2026-10-21T05:18:34Zhttps://ebyu-rdlopen.rawdatalibrary.net/oai/requestoai:ebyu-rdlopen.rawdatalibrary.net:ebyu/268042026-10-20T22:45:08Zopenairedrivercom_ebyu_10007col_ebyu_25981col_ebyu_25969Fırat- Dicle havzası için yapay zeka teknikleri ile günlük nehir akımı tahminiApplication of soft computing techniques in river flow modeling in the case of Euphrates-Tigris basinSefa Nur YeşilyurtDr. Öğr. Üyesi Hüseyin Yıldırım DalkılıçANFISSupport vector machinesGaussian methodStream flow dataArtificial intelligenceANFISDestek vektör makineleriGauss yöntemiNehir akım verileriYapay zekaNehir akımı tahmini ve modellemesi; su kaynaklarının yönetimi, su talebinin karşılanması, sel gibi istenmeyen durumlarda erken uyarının sağlanabilmesi, sulama ve tarım faliyetleri gibi durumlarda önem arz ettiği için sürekli araştırılmaya ve geliştilmeye ihtiyaç duyulmuş bir konu olarak literatürde yer almaktadır. Ne yazık ki çok sayıda teknik ile tahmin ve modelleme yapılmaya çalışılsa da evrensel bir teknikten bahsetmek olanaksızdır. Bu durum farklı tekniklerin gelişmesini ve/veya teknikler arası kıyaslama yapılmasını, kullanılan parametreler için en doğru yöntemin saptanmasını zorunlu hale getirmiştir. Bu kapsamda, bu çalışmada Fırat- Dicle Havzasında yer alan on dört istasyonun 1981-2010 yılları akım verilerinin dağılım grafikleri oluşturularak normal dağılıma uygunluğu araştırılmış, verilerin dağılımı dikkate alınarak geçmiş dönem verileri ile mevcut verilerin korelasyonu incelenmiştir. Uyarlamalı Sinirsel Bulanık Mantık Sistemi (ANFIS), Destek Vektör Regresyonu (SVR) teknikleri ile yeni kullanılmaya başlayan; Gauss Süreç Regresyonu (GPR), Aşırı Öğrenme Makinesi (ELM) ve Sezgisel Sinir Ağları (ENN) yapay zekâ teknikleri ile değerlendirme yapılmıştır. Model performansının belirlenebilmesi için sıklıkla kullanılan Kök Ortalama Kare Hatası (RMSE), Ortalama Kare Hatası (MSE), Ortalama Mutlak Hata (MAE) ve korelasyon katsayısı (r) kullanılmıştır. Ayrıca rank analizi ile hangi tekniğin daha iyi sonuç verdiğinin bulunması amaçlanmıştır. Her ne kadar tüm modeller yüksek performans sergileseler de rank analizi yapılarak teknikler arası en iyi sonuç verenden başlayanarak kıyaslama yapıldığında sıralamanın ELM, GPR, ENN, SVR, ANFIS şeklinde olduğu görülmüştür. Sonuçların daha iyi yorumlanabilmesi için Taylor diyagramları ve model çıktılarının zaman serisi grafikleri oluşturulmuştur.River stream estimation is a subject matter that needs constant research and development since it is all-important in the management of water resources, meeting the water demand, irrigation and agricultural activities, and providing distant signal in unwanted situations such as floods. Unfortunately, a universal technique has been impossible to talk about yet although many techniques have been used for estimation and modeling. This has made it necessary to develop different techniques and / or to make comparisons between techniques and to determine the most accurate method for the parameters used. In this context, in this study, the distribution graphs of the flow data fourteen stations located in the Euphrates-Tigris Basin for the years 1981-2010 were created and their conformity to the normal distribution was investigated Evaluation has been made with Adaptive Neural Fuzzy Logic System (ANFIS), Support Vector Regression (SVR) techniques and the newly introduced Gaussian Process Regression (GPR), Extreme Learning Machine (ELM) and Emotional Neural Networks (ENN) artificial intelligence techniques. Root Mean Square Error (RMSE), Mean Square Error (MSE), Mean Absolute Error (MAE) and correlation coefficient (r), which are frequently used, were used to determine the model performance. In addition, it is aimed to find out which technique gives better results with rank analysis. Although all models work well, the sequence with regards to the comparison outcomes of the techniques obtained from rank analysis was observed to be ELM, GPR, ENN, SVR, ANFIS respectively. In order to better interpret the results, Taylor diagrams and time series graphics of the model outputs were created.Erzincan Binali Yıldırım University2022Master Thesishttps://rdlopen.rawdatalibrary.net/r/ebyu/26804trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://ebyu-rdlopen.rawdatalibrary.net/tr/items/ebyu/26804