- Yağış verilerinin öngörülebilir olması ve doğruya yakın şekilde tahmin edilebilmesi; mühendislik açısındanbirçok avantaj sağlayacak bir durumdur. Geçmiş yağış verileri yardımıyla bu öngörü işlemi belirlimatematiksel denklemler sayesinde yapılabilmektedir. Kara kutu modeli olarak adlandırılan analizsistemlerinde geçmiş veriler sayesinde oluşturulan modeller yardımıyla eksik veriler ve gelecekteki veriler tahminedilebilmektedir. Günümüzde gerek alınan verimli sonuçlar gerekse kullanım kolaylığı ve hızı sebebiyle bir kara kutumodeli olan Yapay Sinir Ağları (YSA) bu öngörü modellemelerinde sıkça kullanılmaktadır. Bu çalışmada bir YapaySinir Ağı yöntemi olan İleri Beslemeli Geri Yayılım (İBGY) metodu yardımıyla yağış verileri tahmin edilmiştir vesonuçlar çoklu doğrusal regresyon analizi sonuçları ile karşılaştırılmıştır. Tahmin modelleri hazırlanırken geçmişyıllara ait yağış, nispi nem ve sıcaklık verileri birlikte kullanılmıştır. Hazırlanan birçok farklı modelden beş tanesikarşılaştırma amacıyla seçilmiştir. Çalışmada en iyi performansı 6 adet giriş verisi bulunan (sıcaklık, iki günötelenmiş nispi nem, bir gün ötelenmiş nispi nem, iki gün ötelenmiş yağış, bir gün ötelenmiş yağış) model 5 sergilemişve ileri beslemeli geri yayılım sinir ağının, çoklu doğrusal regresyon analizine göre daha başarılı sonuçlar verdiğigörülmüştür.
Precipitation data are predictable and can be predicted close to true; engineering is a situation that will provide many advantages. With the help of past precipitation data, this prediction can be done with certain mathematical equations. In these analysis systems, which are called the black box model, missing data and future data can be estimated with the help of the models created by the past data. Artificial Neural Networks (ANN) are frequently used in these forecasting models due to the need for efficient results and the ease and speed of use. In this article, rainfall data were estimated using Advanced Feeding Back Propagation Neural Network (AFBPNN). Rainfall, relative humidity and temperature data from past years are used together while forecasting models are being prepared. Of the many different models prepared, five were selected for comparison. The best performance in the study was model 5 exhibited and forward feedback propagation neural network with 6 input data (temperature, two days drift relative humidity, one day drift relative humidity, two days drift rainfall, one day drift rainfall) according to multiple linear regression analysis more successful results.
