Abstract
Bu çalışmada su sıcaklığı (T), özgül iletkenlik (Öİ) verilerinden hesaplanmış elektriksel iletkenlik (Eİ), pH ve debi (Q) verileri kullanılarak çok değişkenli uyarlanabilir regresyon eğrileri (MARS) ve regresyon analizi (RA) yöntemleri ile ÇO konsnatrasyonunun tahmin edilmesi amaçlanmıştır. MARS yönteminde en iyi tahmin değerlerini üreten temel fonksiyonlar ve denklemler belirlenmiş, RA yöntemi doğrusal, üs, üstel ve kuadratik olmak üzere dört farklı fonksiyona uygulanmış ve bu fonksiyonlara ait katsayılar hesaplanmıştır. Modelleme çalışmalarında Amerika Birleşik Devletleri’nin Oregon eyaletinin kuzey batısında yer alan Willamette Nehri’nin yan kollarından biri olan ve yaklaşık 2435 km2’lik bir havza alanına sahip Clackamas Nehri’ne ait Eylül 2016 − Ağustos 2017 dönemi günlük ortalama verileri kullanılmıştır. Her bir su kalitesi değişkeninin ÇO konsantrasyonu tahmin performansına etkisini belirlemek amacıyla sekiz farklı model oluşturulmuştur. ÇO konsantrasyonu tahmininde kurulan modellerin ve kullanılan yöntemlerin performanslarının değerlendirilebilmesi için çeşitli istatistikler (ortalama karesel hatanın karekökü, ortalama mutlak hata, saçılım indeksi ve Nash Sutcliffe verimlilik katsayısı) kullanılmıştır. Modelleme çalışmalarından elde edilen sonuçlar irdelendiğinde, MARS yönteminin RA yönteminden daha iyi sonuçlar verdiği anlaşılmıştır. Regresyon fonksiyonları içerisinden ise en başarılı tahmin sonuçlarının kuadratik fonksiyondan elde edildikleri ve MARS yöntemi ile elde edilen değerlere de oldukça yakın oldukları görülmüştür. ÇO konsantrasyonu tahmininde en etkili değişkenlerin T ve Q oldukları dolayısıyla en etkisiz değişkenlerin ise Eİ ve pH oldukları anlaşılmıştır. Model 3, Model 5, Model 7 ve Model 8’den elde edilen sonuçların birbirine çok yakın olması sebebiyle daha az değişken ile güçlü tahminler yapması ve daha sade bir model olması bakımından ÇO tahmininde Model 3’ün kullanılmasının daha avantajlı olacağı sonucuna varılmıştır.
Highlights
In this study, it is aimed to estimate DO concentration using the river water temperature (WT), electrical conductivity (EC) computed from specific conductance (SC), pH, and discharge (Q) data by employing multivariate adaptive regression splines (MARS) and regression analysis (RA) methods
Mean data for a period from September 2016 to August 2017 were used in DO modeling studies for the Clackamas River having a basin area of approximately 2435 km2, which is one of the tributaries of the Willamette River located in the northwestern state of Oregon, USA
In order to evaluate the performances of the methods and the models used in estimating the river DO concentration, various statistics, e.g. the root mean square error, mean absolute error, scatter index, and Nash Sutcliffe coefficient of efficiency, were used
Summary
Çalışma alanı olarak Oregon (ABD) eyaletinin kuzey batısında yer alan, Willamette Nehri’nin yan kolu olan Clackamas Nehri seçilmiştir. 134 km ana kol uzunluğuna ve 2435 km2’lik havza alanına sahip nehir çoğunlukla ormanlık ve engebeli araziden akmaktadır (Şekil 1). Çalışma alanı olarak Oregon (ABD) eyaletinin kuzey batısında yer alan, Willamette Nehri’nin yan kolu olan Clackamas Nehri seçilmiştir. Willamette Nehri ile birleşmeden önceki son üçte birlik kısmında daha düz tarım arazilerinden ve yerleşim yerlerinden geçen Clackamas Nehri Portland (Oregon, ABD) şehrinin elektrik ve içme suyu ihtiyacının bir bölümünü karşılamaktadır. MARS yöntemi Freidman (1991) tarafından geliştirilen ve parametrik olmayan, bağımlı ve bağımsız değişkenler arasındaki fonksiyonel ilişkiye dair varsayımlarda bulunmayan bir regresyon yöntemidir. MARS yöntemi bağımsız değişkenlerin farklı aralıklarına karşılık gelen temel fonksiyonları kullanarak esnek bir regresyon modeli kurmaktadır (Toprak, 2011; Nacar ve diğ., 2018b). Çok büyük bir model bulununcaya kadar yani modelin karmaşıklığı maksimum seviyeye ulaşıncaya kadar eklenen temel fonksiyonlarla model geliştirilir. İkinci aşamada oluşturulan maksimum model budanarak yani önemli bağımsız değişkenler ve bu değişkenlerin karşılıklı etkileşimleri belirlenerek hata miktarı en küçük olan en uygun model oluşturulur (Ünal, 2009). MARS yöntemi ile ilgili daha detaylı bilgiler Yilmaz ve diğ. (2018) yapmış olduğu çalışmada bulunabilir
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Free) 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
