Yapay Sinir Ağları ile Esenboğa Havaalanı için Sis Görüş Mesafesinin Tahmin Edilebilirliği

Öz

Sis olayı, görüş mesafesini düşürerek hava, kara ve deniz ulaşımını olumsuz etkilemekte, dolayısıyla ekonomik kayıplara sebep olmaktadır. Ayrıca, yapılaşmanın planlanmasında da önemli bir yere sahiptir. Bu sebeple, sis olayı sebebiyle düşen görüş mesafesinin tahmini büyük önem taşımaktadır. Bu çalışmada, yapay sinir ağları kullanılarak Esenboğa Havaalanı için görüş mesafesi tahmini yapılmış ve tutarlılığı incelenmiştir. 2013-2015 yıllarına ait ve sis üzerinde en çok etkisi olan sıcaklık, çiğ noktası sıcaklığı, basınç, rüzgar hızı ve nispi nem parametreleri yapay sinir ağları ile eğitime tabi tutulmak amacıyla kullanılmıştır. Bu yıllar içerisinde Esenboğa Havaalanı'nda en sisi aylar olan Kasım, Aralık, Ocak, Şubat ayları seçilmiştir. Sonrasında, yıl içerisinde sisli günlere bakılmaksızın 2016-2017 tüm verileri ise elde edilen sonuçların tutarlılığının incelenmesi amacıyla kullanılmıştır. Sonuçta, yöntemin tutarlılığına yönelik olarak 2013-2015 yıllarından teste ayrılan kısım için R=0.80, 2016 yılı tüm verileri için R=0.41 ve RMSE=2652m; 2017 yılı tüm verileri için R=0.53 ve RMSE=2464m olarak bulunmuştur. Modele girdi olarak verilen kısımdan teste ayrılan kısım (%5) için hata oranı (R=0.80) kabul edilebilir seviyede bulunmuştur. Ancak, sis ve pus durumuna bakılmaksızın tüm verilerin teste tabi tutulduğu 2016 ve 2017 yılları için tutarlılıklar beklenenin altında bulunmuştur.

Anahtar Kelimeler

• Yapay sinir ağı,levenberg-marquardt yöntemi,sis tahmini,esenboğa havaalanı

Predictability of Fog Visibility with Artificial Neural Network for Esenboga Airport

Abstract

Fog event affects air, land and sea transportation adversely by reducing visibility, thus causes economic loss. Besides, it has an important place in the planning of constructions. For this reason, it is very important to predict reducing visibility due to the fog event. In this study, visibility prediction was made with artificial neural networks and validations were made for Esenboğa Airport. Temperature, dew point temperature, pressure, wind speed and relative humidity, those are the most important parameters for fog occurrence, were used for 2013-2015 years to train in artificial neural network. We selected only January, February, November and December months those are the foggiest months for Esenboğa airport. Then, the whole data for 2016-2017 years regardless of fog were used for validation of the results. As a result, we found R=0.80 for the test part of 2013-2015 years, R=0.41 and RMSE = 2652m for all data of the 2016 year, and R = 0.53 and RMSE = 2464m for all data of the 2017 year. The error rate (R = 0.80) for the test part was found to be acceptable. However, consistencies for the years 2016 and 2017, when all data were tested regardless of fog and haze, were found to when all data were tested regardless of fog and haze, were found to be as below expectations.

Keywords

• Artificial neural network,levenberg-marquardt method,fog estimation,esenboğa airport

References

1. Zhou, B., Introduction to a New Fog Diagnostic Scheme. U.S. Department of Commerce, National Oceanic and Atmospheric Administration, National Weather Service, National Centers for Environmental Prediction, 2011.
2. Baboo, Dr. S. S. and Shereff, I. K., An Efficient Weather Forecasting System using Artificial Neural Network, International Journal of Environmental Science and Development, Vol. 1, No. 4, October 2010.
3. Fabbian D., De-Dear R., Lellyett S., Application of artificial neural network forecasts to predict fog at Canberra international airport, Weather Forecast 22:372–381, 2007.
4. Colabone R.O., Ferrari A., da Silva-Vecchia F., Bruno-Tech A., Application of artificial neural networks for fog forecast, Journal of Aerospace Technology and Management 7(2):240-246, 2015.
5. He Y.D., He H.Y., Guo Y.Y., Shen J.T., Fog Visibility Based on Neural Network Algorithm Research, 14th COTA International Conference of Transportation Professionals, Changsha, China, July 4-7, 2014.
6. Turan, L., Dengiz, Ş., Yüksel, E. ve Ertaş, C., Ankara Esenboğa Havalimanı Vahşi Hayat ve Kuşla Mücadele Çalışması. Ankara: İnforama, 2009.[7] Oto, N., Çevresel Sürdürülebilirlik ve Havaalanları: Esenboğa Havalimanı Örneği, Doktora Tezi, Sosyal Çevre Bilimleri ABD, Sosyal Bilimler Enstitüsü, Ankara Üniversitesi, 2011.
7. Ertaş, S.K., Meteoroloji Ders Kitabı, Devlet Hava Meydanları İşletmesi Genel Müdürlüğü, 2004.
8. Krenker, A., Bester, J., Kos, A., Introduction to the artificial neural networks. In: Suzuki, K. (ed.) Artificial Neural Networks, Methodological Advances and Biomedical Applications, pp. 3–18. Croatia: InTech, 2011.

9. Keskin M.E. ve Taylan E.D., Orta Akdeniz Havzasındaki Akımların Stokastik Modellemesi, İMO Teknik Dergi, 4271 -4291, Yazı 282, 2007.
10. McCulloch, W. and Pitts, W., A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, Vol. 5, pp. 115-133, 1943.
11. Rumelhart, D. and McClelland J., Parallel Distributed Processing, MIT Press, Cambridge, Mass, 1986.
12. Yavuz, S. ve Deveci M., İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Sayı: 40, ss. 167-187, 2012.
13. Uslu M., Yapay Sinir Ağları ile Sınıflandırma, İleri İstatistik Projeleri, Fen Fakültesi, İstatistik Bölümü, Hacettepe Üniversitesi, 2013.
14. Çavuşlu M.A., Becerikli Y. ve Karakuzu C., Levenberg-Marquardt Algoritması ile YSA Eğitiminin Donanımsal Gerçeklenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 5, 2012.