ÖZET Anahtar Kelimeler: Günlük akım tahmini, akım modellemesi, otoregresif modeli, ileri beslemeli sinir ağı, radyal temelli sinir ağı, geri beslemeli sinir ağı Akarsularda debi, hız, derinlik gibi hidrolojik zaman serilerinin tahmin edilmesi, taşkınları önceden haber verme, hazne işletme çalışmaları ve katı madde hareketi için çok önemlidir. Ancak verilerin çok geniş aralıkta olması, parametrelerdeki belirsizliklerin zaman serilerini etkilemesi ve yeterli sayıda parametre olmamasından dolayı mevcut klasik metotlarla akımı tahmin etmek zaman almakta ve iyi sonuçlar vermemektedir. Hidrolojide akarsu akımlarını zaman serisi modellerinden otoregresif (AR) modeli tahmin etmek yaygın olarak kullanılmaktadır. Son zamanlarda ise Yapay Sinir Ağları (YSA) zaman serilerinin tahmininde sıkça kullanılmaya başlanmıştır. Bu çalışmada AR(4) ve YSA günlük akımların tahmini için kullanılmıştır. Üç farklı yapay sinir ağı seçilmiştir, bunlar sırasıyla ileri beslemeli geri yayınımlı (İBGYSA), radyal temel işlemcili (RTÎYSA) ve geri beslemeli yinelenen (GBYYSA) yapay sinir ağlarıdır. AR modeli, sinir ağlarının mimarileri ve eğitim prosedürleri verilmiştir. AR(4) ve YSA modelleri Sakarya Nehri üzerindeki Çifteler (1) ve Sivrihisar (2) istasyonlarının 1989-1993 yıllarının günlük akım verilerine uygulanmışta". 1. ve 2. istasyon için aynı istasyonlara ait 1989-1991 yıllan verileri ile eğitilmiş ve 1992-1993 yılları verileriyle test edilmiştir. Ayrıca mansapta kalan 2. istasyonda akün tahmini için, 1. ve 2. istasyonlara ait 1989-1991 yılları verileri ile eğitilmiş ve 1992-1993 yılları verileriyle test edilmiştir. Bu senaryolardan elde edilen sonuçlar birbirleriyle ve AR(4) modeli ile karşılaştırılmış, tablolar ve şekillerde verilmiştir. AR(4), İBGYSA, RIİYSA ve GBYYSA modellerinin determinasyon katsayıları Çiftelerde sırasıyla 0.7547, 0.9495, 0.9479, 0.9991 ; Sivrihisarda sırasıyla 0.9725, 0.9857, 0.98572, 0.9844 olarak elde edilmiştir. Sivrihisar için 1. ve 2. istasyon verileri ile eğitildiğinde İBGYSA, RTÎYSA GBYYSA modellerinde determinasyon katsayıları 0.9874, 0.9869, 0.9879 olarak elde edilmiştir. Sonuç olarak, Çiftelerde 0.9991 hem de Sivrihisar'da 0.9879 determinasyon katsayısıyla GBYYSA modeli en iyi sonucu vermiştir. Sonuç olarak GBYYSA modeli her İM istasyonda da en iyi sonucu vermiştir. XI
RIVER FLOW MODELING USING ARTIFICIAL NEURAL NETWORK METHODS SUMMARY Key Words: Daily flow forecasting, flow modeling, autoregressive (AR) model, feed forward neural network (FFNN), radial basis neural network (RBNN), recurrent neural network (RNN) Estimation of hydrologic time series such as discharges, velocity, and depth in rivers is very important for forecasting floods, reservoir operations, and sediment transport rates. Traditional methods do not yield good results since large intervals of data, affected time series by uncertainties, absent of enough parameters. Time series models autoregressive (AR) models of time series models are commonly used to forecast river flows in hydrology. Recently, Artificial Neural Network (ANN) is started to use frequently to forecast time series. In this study, AR(4) and ANN are used to forecast daily flows. Three types of ANN such as Feed Forward Back Propagation Artificial Neural Network (FFNN), Radial Basis Artificial Neural Network (RBNN), Feed Backward Recurrent Artificial Neural Network (RNN) are selected. AR model and architectural structures and education procedures of ANN are presented. AR(4) and ANN models are applied for 1989-1993 daily flows of Çifteler and Sivrihisar stations in the Sakarya River. Data of Station 1 and 2 is educated between 1989-1991 and tested between 1992-1993 for their own values. Results obtained in these scenarios were compared with each other and AR(4) models and presented in tables and figures. Determination coefficients in AR(4), FFNN, RBNN, RNN models were obtained as 0.7547, 0.9495, 0.9479, 0.9991, 0,7547 for Çifteler, 0.9725, 0.9857, 0.98572, 0.9844 for Sivrihisar respectively. When data is educated for Station 1 and 2 for Sivrihisar, RNN yields the best result with 0.98793 of determination coefficient. RNN yields best result in both stations. xii
