Akademik Veri Yönetim Sistemi
Avrupa Bilim ve Teknoloji Dergisi, cilt.24, sa.2, ss.10-17, 2021 (Hakemli Dergi)
Su canlı yaşamı için en önemli doğal kaynaklardan birisi olup hızlı nüfus artışı, tarım ve sanayide suyun bilinçsiz kullanımı ile
kirletilmesi telafisi zor durumlara neden olabilecektir. Su kalitesi sadece insan yaşamı için değil, diğer tüm canlı yaşamı için de
önemlidir. Su kirliliği ile ilgili en önemli parametrelerden birisi çözünmüş oksijendir. Çözünmüş oksijen suda canlı yaşamı için
hayatidir. Yapay sinir ağlarının su yönetimindeki diğer uygulamalarla birlikte su kalitesi parametreleri için de kullanım alanı vardır. Su
kalitesi parametrelerinin yapay sinir ağları ile modellenmesiyle önemli kazanımlar sağlanabilir. Bu çalışmada, Sakarya Havzası
gözlem istasyonlarına ait 1995–2014 yılları arasındaki aylarda ölçülmüş su kalitesi verileri ile çözünmüş oksijen değerinin
modellemesi yapılmıştır. Modellede giriş verileri; sıcaklık, elektriksel iletkenlik, pH, biyolojik oksijen ihtiyacı ve aylar çıkış verisi ise
çözünmüş oksijendir. Toplamda 1388 adet veri mevcuttur. Toplam verinin %80’ni (1107 veri) eğitmede, %20’si (281 veri) test verisi
olarak kullanılmıştır. Bu çalışmamızda modellerin tahmin başarısını ölçmek için, Kök Ortalama Karesel Hata, Ortalama Mutlak Hata,
Ortalama Mutlak Bağıl Hata ve Nash–Sutcliffe Model Verimlilik Katsayısı ölçütleri kullanılmıştır. Çalışma sonucunda hata kriterleri
makul değerlerde olup tahmin etme gücü yüksektir
Water is one of the most important natural resources for living life, and its rapid population growth, unconscious use of water in
agriculture and industry and its pollution may lead to difficult situations. Water quality is important not only for human life but also
for all other living things. One of the most important parameters regarding water pollution is dissolved oxygen. Dissolved oxygen is
vital to aquatic life. Artificial neural networks have uses for water quality parameters along with other applications in water
management. Significant gains can be achieved by modeling water quality parameters with artificial neural networks. In this study,
the modeling of the dissolved oxygen value with the water quality data measured in the months between 1995−2014 belonging to the
Sakarya Basin monitoring stations was made. Temperature, electrical conductivity, pH, biological oxygen demand, and months are
used as input data in model. Also, dissolved oxygen ise used output data. There are 1388 data in total. 80% of the total data (1107
data) was used for training, 20% (281 data) was used as test data. In this study, Root Mean Square Error, Mean Absolute Error, Mean
Absolute Relative Error, and Nash−Sutcliffe Model Efficiency Coefficient criteria were used to measure the prediction success of the
models. As a result of the study, the error criteria are reasonable and its predictive power is high