Yeraltı suyu seviye değişiminin M5 karar ağacı ve yapay sinir ağları yöntemleriyle belirlenmesi

Abstract

Bu çalışmada, bağımlı değişken yeraltı suyu seviyesi (YASS) ve bağımsız değişkenler olarak da yağış, sıcaklık ve önceki günkü yeraltı suyu seviyesi kullanıldığı bir stokastik modelle yeraltı suyunun davranışı araştırılmıştır. Yeraltı suyu seviyesinin yüksek olduğu Amerika Birleşik Devletlerinin Minnesota şehrinde Prairie Adası yakınlarındaki PI98-14 numaralı gözlem kuyusu istasyonu seçilmiştir. Bu gözlem istasyonu için oluşturulacak olan modeller, Minnesota da yeraltı suyunun takip edilmesi ve kontrol altına alınması, gelecekteki olası değişimlerinin izlenmesi açısından ve oluşabilecek sorunlara önlem alma konusunda faydalı olacağı düşünülmektedir. Çalışmada, Amerika Birleşik Devletleri'ndeki Minnesota şehrinde yer alan Prairie Adası yakınındaki rezervuarın PI98-14 numaralı gözlem kuyusundan elde edilen verilerden faydalanılmıştır. 2025 günlük yağış (Y), sıcaklık (S) ve önceki günkü yeraltı suyu seviyesi (YASSt-1) bilgilerini içeren bu veriler, Amerika Birleşik Devletleri Jeolojik Araştırma Kurumun'ndan (USGS) alınmıştır. Alınan bu veriler, Yapay Sinir Ağları (YSA), Çoklu Doğrusal Regresyon (ÇDR) ve M5 Karar Ağacı (M5T) metotlarında girdi olarak kullanılmıştır ve yeni yer altı su (YASS) değerleri tahmin edilmiştir. Kullanılan her üç modelde de, birer adet değerlendirme yapılmıştır. Modellerin tahmin sonuçları Determinasyon Katsayısı (R2), Ortalama Mutlak Hata (OMH) ve Kök Ortalama Kare Hata (KOKH) kriterlerine göre karşılaştırılmıştır. Bu karşılaştırmaya göre tüm modeler biribirine yakın sonuçlar göstermiş ve yeraltısuyu seviye tahmininde başarılı olmuştur.

In this study, groundwater behavior was investigated with a stochastic model using groundwater level (GWL) as dependent variables and precipitation, temperature and previous day's groundwater level as independent variables. Observation well station PI98-14 near Prairie Island in Minnesota, USA, where the groundwater level is high, was selected. It is thought that the models to be created for this observation station will be useful in monitoring and controlling groundwater in Minnesota, monitoring possible changes in the future and taking precautions against possible problems. In the study, the data obtained from the PI98-14 observation well of the reservoir near the Prairie Island in the city of Minnesota in the United States was used. These data, which include 2025 days of precipitation (Y), temperature (S) and the groundwater level of the previous day (GWLt-1), were obtained from the United States Geological Survey (USGS). These obtained data were used as inputs in Artificial Neural Networks (ANN), Multiple Linear Regression (MLR) and M5 Decision Tree (M5T) methods and new groundwater level (GWL) values were estimated. In each of the three models used, one evaluation was made. The estimation results of the models were compared according to the Coefficient of Determination (R2), Mean Absolute Error (MSE) and Root Mean Square Error (RMSE) criteria. According to this comparison, all models showed close results and were successful in groundwater level estimation.