Doğu Karadeniz bölgesinde yağış şiddeti–süre–tekerrür analizinin L-momentleri ve yapay sinir ağları ile yapılması

Abstract

Bu çalışmada Doğu Karadeniz Havzası için L-momentler ve yapay sinir ağları yöntemleri kullanarak yağış şiddeti süre tekerrür analizi yapılmıştır. Analizler 7 meteoroloji istasyonu verisi kulllanılarak 12 farklı yağış süresi için gerçekleştirilmiştir. Bölgenin homojenliği, L-momentler yöntemine dayalı uyumsuzluk ölçüsü (Di) ve heterojenlik ölçüsü (Hi) ile kontrol edilmiş ve bölgenin homojen olduğu belirlenmiştir. Bölge için yapılan uygunluk testlerinde Genelleştirilmiş Lojistik , Genelleştirilmiş Ekstrem Değer , Genelleştirilmiş Normal , Pearson Tip 3 ve Genelleştirilmiş Pareto dağılımları kullanılmıştır. Her bir istasyona uygun olan dağılımlara göre çeşitli tekerrür süreli yağış şiddeti değerleri 12 farklı yağış süresi için elde edilmiş ve bölge için şiddet-süre-tekerrür (i-t-T) grafiği oluşturulmuştur. Çalışmada ayrıca, enlem, boylam, yükseklik, süre ve tekerrür periyotları kullanılarak ÇK-YSA, GFF-YSA, TBA-YSA yöntemleri ve çoklu doğrusal olmayan regresyon analizi (RA) ile modeller geliştirilmiştir. Yağış şiddetlerini tahmin etmede, GFF-YSA yöntemi diğer yöntemlere daha güvenilir tahminler verdiği görülmüştür. In this study, rainfall intensity-duration-return period data in the Eastern Black Sea Region are analyzed by using L-moments and artificial neural networks (ANN). The data of 7 meteorological stations are analyzed for 12 different rainfall durations. Homogeneity of the region is determined by discordancy (Di) and heterogeneity measures (Hi) based on L-moments and the region is determined to be homogenous. Generalized Logistic (GLO), Generalized Extreme Value (GEV), Generalized Normal (GNO), Pearson Type 3 (PE3) and Generalized Pareto (GPA) distributions are fitted to the flood data of the homogeneous region. According to the best fit distribution, rainfall intensity values with various return periods are obtained for 12 different durations and intensity-duration-return period (IDF) graphics are generated. In the study, latitude, longitude, elevation, duration and return period values are also used to develop Multi Layer Perception (MLP), Generalized Feed Forward (GFF)-ANN and Principal Component Analysis (PCA)-ANN methods and multi nonlinear regression analysis. It has been concluded that, GFF-YSA method has yielded more reliable estimations for rainfall intensity.