Clustering of Black Sea Region Stations Using K-Means, Fuzzy C-Means and Silhouette Index Analysis Methods

Yıl 2023, Cilt: 7 Sayı: 2, 325 - 337, 31.12.2023

Gürkan Kır Aslı Ülke Keskin Utku Zeybekoğlu

https://doi.org/10.32569/resilience.1336940

Öz

In recent years, there has been a noticeable increase in the number of disasters caused by the effects of global climate change. In this context, various studies are carried out in our country and in the world in order to reduce the effects of climate change. The classification of regions affected by climate change into similar classes in terms of climate parameters is important in terms of applying similar methods in studies to be carried out in these regions. Thus, a correct strategy will be determined in the studies to be carried out in order to reduce the effects of climate change. Within the scope of the study, annual temperature records of 31 stations in the Black Sea Region belonging to the Turkish State Meteorological Service for the period 1982-2020 were evaluated. Cluster analysis was carried out using the Fuzzy C-Means and K-Means methods. As a result of the study, the optimum number of clusters was determined by Silhouette index analysis. The most suitable classification for the temperature observations was obtained by the K-Means method by choosing the number of clusters as 5.

Anahtar Kelimeler

Clustering Analyses, Temperature, Silhouette Analysis, Disaster, Global Climate Change

Karadeniz Bölgesi İstasyonlarının K-Ortalamalar, Bulanık C-Ortalamalar ve Siluet İndeks Analizi Yöntemleri Kullanılarak Kümelenmesi

Öz

Son yıllarda küresel iklim değişikliği etkilerinden kaynaklanan afet sayılarında hissedilebilir bir artış görülmektedir. Bu kapsamda iklim değişikliği etkilerini azaltmak amacıyla ülkemizde ve dünyada çeşitli çalışmalar yapılmaktadır. İklim değişikliğinden etkilenen bölgelerin iklim parametreleri bakımından benzer sınıflara ayrılması bu bölgelerde yapılacak olan çalışmalarda benzer yöntemlerin uygulanması açısından önemlidir. Böylece iklim değişikliğinin etkilerini azaltmak amacıyla yapılacak olan çalışmalarda doğru bir stratejinin belirlenmesi sağlanacaktır. Çalışma kapsamında Meteoroloji Genel Müdürlüğüne ait Karadeniz Bölgesinde yer alan 31 istasyonun 1982-2020 periyoduna ait yıllık sıcaklık kayıtları değerlendirilmiştir. Bulanık C-Ortalamalar ve K-Ortalamalar yöntemleri kullanılarak kümeleme analiz çalışması gerçekleştirilmiştir. Çalışma sonucunda optimum küme sayısı Siluet indeks analizi ile tespit edilmiştir. Sıcaklık gözlemler için en uygun sınıflandırma, küme sayısı 5 seçilerek K-Ortalamalar yöntemi ile elde edilmiştir.

Anahtar Kelimeler

Kümeleme Analizi, Sıcaklık, Silüet Analizi, Afet, Küresel İklim Değişikliği.

Kaynakça

• Bezdek, J.C. (1980). A Convergence Theorem for the Fuzzy ISODATA Clustering Algorithms. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2(1), 1-8.
• Bezdek, J.C., Ehrlich, R., & Full, W. (1984). FCM: The Fuzzy C-Means Clustering Algorithm. Computers and Geosciences, 10(2-3), 191-203.
• Çelik, M.A., Bayram, H., & Özüpekçe, S. (2018). An Assessment on Clımatologıcal, Meteorologıcal and Hydrologıcal Dısasters That Occurred in Turkey in The Last 30 Years (1987-2017). lnternational Journal of Geography and Geography Education, 38, 295-310.
• Demircan, M., Arabacı, H., Coşkun, M., Türkoğlu, N., &Çiçek, İ. (2017). İklim değişikliği ve halk takvimi: Maksimum sıcaklık desenleri ve değişimi. IV. Türkiye İklim Değişikliği Kongresi, İstanbul Medipol Üniversitesi, İstanbul.
• Dikbas, F., Firat, M., Koc, A.C., & Gungor, M. (2011). Classication of precipitation series using fuzzy cluster method. International Journal of Climatology, 32(10), 1596-1603.
• Dunn, J.C. (1973). A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters. Journal of Cybernetics, 3(3), 32-57.
• Erinç, S. (1949). The climates of Turkey according to Thornthwaite’s classifications. Ann. Assoc. Am. Geograp., 39, 26–46.
• Fırat, M., Dikbaş, F., Koç, A.C., & Güngör, M. (2012). Classification of annual precipitations and identification of homogeneous regions using k-means Method. Technical Journal, 23(113), 6037-6050.
• İyigün, C., Türkeş, M., Batmaz, İ., Yozgatlıgil, C., Purutçuoğlu, V., Kartal Koç, E., & Öztürk, M.Z. (2013). Clustering current climate regions of Turkey by using a multivariate statistical method. Theor Appl Climatol, 114, 95-106.
• Karahan, H. (2011). Bölgesel Yağış-Şiddet-Süre-Frekans Bağıntılarının Diferansiyel Gelişim Algoritması Kullanılarak Elde Edilmesi. TÜBİTAK (108Y299). Sonuç Raporu. Ankara, Türkiye.
• Karahan, H. (2019). Determination of Homogeneous Sub-Regions by Using Intensity-Duration-Frequency Relationships and Cluster Analysis: An Application for the Aegean Region. Pamukkale Univ Muh Bilim Derg, 25(8), 998-1013
• Kır, G. (2021). Kümeleme Analiz Yöntemleri İle Karadeniz Bölgesi Meteorolojik Verilerinin Değerlendirilmesi. Yüksek Lisans Tezi. Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Samsun, 112.
• Kite, G. (1991). Looking for Evidence of Climatic Change in Hydrometeorological Time Series. Western Snow Conference. Washington, Alaska.
• Kulkarni, A., & Kripalani, R. (1998). Rainfall patterns over India: Classification with fuzzy c-means method. Theor. Appl. Climatol., 59, 137–146.
• Özkoca, T. (2015). Orta Karadeniz kıyı illerinin hidrometeorolojik verilerinin trend analizi. Yüksek Lisans Tezi, Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, Samsun, 89.
• Pal, N.R., & Bezdek, J.C. (1995). On Cluster validity fort he fuzzy c-means model. IEEE Transactions On Fuzzy Systems, 3, 370-379.
• Rau, P., Bourrel, L., Labat, D., Melo, P., Dewitte, B, Frappart, F., Lavado, W., & Felipe, O. (2017). Regionalization of rainfall over the Peruvian Pacific slope and coast. International Journal of Climatology, 37(1), 143-158.
• Rousseuw, P.J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65.
• Soltani, S., & Modarres, R. (2006). Classification of spatio temporal pattern of rainfall in Iran using a hierarchical and divisive cluster analysis. Journal of Spatial Hydrology, 6(2), 1-12.
• Sönmez, İ., & Kömüşcü, A. (2008). Redefinition rainfall regions using k-means clustering methodology and changes of sub period. Iklim Değişikliği ve Çevre, 1, 38–49.
• Şahin, S. (2009). Yapay sinir ağlarının iklim bölgelerinin belirlenmesinde kullanılması ve Ward metodu ile karşılaştırılması. Doktora Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 344.
• Şahin, S., & Cığızoğlu, H.K. (2012). The sub-climate regions and the sub-precipitation regime regions in Turkey. Journal of Hydrology, 450-451, 180-189.
• Türkeş, M. (1996). Spatial and temporal analysis of annual rainfall variations in Turkey. Int. J. Climatol, 16(9), 1057-1076.
• Türkeş, M. (2010). Küresel iklim değişikliği: Başlıca Nedenleri, gözlenen ve öngörülen değişiklikler ve etkileri. Uluslararası Katılımlı 1. Meteoroloji Sempozyumu, Devlet Meteoroloji İşleri Genel Müdürlüğü, Ankara.
• Türkeş, M., Sümer, U.M., & Çetiner, G. (2000). Küresel iklim değişikliği ve olası etkileri, Çevre Bakanlığı, Birleşmiş Milletler İklim Değişikliği Çerçeve Sözleşmesi Seminer Notları (13 Nisan 2000, İstanbul Sanayi Odası), 7-24, ÇKÖK Gn. Md., Ankara
• Ünal, Y., Kındap, T., & Karaca. M. (2003). Redefining the climate zones of Turkey using cluster analysis. Int. J. Climatol, 23, 1045–1055.
• Vani, H.Y., Anusuya, M.A., & Chayadevi, M.L. (2019). Fuzzy Clusterıng Algorıthms-Comparatıve Studıes For Noısy Speech Sıgnals. ICTACT Journal On Soft Computıng, 9(3), 1920-1926.
• Xin, G.L., Min, F.Y., & Wen, T.H. (2011). Speech Recognition based on K-Means Clustering and Neural Network Ensembles. Proceedings of 7th International Conference on Natural Computation.
• Zeybekoğlu, U., & Ülke Keskin, A. (2020). Defining rainfall intensity clusters in Turkey by using the fuzzy c-means algorithm. Geofizika, 37(2), 181–195.
• Zhang, Y., Wang, W., Zhang, X., & Li, Y. (2008). A cluster validity index for fuzzy clustering. Information Sciences, 178, 1205–1218.