekir. Kısaca, suyu kontrol etmek için mevcut ve gelecekteki potansiyelinin bilinmesi gerekmektedir. Bu çalışmada, akarsu akımlarının tahminine yardımcı olabilecek modellemeler üzerine hesaplamalar yapılmıştır. Genel olarak su akışı tahmini için geleneksel ve Yapay Zekâ (AI) olmak üzere iki tür model kullanılır. Geleneksel yöntemlerin aksine AI modelleriyle doğrusal ve sabit olmayan su akım tahminlerde bulunmak daha etkili sonuçlar vermektedir. Çalışmamızda Fırat Havzası'nın aylık su akımı tahmini için İleriye Beslemeli Yapay Sinir Ağları (FFNN), Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) ve Uzun Kısa Vadeli Hafıza Ağları (LSTM) olmak üzere üç farklı yapay sinir modeli kullanılmıştır. Hesaplamalarda Fırat Havzası'nın dört istasyonundaki 1981-2011 yıllar arası veriler kullanılmıştır. FFNN ve ANFIS modellerini çalıştırabilmek için Matlab programı, LSTM modeli için ise Payton programı uygulanmıştır. Sonuçlar karşılaştırıldığında ANFIS'in diğer modellere göre, LSTM modeli ise FFNN modeline göre daha iyi sonuçlar verdiği görülmüştür. Bu modellerin performans kriterlerini belirlemek için en çok tavsiye edilen model değerlendirme indislerinin üç tanesi kullanılmıştır. Bu değerlendirme indisleri; Ortalama Mutlak Hata (MAE), Korelasyon Katsayısı (R) ve Nash Sutcliffe Verimlilik (NSE)'dir. Anahtar Kelimeler: Akım Tahmini, ANFIS, FFNN, LSTMIn order to use water resources effectively, it must be controlled and manage accurately. If we think of the rapidly increasing urbanization, water structures and their surroundings, population growth and the demand for water, streamfllow estimate must be investigated in detail and accurate data should be obtained. İn short, to control the water, it is necessary to know the current and future potential of it. In this study, calculations had been done using past months streamflow as input. Generally, two types of models are used for streamflow prediction, conventional and artificial Intelligence (AI). Unlike traditional methods, prediction of nonlinear and nonstationary streamflow with AI models can give more accurate results. In this study, for the monthly streamflow estimation of the Euphrates Basin three different Aİ models; Feed Forward Neural Networks (FFNN), Adaptive neuro fuzzy inference system (ANFIS) and Long Short Term Memory Networks (LSTM) had been used. For this purpose, data between 1981-2011 at four stations in the Euphrates Basin were used. To run FFNN and ANFIS models, Matlab program was used and to rum LSTM model, Payton program was used. İn the end, the results were compared and it was found out that ANFIS was superior compared to LSTM and FFNN, Secondly, LSTM showed better performances than FFNN. To compare the performances of the models, Three of the most recommended model performance criterias; Mean Absolute Error (MAE), Correlation Coefficient (R) and Nash Sutcliffe Efficiency (NSE) were used. Keywords: ANFIS, FFNN, LSTM, Streamflow PredictionErzincan Binali Yıldırım University2021Master Thesishttps://rdlopen.rawdatalibrary.net/r/ebyu/26644trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://ebyu-rdlopen.rawdatalibrary.net/tr/items/ebyu/26644