Kara Yüzey Sıcaklığının ARIMA Yöntemiyle Modellenmesi ve Gelecek Tahmini: Antalya Uygulaması

Abstract

Dünya üzerinde iklim değişiklikleri, insanlık için en önemli sorunlar arasında yer almaktadır. Bu değişimlerin yol açtığı doğal afetler, yıkım, kaynakların tükenmesi ve iklimsel nedenlerle artan sağlık problemleri gibi pek çok sorunun yanı sıra, ekonomik ve sosyal etkiler de gözlemlenmektedir. İklim değişikliği, küresel ve yerel olarak farklı etkiler gösterir ve yüzey sıcaklıkları da dahil olmak üzere birçok önemli parametreyi etkiler. Bu nedenle, yüzey sıcaklığı gibi önemli parametrelerin zaman içinde nasıl değiştiğini anlamak, iklim değişikliği ile mücadelede önemli bir adımdır. Bu çalışmada 1985 ile 2023 yılları arasındaki Antalya ilimize ait günlük kara yüzey sıcaklıkları NOAA(National Oceanic and Atmospheric Administration) üzerinden elde edilerek, aylık ortalama bazında çalışma yapılmıştır. ARIMA(Autoregressive Integrated Moving Average) yöntemiyle yapılan bu çalışmada önümüzdeki 120 aya ait tahminde bulunulmuştur. ARIMA ile oluşturulan model de eğitim hata oranı MSE(Mean Square Error) ile 1.01 olarak hesaplanmıştır. Eğitilen model sonrası yapılan tahminde kara yüzey sıcaklık değerlerinin 1985 - 2023 yıllarına ait aylık ortalama değerlere yakın kalacağı tahmin edilmiştir.

Keywords

• Kara Yüzey Sıcaklığı
• Makine Öğrenmesi
• Modelleme
• ARIMA

Modeling of Land Surface Temperature with ARIMA Method and Future Prediction in Antalya

Abstract

Climate change is one of the most important problems for humanity on Earth. Along with many problems caused by the natural disasters, destruction, depletion of resources, and increasing health problems due to climate reasons, economic and social effects are also observed. Climate change has different global and local effects and affects many important parameters, including surface temperatures. Therefore, understanding how important parameters such as surface temperature have changed over time is an important step in combating climate change. In this study, daily land surface temperatures belonging to Antalya province between 1985 and 2023 were obtained from NOAA (National Oceanic and Atmospheric Administration) and monthly averages were studied. In this study, predictions were made for the next 120 months using the ARIMA (Autoregressive Integrated Moving Average) method. The training error rate of the model created with ARIMA was calculated as MSE (Mean Square Error) and found to be 1.01. It is estimated that the predicted land surface temperature values will remain close to the monthly averages for the years 1985-2023 after the trained model is used for prediction.

Keywords

• Land Surface Temprature
• Machine Learning
• Modelling
• ARIMA

References

1. Anonim. (2023, 02 09). Fahrenheit - Kelvin Dönüştürme. Fahrenheit - Kelvin Dönüştürme: https://www.metric-conversions.org/en/sicaklik/ fahrenheit-kelvin.htm adresinden alındı
2. Cavanaugh, J. E. (2019). he Akaike information criterion: Background, derivation, properties, application, interpretation, and refinements. Wiley Interdisciplinary Reviews: Computational Statistics, e1460.
3. Demir, İ., Kılıç, G., & Coşkun, M. (2008). Türkiye ve bölgesi için PRECIS bölgesel iklim modeli çalışmaları. İklim Değişikliği ve Çevre.
4. Durre I., M. J. (2010). Comprehensive automated quality assurance of daily surface observations. Journal of Applied Meteorology and Climatology, 1615-1633.
5. Durre, I. M. (2008). Strategies for evaluating quality assurance procedures. Journal of Applied Meteorology and Climatology, 1785–1791.
6. Kaynar, O., & Taştan, S. (2009). Zaman Serileri Tahmininde ARIMAMLP Melez Modeli. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 141-149.
7. Menne, M. I. (2012). n overview of the Global Historical Climatology Network-Daily Database. Journal of Atmospheric and Oceanic Technology, 897-910.
8. Sevinç, A., & Kaya, B. (2021). Derin Öğrenme Yöntemleri ile Sıcaklık Tahmini: Diyarbakır İli Örneği. Journal of Computer Science, 217-225.

9. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 159-175.