Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği

Abstract

Yeraltı suyu dünyanın birçok yerinde içme ve tarımsal sulama amaçlı kullanılmaktadır. Tarımsal faaliyetler zamanla yeraltı sularını kirleterek kalitesinin bozulmasına neden olabilmektedir. Kalitesi bozulmuş bu sular insan sağlığını ve bitkilerin gelişimini olumsuz yönde etkilemektedir. Özellikle kirlenmeye açık serbest akiferlerde yeraltı suyu kalitesinin ucuz yöntemler ile izlenmesi önem kazanmaktadır. Bu çalışmada Ergene Havzası doğu kesiminde yer alan serbest akiferdeki sodyum absorbsiyon oranı (SAR) değerinin tahmini için bir yapay sinir ağı modeli önerilmektedir. Ergene Havzası doğu kesiminde serbest akiferde açılmış olan 18 su kuyusundan bir yıllık süre ile aylık olarak alınan örneklerden elde edilen elektriksel iletkenlik, toplam çözünmüş katı miktarı, sıcaklık, toplam sertlik, klorür miktarı ve pH değerleri model için girdi olarak kullanılmıştır. Modellenen yapay sinir ağında, Levenberg-Marquardt (trainlm) geri yayılım algoritması olarak seçilmiş ve 35 nöron sayısı kullanılmıştır. Modelin sonuçları ile hedefler arasında yüksek tutarlılık gözlenmiştir (R=0,885). Önerilen bu model ile yeraltı sularının daha ucuz ve kolay bir şekilde izlenmesi mümkün olabilecektir

Groundwater is used for drinking and irrigation purposes in many parts of the world. Irrigation practices result in the deterioration of the quality of the groundwater over the time and this adversely affects the human health and plant growth. Monitoring of the vulnerable aquifers with cost-effective methods is important. In this study an artificial neural network model is proposed for the prediction of sodium absorption ratio (SAR) in the unconfined aquifer, located in the east of Ergene basin. The samples taken from 18 observation wells were analysed monthly for electrical conductivity, total dissolved solids, temperature, total hardness, chloride and pH. Levenberg–Marquardt (trainlm) was selected for backpropagation algorithm and 35 neurons were used in the model architecture. The model follows up the experimental data very closely (R= 0,855). Application of the proposed model would make possible to monitor the aquifers in a more cost-effective and easier way