kaynakları proje ve planlamalarının en etkili şekilde yapılabilmesi için düzenli olarak verilerin toplanması ve bu verilerin analiz edilmesi gerekmektedir. Ancak gerek maddi gerekse teknik nedenlerden dolayı bazı alanlarda veriler düzenli olarak toplanamamaktadır. Bu durum ise eksik veri problemini beraberinde getirmektedir. Eksik veri problemi su kaynaklarının planlanmasında, projelendirilmesinde ve yönetiminde birtakım sorunlar meydana getirmektedir. Bu problemin çözümü için ölçüm yapılan istasyona benzer nitelikteki diğer istasyon verilerine ihtiyaç duyulmaktadır. Eksik verilerin tamamlanması için literatürde çok farklı çalışmalar yapılmıştır. Bu çalışmada ise Türkiye'nin Yeşilırmak nehri üzerinde bulunan ölçüm istasyonları kullanılmıştır. Çalışmada Symbiotic Organisms Search (SOS) algoritması yardımı ile 3 farklı fonksiyon optimize edilmiştir. Ayrıca optimize edilen fonksiyonlar yapay sinir ağları, normal oran metodu ve çoklu regresyon yöntemlerinden elde edilen sonuçlar ile karşılaştırılmıştır. Oluşturulan modellerden elde edilen sonuçlar Mallows's Cp ile test edilmiş ve sonuçların kabul edilebilir düzeyde olduğu görülmüştür. Yapay sinir ağları ile oluşturulan 6 adet modelin sonuçları ise normal oran metodu ve çoklu regresyona göre daha iyi sonuç vermesine rağmen Symbiotic Organisms Search optimizasyon yöntemi kadar başarılı olamamıştır. Yapay sinir ağları modellerinden en iyisi de bu çalışma için 8 nöronlu olarak tespit edilmiştir. Çalışmada SOS olmadan oluşturulan modellerin hata değerlerinin %3-%4 seviyelerinde olduğu, SOS ile optimize edilen fonksiyon sonuçlarının diğer yöntemlere göre daha iyi olduğu görülmüştür.
Günümüzde suya olan talebin artması, mevcut su kaynaklarının korunması ve projelendirilmesi konusunu çok önemli hale getirmiştir. Projelendirme aşamasının en uygun şekilde yapılabilmesi için veri toplama, analiz etme ve gelecek verilerin tahmini gereklidir. Gelecek verilerin tahmin edilebilmesi için pek çok yöntem geliştirilmiştir. Bu çalışmada Yeşilırmak Nehri üzerinde bulunan 3 adet istasyonun gelecek dönemdeki akış miktarlarının yapay sinir ağları ile tahmin edilmesi amaçlanmıştır. Yapay sinir ağları (YSA) ile zaman serisi analizi yapılırken geriye dönük olarak kaç dönemlik verinin kullanılması gerektiği problemin başarısını doğrudan etkilemektedir. Geriye dönük olarak bakılan veri sayısı (zaman gecikmesi) bir optimizasyon problemi olarak ele alınabilmektedir. Bu aşamada Karınca Aslanı Algoritması (KAA) kullanılarak, zaman gecikmesi boyutunun optimize edilmesi gerçekleştirilmiştir. Zaman gecikmesine ek olarak yapay sinir ağlarında kullanılan gizli katman sayısı da modele eklenerek optimize edilmiştir. Elde edilen sonuçlara bakıldığında; YSA ile birlikte sezgisel optimizasyon tekniklerinin kullanılmasının modelin başarısını artırdığı sonucuna varılmıştır.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.