Akademik Veri Yönetim Sistemi
Istanbul University Journal of the Faculty of Forestry, cilt.63, sa.1, ss.19-25, 2013 (Hakemli Dergi)
Bu çalışmada meşe-kayın karışık meşceresinde, yapraklı dönem intersepsiyonu kullanılarak yapay sinir ağı modeli ile yapraksız dönem intersepsiyonunun tahmin edilmesi amaçlanmıştır. Yapraklı ve yapraksız olmak üzere iki dönemde belirlenmeye çalışılan intersepsiyon miktarı için açık alana düşen yağış ile meşe-kayın karışık meşcere altına düşen yağış miktarları kullanılmıştır. Yapay sinir ağı modeline entegre edilecek veriler test ve tahmin olmak üzere iki ayrı gruba ayrılmıştır. Test grubu girdi verileri olarak yapraklı dönem yağış değerleri (açık alan-ormanaltı yağış), çıktı verileri için ise yapraklı dönem intersepsiyon değerleri kullanılmıştır. Tahmin grubu girdi verileri olarak yapraksız dönem yağış değerleri (açık alan-orman altı yağış) alınmıştır. Yapraksız dönem (bilinen) intersepsiyon değerleri ile yapay sinir ağı modeli sonucu tahmin edilen intersepsiyon değerleri kendi aralarında regresyon ve ortalama karesel hatadan oluşan bir performans değerlendirmesine tabi tutulmuştur. Yapılan regresyon analizine göre bilinen intersepsiyon miktarı (mm) ile tahmin edilen intersepsiyon miktarı (mm) arasında önemli bir ilişki saptanmış (R2= 0,90) ve bu iki değer arasında hesaplanan ortalama karesel hatanın düşük çıktığı (OKH = 3,47) görülmüştür. Ancak, bu iki periyot değerleri arasında istatistiksel anlamda önemli bir fark bulunmamaktadır (P =0,004). Araştırma sonucunda ortaya konulan yapay sinir ağı tahmin modeli yardımıyla benzer özelliklere sahip bir meşceredeki yapraklı veya yapraksız dönem intersepsiyon miktarları tahmin edilebilecektir.
The objective of this paper was to estimate the dormant season interception of an oak-beech mixed forest with the growing season interception data by using an artificial neural network model. Precipitation and throughfall data were used to find out the amount of interception amounts in growing and dormant seasons. There is statistical difference (P =0,004) between two seasons in terms of interception. The data was divided into two groups of testing and estimating and was then integrated to the articial neural network model. Growing season precipitation data (total precipitation-throughfall) were used as inputs while interception data were used as outputs.. Dormant season precipitation (total precipitation-throughfall) were used as estimating group inputs data. A performance evaluation composed of regression and mean squared error, was performed between interception values of dormant season and estimating interception values with artificial neural network. Significant linear correlation was found between estimated and measured interception values with a high determination coefficiant (R2= 0.90 for dormant season respectively) and low mean square error (MSE = 3.47) . Models presented in this study are applicable to stands of similar features. In other words, if throughfall and total precipitation values are known, these models provide the researchers with the opportunity to estimate interception amounts of different seasons in ecosystems of stand which have similar characteristics.