Abstract
Geçmişten günümüze hava tahmini insanlık için önem arz etmektedir. Hava tahmininin hassas gerçekleştirilebilmesi sel, tsunami vb. doğal afetlere karşı önlemler alınarak oluşacak olumsuz etkileri en düşük seviyeye indirmeyi sağlayabilmektedir. Bu çalışma kapsamında radyosonde verilerini kullanarak hava durumu kestirimi yapılmaktadır. Bu kestirimde en yüksek ve en düşük sıcaklık tahmini yapılmaktadır. Makine Öğrenmesi Algoritmaları kullanarak kestirim gerçekleştirilmiştir. Daha önce literatürde bulunan sıcaklık tahmini çalışmalardan farklı olarak 3 yıllık Radyosonde rasat verileri kullanılmıştır. Bu sayede yerden 40 km yüksekliğe kadar 1mbar aralıklarla ölçülmüş veriler ile atmosfer, literatürdeki diğer çalışmalara göre çok daha hassas olarak modellenmiştir. Bu modelde ertesi güne ait en yüksek ve en düşük sıcaklık değerleri kestirilmiştir. Bu aşamada normalizasyon ve öznitelik çıkarma veya seçmenin sonuçlara etkileri analiz edilerek tahmin için en uygun model belirlenmiştir. MATLAB ortamında gerçekleştirilen yazılım ile faklı regresyon yöntemleri karşılaştırılmıştır. Bu analizler sonucunda Gauss Süreci Regresyonu yöntemini kullanarak 1,2 Ortalama Karekök Sapması ile ertesi güne ait en yüksek sıcaklık tahmini en yüksek doğrulukla elde edilmiştir. Aynı yöntem kullanarak 2,4 Ortalama Karekök Sapması oranı ile en düşük sıcaklık tahmini yapılmıştır. Sonuçlar literatürdeki çalışmalardan daha başarılı sıcaklı tahmini yapıldığını göstermektedir.
Publisher
Journal of the Faculty of Engineering and Architecture of Gazi University
Reference26 articles.
1. [1] K. L. M. D. Sobrevilla, A. G. Quiñones, K. V. S. Lopez, and V. T. Azaña, “Daily weather forecast in Tiwi, Albay, Philippines using Artificial Neural Network with missing values Imputation,” IEEE Reg. 10 Annu. Int. Conf. Proceedings/TENCON, pp. 2981–2985, 2017, doi: 10.1109/TENCON.2016.7848592.
2. [2] F. Luis and G. Moncayo, “Meteorology today aN INtrodUCtIoN to WeatHer, ClIMate, aNd tHe eNVIroNMeNt,” Meteorol. today aN Introd. to Weather. Clim. Environ., p. 662, 2014.
3. [3] D. N. Fente and D. Kumar Singh, “Weather Forecasting Using Artificial Neural Network,” Proc. Int. Conf. Inven. Commun. Comput. Technol. ICICCT 2018, no. Icicct, pp. 1757–1761, 2018, doi: 10.1109/ICICCT.2018.8473167.
4. [4] A. Nandar, “Bayesian network probability model for weather prediction,” Proc. 2009 Int. Conf. Curr. Trends Inf. Technol. CTIT 2009, pp. 120–124, 2009, doi: 10.1109/CTIT.2009.5423132.
5. [5] G. K. Rahul, S. Singh, and S. Dubey, “Weather Forecasting Using Artificial Neural Networks,” ICRITO 2020 - IEEE 8th Int. Conf. Reliab. Infocom Technol. Optim. (Trends Futur. Dir., no. Icicct, pp. 21–26, 2020, doi: 10.1109/ICRITO48877.2020.9197993.