Determination of rainfall-runoff-sediment transport relationship in watersheds by using artificial neural network algorithm

Akarsular tarafından taşınan katı madde miktarlarına ait değerler, öncelikle biriktirme haznelerinin planlanması ve işletilmesi ve ayrıca havzanın erozyon karakteristiklerinin belirlenmesinde kullanılmaktadır. Taşınan katı madde miktarı su kaynaklarının yönetimi ve planlanması içinde önemli bir parametredir. Yukarıda bahsedilen bu sorunlardan dolayı yağış, akış ve katı madde taşınımı gibi hidrolojik olaylar arasındaki doğrusal olmayan dinamik ilişki doğru ve güvenilir bir biçimde belirlenmelidir. Yapılan bu çalışmada yapay sinir ağları yönteminin akarsularda katı madde miktarının tahmin edilmesinde kullanılabilirliği araştırılmıştır. Uygulama alanı olarak Büyük Menderes Nehri üzerinde bulunan Yukarı Büyük Menderes Alt Havzası ve Banaz Çayı Alt Havzası seçilmiştir. Yapay sinir ağları yöntemi ile bu havzalarda farklı giriş yapısına sahip katı madde tahmin modelleri geliştirilmiştir. Yapay sinir ağları sonuçları, gözlem değerleri ile karşılaştırılmış ve performansları uygunluk kriterleri ile değerlendirilmiştir. Elde edilen sonuçlar Yapay Sinir Ağları yönteminin katı maddenin modellenmesinde ve tahmininde başarılı bir şekilde uygulanabileceğini göstermiştir.Sediment yield carried in a stream is used for planning reservoirs and also for defining erosion charateristics of a basin. This is also an effective parameter for managing and planning water recources. Because of these problems which were explained above, the nonlineer dynamic relationship between hydrological events such as rainfall, runoff and sediment yield, have to be determined truly and certainly. In this study, the employability of artificial neural networks for estimating sediment yield carried in a stream have been researched. For application area, Up Menderes Subbasin and Banaz Çayı Subbasin were selected. Sediment yield forecasting models having various input structures were developed using Artificial Neuroal Networks. The results of the neural networks and observed values were compared and performances were assessed by fitness criterias. The results of ANN models have shown that ANN can be applied successfully and provides high accuracy and reliability for sediment yield forecasting