Model-Ağacı (M5-tree) yaklaşımı ile HELIOSAT tabanlı güneş radyasyonu tahmini

Yıl 2023, , 124 - 135, 15.08.2023

Taha Demirgül , Vahdettin Demir , Mehmet Faik Sevimli

https://doi.org/10.29128/geomatik.1137687

Cited By: 3

Öz

Solar radyasyon (SR), enerji dönüşümü, meteoroloji, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametre çeşitli yöntemlerle tahmin edilebilir. Bu çalışmada, Türkiye’nin aylık ortalama SR değerleri (kWsa/m²) M5 model ağacı (M5-tree), sezgisel regresyon tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. SR modellemesinde komşu ölçüm istasyonlarına ait konum bilgileri ve periyodiklik bileşeni olan ay değerleri kullanılarak tahminler gerçekleştirilmiştir. Modellerde 2004-2018 yıllarını kapsayan uzun dönem aylık ortalama SR verileri kullanılmıştır. Bu veriler Meteoroloji Genel Müdürlüğü’nden temin edilen ve uydu tabanlı hibrit bir model olan HELIOSAT model verileridir. Çalışmada Türkiye’nin 81 iline ait ölçüm ortalamaları kullanılmıştır. 81 noktadan alınan 12 aylık verilerin %75’i eğitim sürecinde kullanılırken %25’i test sürecinde kullanılmıştır. Rastgele seçilen test istasyonlarından elde edilen solar radyasyon tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, Karekök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (OMH), Ortalama Mutlak Bağıl Hata (OMBH) ve Determinasyon Katsayısı (R2) kullanılmıştır. M5-tree kullanılarak elde edilen modellerde en başarılı sonuçlar; KOKH= 0.3604, OMH= 0.1451, OMBH= 3.6029 ve R²= 0.9879 olarak elde edilmiştir. Böylece M5-tree yönteminin literatürde yer alan yöntemlere alternatif bir yöntem olabileceği ortaya konmuştur.

Anahtar Kelimeler

Solar Radyasyon, HELIOSAT, M5-Tree, Tahmin, Türkiye

Kaynakça

• Ağbulut, Ü., Gürel, A. E., & Biçen, Y. (2021). Prediction of daily global solar radiation using different machine learning algorithms: Evaluation and comparison. Renewable and Sustainable Energy Reviews, 135, 110114.
• Ahmad, M. J., & Tiwari, G. N. (2011). Solar radiation models—A review. International Journal of Energy Research, 35(4), 271-290.
• Aksoy, S., & Bolat, M. (2017). Akdeniz Bölgesinin Noaa/Avhrr Uydu Verileri Kullanılarak Solar Radyasyonun YSA Metodu ile Hesaplanması. International Conference on Multidisciplinary, Science, Engineering and Technology (IMESET’17 Bitlis), 654–660. Alizamir, M., Kim, S., Kisi, O., & Zounemat-Kermani, M. (2020). A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions. Energy, 197, 117239.
• Bahadırlı, Z. M. (2021). Yeraltı suyu seviye değişiminin M5 karar ağacı ve yapay sinir ağları yöntemleriyle belirlenmesi (Master's thesis, İskenderun Teknik Üniversitesi/Lisansüstü Eğitim Enstitüsü/İnşaat Mühendisliği Ana Bilim Dalı).
• Bhardwaj, S., Sharma, V., Srivastava, S., Sastry, O. S., Bandyopadhyay, B., Chandel, S. S., & Gupta, J. R. P. (2013). Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model. Solar Energy, 93, 43-54.
• Bonakdar, L., & Etemad-Shahidi, A. (2011). Predicting wave run-up on rubble-mound structures using M5 model tree. Ocean Engineering, 38(1), 111-118.
• Bora, E., Tekelli, M., & Etöz, M. (2015). Menemen Ovasında Referans Bitki Su İhtiyacı ve Ölçülen Solar Radyasyonun Zamansal Değişimi. Anadolu Ege Tarımsal Araştırma Enstitüsü Dergisi, 24(2), 65-76.
• Cornejo-Bueno, L., Casanova-Mateo, C., Sanz-Justo, J., & Salcedo-Sanz, S. (2019). Machine learning regressors for solar radiation estimation from satellite data. Solar Energy, 183, 768–775.
• Citakoglu, H. (2015). Comparison of artificial intelligence techniques via empirical equations for prediction of solar radiation. Computers and Electronics in Agriculture, 118, 28-37.
• Çıtakoğlu, H., & Demir, V. (2021). Solar Radyasyonun Derin Öğrenme Kullanılarak Tahmin Edilmesi: Türkiye Örneği. International World Energy Conference, 167–175.
• Demirci, M. (2019). Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), 1113-1124.. https://doi.org/10.24012/dumf.525658
• Demirgül, T., Yılmaz, C. B., Zıpır, B. N., Kart, F. S., Pehriz, M. F., Demir, V., & Sevimli, M. F. (2022). Investigation of Turkey's climate periods in terms of precipitation and temperature changes. Engineering Applications, 1(1), 80-90.
• Feng, Y., Gong, D., Zhang, Q., Jiang, S., Zhao, L., & Cui, N. (2019). Evaluation of temperature-based machine learning and empirical models for predicting daily global solar radiation. Energy conversion and management, 198, 111780. https://doi.org/10.1016/J.ENCONMAN.2019.111780
• Granata, F., Papirio, S., Esposito, G., Gargano, R., & De Marinis, G. (2017). Machine learning algorithms for the forecasting of wastewater quality indicators. Water, 9(2), 105. https://doi.org/10.3390/w9020105
• Guermoui, M., Melgani, F., Gairaa, K., & Mekhalfi, M. L. (2020). A comprehensive review of hybrid models for solar radiation forecasting. Journal of Cleaner Production, 258, 120357. https://doi.org/10.1016/j.jclepro.2020.120357
• Gül, M., & Çelik, E. (2017). ANFIS kullanılarak Tunceli ili için global güneş radyasyonu tahmini. Dicle Üniversitesi Mühendislik Dergisi, 8(4), 891–899.
• Hastaoğlu, K. Ö., Göğsu, S., & Gül, Y. (2022). Determining the relationship between the slope and directional distribution of the UAV point cloud and the accuracy of various IDW interpolation. International Journal of Engineering and Geosciences, 7(2), 161-173. https://doi.org/10.26833/ijeg.940997
• İşcan, F., & Ilgaz, A. (2017). Analysıs Of Geographıc/Urban Informatıon System Web Presentatıons Of Local Goverments In Turkey. International Journal of Engineering and Geosciences, 2(3), 75–83. https://doi.org/10.26833/ijeg.317088
• Ji, Y., Lei, X., Cai, S., & Wang, X. (2016). Application of a classifier based on data mining techniques in water supply operation. Water (Switzerland), 8(12). https://doi.org/10.3390/w8120599
• Jiang, Y. (2009). Computation of monthly mean daily global solar radiation in China using artificial neural networks and comparison with other empirical models. Energy, 34(9), 1276–1283. https://doi.org/10.1016/J.ENERGY.2009.05.009
• Kaba, K., Sarıgül, M., Avcı, M., & Kandırmaz, H. M. (2018). Estimation of daily global solar radiation using deep learning model. Energy, 162, 126–135. https://doi.org/10.1016/j.energy.2018.07.202
• Keshtegar, B., Mert, C., & Kisi, O. (2018). Comparison of four heuristic regression techniques in solar radiation modeling: Kriging method vs RSM, MARS and M5 model tree. In Renewable and Sustainable Energy Reviews (Vol. 81, pp. 330–341). Elsevier Ltd. https://doi.org/10.1016/j.rser.2017.07.054
• Kılıç. B., & Kumaş, K. (2016). Burdur İli Güneşlenme Değerlerinin Yapay Sinir Ağları Metodu ile Tahmini. SDU Teknik Bilimler Dergisi, 6(1), 38–44.
• Kisi, O. (2015). Pan evaporation modeling using least square support vector machine, multivariate adaptive regression splines and M5 model tree. Journal of Hydrology, 528, 312-320. https://doi.org/10.1016/j.jhydrol.2015.06.052
• Krige, D. G. (1951). A Statistical Approach To Some Basic Mine Valuation Problems On The Witwatersrand. Chemical Journal of the Metallurgical & Mining Society of South Africa, 52(6), 119–139.
• Kuncan, F., & Şahin, M. (2017, September). Yapay sinir aği ve uydu datalari kullanilarak güneş radyasyonunun tahmini. In 2017 International Artificial Intelligence and Data Processing Symposium (IDAP) (pp. 1-10). IEEE.
• Özgören, M., Bilgili, M., & Şahin, B. (2012). Estimation of global solar radiation using ANN over Turkey. Expert Systems with Applications, 39(5), 5043–5051. https://doi.org/10.1016/j.eswa.2011.11.036
• Pal, M. (2007). M5 model tree for land cover classification M5 model tree for land cover classification. International Journal of Remote Sensing, 27(4), 825-831. https://doi.org/10.1080/01431160500256531
• Pal, M. & Deswal, S. (2009). M5 model tree based modelling of reference evapotranspiration. Hydrological Processes, 23(10), 1437–1443. https://doi.org/10.1002/hyp.7266
• Rusen, S. E. (2018). Modeling and Analysis of Global and Diffuse Solar Irradiation Components Using the Satellite Estimation Method of HELIOSAT. CMES, 115(3), 327–343. https://doi.org/10.3970/cmes.2018.00159
• Quinlan, J. R. (1992). Learning with Continuous Classes. Proceedings of Australian Joint Conference on Artificial Intelligence, Hobart 16-18 November 1992, 343-348.
• Shepard, D. (1968). A two-dimensional interpolation function for irregularly-spaced data. In Proceedings of the 1968 23rd ACM national conference (ACM '68). Association for Computing Machinery, New York, NY, USA, 517–524. https://doi.org/10.1145/800186.810616
• Sözen, A. & Arcaklioǧlu, E. (2005). Solar potential in Turkey. Applied Energy, 80(1), 35–45. https://doi.org/10.1016/j.apenergy.2004.02.003
• Şeker, M. (2021). Yapay Sinir Ağı (YSA) Kullanılarak Meteorolojik Verilere Dayalı Solar Radyasyon tahmini. DEU Mühendislik Fakültesi Fen ve Muhendislik, 23(69), 923–935. https://doi.org/10.21205/deufmd.2021236920
• Taktak, F., & Ilı, M. (2018). Güneş Enerji Santrali (GES) Geliştirme: Uşak Örneği. Geomatik, 3(1), 1-21.
• Taylan, E. D., & Damçayırı, D. (2016). Isparta bölgesi yağış değerlerinin IDW ve Kriging enterpolasyon yöntemleri ile tahmini. Teknik Dergi, 27(3), 7551-7559.
• URL-1: https://www.mgm.gov.tr/FTPDATA/arastirma/radyasyon/heliosat.pdf
• URL-2: https://mgm.gov.tr/kurumici/radyasyon_iller.aspx
• Wang, L., Kisi, O., Zounemat-Kermani, M., Zhu, Z., Gong, W., Niu, Z., Liu, H., & Liu, Z. (2017). Prediction of solar radiation in China using different adaptive neuro-fuzzy methods and M5 model tree. Internatıonal Journal of Clımatology, 37, 1141–1155. https://doi.org/10.1002/joc.4762
• Yaseen, Z. M. (2021). An insight into machine learning models era in simulating soil, water bodies and adsorption heavy metals: Review, challenges and solutions. Chemosphere, 277. https://doi.org/10.1016/j.chemosphere.2021.130126
• Yılmaz, C. B., Bodu, H., Yüce, E. S., Demir, V., & Sevimli, M. F. (2023). Türkiye’nin uzun dönem ortalama sıcaklık (°C) değerlerinin üç farklı enterpolasyon yöntemi ile tahmini. Geomatik, 8(1), 9-17. https://doi.org/10.29128/geomatik.984310