YAPAY SİNİR AĞLARI KULLANILARAK ORMANLARDA KAR BİRİKİMİNİN TAHMİN EDİLMESİ. SNOW ACCUMULATION PREDICTION in FORESTS USING ARTIFICIAL NEURAL NETWORKS

Transkript

1 Bartın Orman Fakültesi Dergisi I.Ulusal Batı Karadeniz Ormancılık Kngresi Bildiriler Kitabı 2009, Özel Sayı, ISSN: , Cilt I, Sayfa: YAPAY SİNİR AĞLARI KULLANILARAK ORMANLARDA KAR BİRİKİMİNİN TAHMİN EDİLMESİ Abdurrahim AYDIN 1) ve Ahmet DUYAR 1) 1) Batı Karadeniz Ormancılık Araştırma Müdürlüğü, Blu ÖZET Bu çalışmada Yapay Sinir Ağları (YSA), farklı kapalılığa sahip rman alanlarında zeminde biriken kar örtüsü derinliğinin belirlenmesi amacıyla kullanılmış ve snuçları klasik yöntemle (regresyn) karşılaştırılmıştır. Çalışma Aladağ Orman İşletme Müdürlüğü, Sarıalan Orman İşletme Şefliği Sınırları içerisinde bulunan 1930 rakımlı bir yamaçta farklı Yaprak Alan İndeksi (YAİ) değerine sahip 3 ayrı ölçüm nktasında 42 ölçüm yapılarak gerçekleştirilmiştir. YAİ değerleri balıkgözü bjektif ile yarıküresel ftğraflar çekilerek Hemisfer 1.4 yazılımıyla belirlenmiş ve ölçüm nktaları için sırasıyla 0.54 m² m -2, 1.19 m² m -2 ve 2.24 m² m -2 larak bulunmuştur. Çalışmada Çk Katmanlı Algılayıcı (ÇKA; Multi Layer Perceptrn (MLP)) yöntemi (Yaygın larak uygulanan bir YSA yöntemi) uygulanmış ve 42 ölçümden 33 ü eğitim 9 u da test amaçlı seçilmiştir. Uygulama; 0.54 ve 1.19 YAİ değerine sahip örnek nktalarından 2.24 YAİ değerine sahip örnek nktasındaki kar birikiminin tahmin edilmesi şeklinde gerçekleştirilmiştir. Snuç larak YSA ile yapılan analizde ölçüm snuçlarıyla lan tplam mutlak fark 47.2 cm lurken, regresyn ile yapılan analizde bu fark 59.3 cm larak bulunmuştur. Anahtar kelimeler: Yapay sinir ağları, tahmin, yaprak alan indeksi, kar birikimi SNOW ACCUMULATION PREDICTION in FORESTS USING ARTIFICIAL NEURAL NETWORKS ABSTRACT In this study, Artificial Neural Netwrks (ANN) was used in rder t determine snw accumulatin n the grund f different canpy cvers and ANN results were cmpared with classical methd (regressin). Study was cnducted n a slpe with the altitude f 1930 m where 42 measurements was carried ut frm three sample pints with different Leaf Area Index (LAI) values in the Aladağ Frest Enterprise Directrate, Sarıalan Frest Enterprise. LAI values were determined by analyzing hemispherical phtgraph using Hemisfer 1.4 sftware and the results were fund as 0.54 m² m -2, 1.19 m² m -2 and 2.24 m² m -2 fr three sample pints, respectively. In the study, Multi Layer Perceptrn (MLP) methd (implemented as a cmmn methd f ANN) was applied and 33 measurements selected fr training stage and 9 measurements selected fr test stage frm ttal 42 measurements. Applicatin was carried ut at the sample plts with the measurements f 0.54 m² m -2 and 1.19 m² m -2 LAI t predict the sample plts with the measurements f 2.24 m² m -2 LAI. As a result, abslute difference f ANN-Measurements was fund as 47.2 cm while abslute difference f Regressin-Measurements was fund as 59.3 cm. Key wrds: Artificial neural netwrks, predictin, Leaf area index, snw accumulatin 1.GİRİŞ Kar önemli bir su kaynağı ve hidrljik döngünün önemli bir bileşenidir (Waring and Schlesinger, 1993). Sadece Kuzey Amerika da su üretiminin %70 i kar erimesinden kaynaklanmaktadır (Chang et al., 1996). Ormanların intersepsiynla tepe çatısında kar tutabilmesi çığ, sel, su üretimi gibi hidrljik knularda yönetim stratejilerinin belirlenmesi açısından önemlidir (McNay et al., 1988). İğne yapraklı rmanlarda tepe çatısı tarafından intersepsiyn ile tutulan kar miktarı kapalılığa göre değişmekle beraber tplam kar yağışının büyük bir kısmını luşturabilmektedir (Pmery and Schmidt, 1993; Lundberg and Haldin, 2001). Kapalı bir rman örtüsü altındaki kar birikimi tepe çatısındaki intersepsiyn ve ardından meydana gelen süblimasyndan dlayı kapalılık ve yaprak alanının artması ile azalmaktadır (Pmery et al., 2002). Pmery and Schmidt (1993) yıllık yağan tplam kar miktarının % 60 ının breal rmanlar tarafından tutulduğunu bunun 117

2 da % 30 undan fazla bir kısmının süblimleştiğini bildirmektedir. Strck et al., (2002) Oregn da iğne yapraklı bir rmanda yaptıkları bir çalışmada da benzer larak tepe çatısının yağan karın % 60 ına kadar tutabileceğini bildirmişlerdir. Mre and McCaughey (1997) yaptıkları çalışmada kapalılığın %10 artmasıyla kar-su eşdeğerinin % 6.4 azaldığını belirlemişlerdir. İntersepsiyn etkenliği kar yağışının artmasıyla azalmakta (McNay et al., 1988; Hedstrm ve Pmery, 1998) ve kapalılığın veya Yaprak Alan İndeksi (YAİ) nin artmasıyla da artmaktadır (Hedstrm ve Pmery, 1998; Strck and Lettenmaier, 2002). YAİ byutsuz bir değere sahip lup yaprak yüzeyinin yer yüzeyine ranı (m 2 / m 2 ) larak tanımlanmakta (Chen and Black, 1992) ve rmanlık alanlarda kar birikiminin belirlenmesinde kullanılabilecek en önemli değişken lduğu belirtilmektedir (Cughlan and Running, 1997). Kar birikimi-süblimasyn-kar su eşdeğeri-kapalılık ilişkilerinin belirlenmesi amacıyla YAİ nin etkin bir yöntem larak kullanılabileceği pek çk çalışma ile rtaya knulmuştur (Cughlan and Running, 1997; Hedstrm and Pmery, 1998; Pmery et al., 2002; Murray and Buttle, 2003; Lundberg et al., 2004: Suzuki et al., 2008). Bilgisayar teknljisinin ilerlemesi ile beraber karmaşık mühendislik prblemlerinin çözümünde yeni yaklaşımlar geliştirilmiştir. Bu yaklaşımlardan yapay zeka yöntemleri veya uzman sistemler larak bilinen Yapay Sinir Ağları (YSA), Bulanık Mantık (BM) ve Genetik Algritmalar (GA) pek çk araştırmacının ilgisini çekmiştir. YSA günümüzde elektrik, elektrnik, iktisat, inşaat, bilgisayar, endüstri, tıp gibi pek çk alanda yaygın larak kullanılmaktadır. Ormancılıkta da yaygın kullanılma alanı bulunmasına rağmen bugüne kadar yeterli çalışma bulunmadığı gözlemlenmektedir. YSA, insan beyninin özelliklerinden lan öğrenme ylu ile yeni bilgiler türetebilme, yeni bilgiler luşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan tmatik larak gerçekleştirmek amacı ile geliştirilen bilgisayar sistemleridir (Öztemel, 2003). YSA da insan beyni gibi örneklerle öğrenmektedir. Bu öğrenme işleminin snucu larak ilişkilendirme, veri sınıflandırma, genelleme, özellik belirleme veya örnek tanıma gibi işlevler ağ tarafından yerine getirilebilir. Ayrıca örneklerden elde ettikleri bilgiler ile kendi deneyim kazanarak daha snra karşılaşabileceği benzer bir durumda benzer karar verebilmektedirler. Bir YSA nın en temel görevi, kendisine gösterilen bir girdi setine karşılık gelebilecek bir çıktı seti belirlemektir. Bunu yapabilmesi için ağ, ilgili layın örnekleri ile eğitilerek (öğrenme) genelleme yapabilecek yeteneğe kavuşturulur. Bu genelleme ile benzer laylara karşılık gelen çıktı setleri belirlenir. Ağın eğitiminde örnek sayısı çk önemlidir. Çk sayıda örnekle eğitilmiş ağ daha iyi tahmin perfrmansı sağlamaktadır. Öğrenme sürecinde eğer çıkış değerleri de ağa veriliyrsa bu durumda denetimli (öğretmenli; kntrllu) öğrenme söz knusu lur. Denetimli öğrenmede çıkış değerleri ile ağın tahmin ettiği çıkış değerleri karşılaştırılarak hata miktarı bulunur ve bu hata kabul edilebilir seviyeye gelene kadar eğitime devam edilir. Diğer bir öğrenme tipi de denetimsiz (öğretmensiz, kntrlsuz) öğrenmedir. Burada denetimli öğrenme şeklinden farklı larak çıkış değerleri verilmez. Ağın çıkış değerlerini tahmin etmesi beklenir. Biyljik sinir ağlarındaki sinir hücrelerinin yapısı taklit edildiğinden YSA da da yapay sinir hücreleri bulunmaktadır. Yapay bir sinir hücresi, 1) girdiler (inputs; In), ağırlıklar (weights; Wn), tplam fnksiynu (sum functin; ), aktivasyn fnksiynu (activatin functin F( )) ve çıktı (utputs; ) lmak üzere 5 ana kısımdan luşmaktadır (Tsukalas and Uhrig, 1997) (Şekil 1). I 1 I 2 I 3 w 1 w 2 w 3 Tplam Fnksiynu ( ) Aktivasyn Fnksiynu F( ) I w N Şekil 1. Bir yapay sinir hücresi yapısı 118

3 3. MALZEME VE YÖNTEM Çalışma, Blu Orman bölge Müdürlüğü, Aladağ Orman İşletme Müdürlüğü, Sarıalan Orman İşletme Şefliği sınırları içerisinde ve Kartalkaya kayak merkezi ylu üzerinde 1930 m yükseltiye sahip bir rmanda seçilen bir deneme alanında yapılmıştır. Deneme alanı; 31º E ve 40º N krdinatlarındadır. Bu deneme alanında 3 ayrı YAİ değerine sahip örnek nktaları belirlenerek kış mevsiminde tplam 42 defa kar derinlik ölçümleri yapılmıştır (Şekil 2). Figure 2. Çalışma alanı Çalışma alanındaki örnek nktalarının YAİ değeri, balıkgözü bjektife sahip dijital ftğraf makinesi (Cann EOS D5) ile yarı küresel ftgraflar çekilerek belirlenmiştir. Ftğrafların yatay larak alınabilmesi için ftğraf makinesi üçayak (tripd) üzerine turtulup sabitlenmiştir. Ftğraflar alındıktan snra yarı küresel ftğraf analizi yazılımı lan Hemisfer 1.4 yazılımı kullanılarak YAİ değerleri belirlenmiştir. YSA metdljisine uygun larak kar derinlik verilerinden 33 adedi eğitim 9 adedi de test lmak üzere 2 gruba ayrılmıştır. Çalışmada Çk Katmanlı Algılayıcı (ÇKA) (Multi Layer Perceptrn; MLP) ileri beslemeli (feed frward) YSA kullanılmış, ağırlıkların belirlenmesi ise hatanın geriye yayılma (Backprpagatin) algritması kullanılmıştır (Şekil 3). 119

4 Şekil 3: Bir ÇKA YSA örneği (Kröse and Smagt, 1996) Kurulan YSA mdelinde aktivasyn fnksiynu larak ÇKA yönteminde yaygın bir şekilde kullanılan Tanjant hiperblik (Tanh) aktivasyn fnksiynu seçilmiştir. Tanh aktivasyn fnksiynu ile hesaplanan sinir hücresinin çıktısı Eşitlik (1) de verilmiştir (Şen, 2004); (1) Burada NET, yapay sinir hücresine karşılık gelen girdi değerini göstermektedir. Mdelin perfrmans kriteri larak Ortalama Mutlak Hata (mean abslute errr) seçilmiştir. Buna göre; (2) Frmülde, Ema rtalama mutlak hatayı, N örnek sayısını, hesaplanan değeri ve de ölçülen değeri göstermektedir. 3.BULGULAR 3.1. YAİ Değerlerinin Belirlenmesi Hemisfer 1.4 yazılımıyla analiz edilen ftğraflarda YAİ değerleri sırasıyla 0.54 m² m -2, 1.19 m² m -2 ve 2.24 m² m -2 larak bulunmuştur (Şekil 4). 120

5 a) b) c) Şekil 4. Balıkgözü bjektif ile çekilen yarı küresel ftgraflar: a) YAİ= 0.54, b) YAİ= 1.19 ve c) YAİ= YSA Uygulaması Veri Seti Çalışmada ölçülen değerler eğitim ve test seti larak ayrı ayrı Tabl 1 de gösterilmiştir. Veri setindeki ilk 33 veri eğitim geri kalan 9 veri ise test amaçlı larak kullanılmıştır. 121

6 Tabl 1: Çalışmada kullanılan ölçüm verileri Sıra N kar derinliği (cm) YAİ 0.54 YAİ 1.19 YAİ Kullanılan mdel ve Ağın eğitilmesi YSA, örnekler ile eğitildiğinden yeterli sayıda örnek ile eğitilmeleri gerekmektedir. Bu amaç için 42 adet veriden ilk 33 ü eğitim geriye kalan 9 u da test amaçlı larak kullanılmıştır. Yapay sinir hücreleri 3 katman halinde tasarlanarak ağ luşturulması sağlanmıştır. Bu katmanlar girdi katmanı, saklı katman (gizli katman) ve çıktı katmanıdır (Şekil 5). 122

7 İ 1 1 Giriş Saklı Çıktı Şekil 5: Kurulan YSA mdeli Ağın eğitilmesinde Tanh aktivasyn fnksiynu seçilmiştir. Giriş verileri larak 0.54 ve 1.19 YAİ değerlerine sahip örnek nktalarındaki kar derinliği, çıkış değeri larak da 2.24 YAİ değerine sahip örnek nktasındaki kar derinliği kullanılmıştır. Yapay sinir ağ yapısı larak ileri beslemeli sinir ağı, denetimli öğrenme tipi ve hatayı minimize etmek amacıyla hatayı geriye yayma algritması kullanılmıştır. Ağda gizli katman sayısı 1 seçilmiş, öğrenme derecesi 0.5, mmentum katsayısı 0.7 ve iterasyn sayısı 5000 seçilmiştir. Ağın eğitilmesinin ardından iterasyn sayısı ile rtalama karesel hata değişimi şekil 6 daki gibi lmuştur. Şekil 6: Ortalama karesel hatanın iterasyn ile değişimi Ağın Test Edilmesi Ağın eğitimi tamamlandıktan snra öğrenip öğrenmediğini test etmek amacıyla yapılan denemeler ağın test edilmesi aşamasını luşturmaktadır. Test aşamasında ağa öğrenme aşamasında görmediği veriler uygulanmalıdır (Öztemel, 2003). Bunun için test amacıyla ayrılan 9 veri kullanılmış ve snuçlar Tabl 2 ile Şekil 7 de verilmiştir. Ayrıca regresyn analizi de yapılmış ve ağ çıktılarının regresyn snuçlarına göre daha yakın snuçlar verdiği görülmüştür (Şekil 8). 123

8 N Tabl 2. YSA ve regresyn tahmin perfrmanslarının karşılaştırılması Ölçülen değer YSA çıktısı Regresyn (cm) (cm) (cm) YSA-Ölçülen değer mutlak farkı (cm) Regresyn- Ölçülen değer mutlak farkı (cm) Tplam Ort. Mutlak Hata Şekil 7. Ölçülen ve YSA ile tahmin edilen test verilerinin karşılaştırılması Şekil 8. Ölçülen değerler, YSA çıktısı ve regresyn snuçlarının karşılaştırılması 124

9 4.TARTIŞMA VE SONUÇ Kar önemli bir su kaynağı ve hidrljik döngünün önemli bir bileşenidir. Ayrıca sel ve çığ gibi dğal afetler ile ilgili rmanların kruyucu fnksiynlarının tam anlamıyla rtaya knulabilmesi için rmanların intersepsiynla tepe çatısında tutukları kar miktarının belirlenmesi önemlidir. Bu nedenlerle farklı kapalılığa sahip rmanlar ile açık alanlarda biriken kar örtüsünün belirlenmesi bu knuda çalışan araştırmacıların ilgisini çekmiştir. Eksistem mdellemeleri genellikle dğrusal lmayan ve günümüzde bile etkisi tam larak tanımlanamayan ve zamana bağlı larak değişen çk parametre tarafından etkilenmektedir. Bu durum sağlıklı mdel kurmayı zrlaştırmaktadır. YSA, bu mahzurları bulundurmadığı başka bir deyişle tahmin yaparken daha önceden ölçülen/gözlenen verileri kullandığı için etkin bir araç larak kullanılabilir. Bu çalışmada, 3 farklı YAİ değerine sahip örnek nktalarında kar ölçümü yapılmış ve YSA nın kar birikimi tahmininde ldukça iyi snuç verdiği görülmüştür. Ayrıca regresyn analizi de yapılmış ve YSA nın regresyn analizine kıyasla daha iyi tahmin perfrmansı gösterdiği belirlenmiştir. Şüphesiz eğitime alınan veri sayısı YSA ile tahmin yapılan tahmin perfrmansının artması ile ilgilidir. Tahmin perfrmansının arttırılması için çk fazla sayıda veri ile çalışılması önemlidir. Orman mühendisliğinin çalışma alanlarında YSA etkin bir şekilde kullanılabilir. KAYNAKLAR Chang, A.T.C., Fster, J.L. and Hall. D.K., Effects f Frest n the Snw Parameters Derived frm Micrwave MeasurementsDuring the Bres Winter Field Campaign, Hydrlgical Prcesses 10: Chen, J.M. and Black, T.A., Defining Leaf-Area Index fr Nn-Flat leaves, Plant Cell and Envirnment, 15 (4): T.A. Black dğru mu yazıldı acaba? Cughlan J.C. and Running, S.W., Reginal ecsystem simulatin: A general mdel fr simulating snw accumulatin and melt in muntanius terrain, Landscape Eclgy 12: Hedstrm, N.R. and Pmery, J.W., Measurements and mdelling f snw interceptin in the breal frest, Hydrlgical Prcesses, 12: Kröse, B. And van der Smagt, P An intrductin t neural Netwrks, The University f Amsterdam, eighth editin. Lundberg, A., and Halldin, S., Snw interceptin evapratin. Review f measurement techniques, prcesses and mdels. Theretical and Applied Climatlgy, 70(1-4): Lundberg, A., Nakai, Y., Thunehed, H., and Halldin, S., Snw accumulatin in frests frm grund and remte-sensing data, Hydrlgical Prcesses 18: McNay, R.S., Petersen, L.D., and Nyberg, J.B., The influence f frest and characteristics n snw interceptin in the castal frests f British Clumbia Can. J. Fr. Res., 18: Mre, CA, McCaughey, W., Snw accumulatin under varius frest stand densities at Tenderft Creek Experimental Frest, Mntana, USA. Prceedings f the Western Snw Cnference; Murray, C.D. and Buttle, J.M., Impacts f clearcut harvesting n snw accumulatin and melt in a nrthern hardwd frest, Jurnal f Hydrlgy 271: Öztemel, E., Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul. Pmery, J.W. and Schmidt, R.A., The use f fractal gemetry in mdelling intercepted snw accumulatin and sublimatin, Prceedings Eastern Snw Cnference, 50: 1-10 Pmery, J.W., Gray, D.M., Hedstrm, N.R. and Janwicz, J.R., Predictin f seasnal snw accumulatin in cld climate frests, Hydrlgical Prcesses, 16: Strck P, Lettenmaier D.P, Bltn S.M., Measurement f snw interceptin and canpy effects n snw accumulatin and melt in a muntainus maritime climate, Oregn, United States. Water Resurces Research 38: 1 16 Suzuki, K., Kdama, Y., Yamazaki, T. and Ksugi, K., Snw accumulatin n evergreen needleleaved and deciduus brad-leaved trees, Breal Envirnment Research, 13: Tsukalas, L.H., and Uhrig, R.E Fuzzy and Neural Appraches In Engineering, Jhn Wiley&Sns Inc., 587p. Şen, Z Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları, İstanbul. Waring, R.H. and Schlesinger. W.H., Frest ecsystem: Cncepts and Management. Academic Press, Lndn, ISBN: