Presented at the Cognitive Models and Artificial Intelligence Conference (BMYZ2023), Ankara, Türkiye, Oct 26, 2023

SETSCI Conference Proceedings, 2023, 15, Page (s): 59-63 , https://doi.org/10.36287/setsci.6.1.021

Published Date: 29 December 2023    | 2717     7

Yeraltı su seviyelerinin izlenmesi ve tahmini, su kaynakları yönetimi için kritik bir öneme sahiptir. İklim değişikliği, nüfus artışı ve aşırı su çıkarma gibi etkenler, yeraltı suyu rezervlerine baskı oluşturabilir. Bu nedenle, yeraltı su seviyelerinin izlenmesi, akiferlerin sağlığının değerlendirilmesine, sorunların tespit edilmesine ve su yönetimi için bilinçli kararlar alınmasına yardımcı olacaktır. Yeraltı su seviyelerinin izlenmesi yeraltı su rezervlerinin kapasitesi, hassas tarım, yağmur suyu yönetimi ve karstik ortamlar gibi özel durumlar için önemlidir. Yapay sinir ağları (YSA) yeraltı suyu seviyesi tahmininde büyük ilgi görmüştür. Bu modeller, geçmiş verileri ve ilgili parametreleri kullanarak gelecekteki su seviyelerini tahmin etmek için kullanılmıştır ve yüksek başarı sağlamaktadır. Bu çalışmada, doğrusal olmayan otoregresif sinir ağı (NAR-NN) yaklaşımı ile AquiferAuser veri setindeki LT2 kuyusu için yeraltı su seviyesinin tahmini gerçekleştirilmiştir. 

Keywords - yeraltı su seviyesi tahmini, yapay sinir ağı, doğrusal olmayan otoregresif sinir ağı

Vuran, M., Salam, A., Wong, R., & Irmak, S. (2018). Internet of underground things in precision agriculture: architecture and technology aspects. Ad Hoc Networks, 81, 160-173. https://doi.org/10.1016/j.adhoc.2018.07.017

Masood, A., Tariq, M. A. U. R., Hashmi, M. Z. u. R., Waseem, M., Sarwar, M. K., Ali, W., … & Ng, A. W. M. (2022). An overview of groundwater monitoring through point-to satellite-based techniques. Water, 14(4), 565. https://doi.org/10.3390/w14040565

Jamin, P. and Brouyère, S. (2018). Monitoring transient groundwater fluxes using the finite volume point dilution method. Journal of Contaminant Hydrology, 218, 10-18. https://doi.org/10.1016/j.jconhyd.2018.07.005

Raza, U. and Salam, A. (2020). Wireless underground communications in sewer and stormwater overflow monitoring: radio waves through soil and asphalt medium. Information, 11(2), 98. https://doi.org/10.3390/info11020098

Wu, J., Chen, S., Zheng, K., Tian, L., Tai, S., Huang, Y., … & Ye, J. (2023). Monitoring methodology study of a reservoir built on the karst depression: a large scale laboratory simulation test. ACS Omega, 8(16), 14520-14530. https://doi.org/10.1021/acsomega.3c00072

Rajaee, T., Ebrahimi, H., & Nourani, V. (2019). A review of the artificial intelligence methods in groundwater level modeling. Journal of Hydrology, 572, 336-351. https://doi.org/10.1016/j.jhydrol.2018.12.037

Sureshkumar, V., Rajasomashekar, S., & Sarala, B. (2022). An efficient underground water prediction using optimal deep neural network. Concurrency and Computation: Practice and Experience, 35(1). https://doi.org/10.1002/cpe.7421

Najafabadipour, A., Kamali, G., & Nezamabadi‐pour, H. (2022). Application of artificial intelligence techniques for the determination of groundwater level using spatio–temporal parameters. ACS Omega, 7(12), 10751-10764. https://doi.org/10.1021/acsomega.2c00536

Samani, S., Vadiati, M., Azizi, F., Zamani, E., & Kişi, Ö. (2022). Groundwater level simulation using soft computing methods with emphasis on major meteorological components. Water Resources Management, 36(10), 3627-3647. https://doi.org/10.1007/s11269-022-03217-x

Wünsch, A., Liesch, T., & Broda, S. (2018). Forecasting groundwater levels using nonlinear autoregressive networks with exogenous input (narx). Journal of Hydrology, 567, 743-758. https://doi.org/10.1016/j.jhydrol.2018.01.045

Boussaada, Z., Curea, O., Remaci, A., Camblong, H., & Bellaaj, N. M. (2018). A nonlinear autoregressive exogenous (narx) neural network model for the prediction of the daily direct solar radiation. Energies, 11(3), 620. https://doi.org/10.3390/en11030620

Ruiz, L. G. B., Cuéllar, M. P., Calvo-Flores, M. D., & Pegalajar, M. (2016). An application of non-linear autoregressive neural networks to predict energy consumption in public buildings. Energies, 9(9), 684. https://doi.org/10.3390/en9090684

Blanchard, T. and Samanta, B. (2019). Wind speed forecasting using neural networks. Wind Engineering, 44(1), 33-48. https://doi.org/10.1177/0309524x19849846

Mohanty, S., Jha, M. K., Kumar, A., & Sudheer, K. P. (2009). Artificial neural network modeling for groundwater level forecasting in a river island of eastern india. Water Resources Management, 24(9), 1845-1865. https://doi.org/10.1007/s11269-009-9527-x

Kurban, R. (2023). Su Temin ve Dağıtım Sistemlerinin Otomasyonunda Endüstri 4.0, Nesnelerin İnterneti, Bulut Bilişim, Makine Öğrenimi ve Optimizasyon Uygulamaları, Mühendislikte Araştırma ve Değerlendirmeler - II, 49-70, Gece Kitaplığı.

Acea Smart Water Analytics (2023, October), https://www.kaggle.com/competitions/acea-water-prediction/data

Benmouiza, K., & Cheknane, A. (2013). Forecasting hourly global solar radiation using hybrid k-means and nonlinear autoregressive neural network models. Energy Conversion and Management, 75, 561-569.

This is an Open Access article distributed under the terms of the Creative Commons Attribution License 4.0, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.