Sınıflama Algoritmalarının Yağışın Varlığını Kestirme Konusundaki Performanslarının Karşılaştırması

Year 2022, Volume: 5 Issue: 1, 16 - 26, 02.03.2022

Hakan Koçak

https://doi.org/10.38016/jista.979285

Abstract

Yağış tahmini başta hava tahmincileri, tarım ve ziraatla uğraşanlar olmak üzere tüm herkesi ilgilendiren önemli bir konudur. Son yıllarda büyük ivme yakalayan yapay zeka ve makine öğrenmesi uygulamaları diğer birçok alanda olduğu gibi yağış tahmininde de tatbik edilmekle beraber yüksek doğruluklu yağış kestirimi yapmak hala zorlu bir görev olarak karşımızda durmaktadır. Son yıllarda etiklerini daha fazla hissettiğimiz iklim değişikliği nedeniyle oluşan yağış rejimindeki değişiklikler bu zorlu görevi daha da zorlu hale getirmektedir.
Bu çalışmada veri seti üzerinde 5 farklı kategoriden 10 adet sınıflayıcı algoritma uygulanarak elde edilen performanslar karşılaştırılmıştır. Araştırmada ayrıca ana veri setinden bazı parametreler çıkarılarak farklı senaryolar oluşturulmuş, her bir senaryo için sınıflama algoritmaları uygulanarak performanslarındaki değişimler gözlemlenmiştir. Araştırma sonucunda tüm senaryolar göz önüne alındığında Fonksiyonlar kategorisi dört senaryodan üçünde en başarılı kategori olmuş ve en iyi performansa sahip sınıflayıcının da bu kategoriden MLP (Çok Katmanlı Yapay Sinir Ağı) sınıflayıcısı olduğu ortaya çıkmıştır. Araştırmada ayrıca oluşturulan senaryolar için en yüksek ortalama doğruluk oranlarının %83,4 ila %84,8 arasında değiştiği görülmüştür. Bu durum, veri setinden bazı parametrelerin çıkarılmasının sonuca büyük oranda etki etmediğini göstermektedir. Elde edilen bu sonuçlar, makine öğrenmesi yöntemlerinin yağışın varlığının kestirimi konusunda iyi derecede performans sağladığını ve bu amaçla kullanılabileceğini göstermiştir.

Keywords

Yağış kestirimi, Sınıflandırma Algoritmaları, Weka, Yapay zeka, Makine öğrenmesi, Performans

Performance Comparison of Classification Algorithms in Rainfall Prediction

Abstract

Predicting rainfall is important issue that concerns everyone especially weather forecasters, farmers and those who work in agriculture sector. Although artificial intelligence and machine learning applications, which have gained great momentum in recent years, are applied in precipitation forecasting, as in many other areas, it is still a challenging task to make high-accuracy rainfall prediction. Changes in the precipitation regime due to climate change, the effects of which we have felt more and more in recent years, make this difficult task even more challenging.
In this study, the performances obtained by applying 10 classifier algorithms from 5 different categories on the data set were compared. In addition to that, different scenarios were created by removing some of the parameters from the original data set and the performance differences of the classification algorithms for each of the scenarios were noted. The results have shown that the Functions category was the most successful category in 3 of the 4 scenarios and MLP (Multi Layer Perceptron) algorithm which belongs to that category was the most successful classifier with the rate of 84.4%. Also, highest accuracy rates were between 83.4% and 84.8% considering all four scenarios. This shows that removing some of the parameters from the original parameter set does not have a significant impact on the classification accuracy. The study results have shown that machine learning techniques achieved good performance in predicting rainfall and could be used for that purpose.

Keywords

Weka, Rainfall Prediction, Classification Algorithms, Artificial Intelligent, Machine Learning, Performance Comparison

References

• Akman, Y. (1990). İklim ve Biyoiklim (Biyoiklim Metotları ve Türkiye İklimleri). Ankara: Palme Yayınları.
• Ay, Ş. (2020). Model performansını değerlendirmek Metrikler. Erişim adresi: https://medium.com/deeplearning-turkiye/model-performans%C4%B1n%C4%B1-de%C4%9Ferlendirmek-metrikler-cb6568705b1
• Bilgin, G. (2021). Makine öğrenmesi algoritmaları kullanarak erken dönemde diyabet hastalığı riskinin araştırılması. Zeki sistemler teori ve uygulamaları dergisi 4(1), 55-64. DOI: 10.38016/jista.877292
• Dibike, Y.B., Solomatine, D.P. (2001). River flow forecasting using artificial neural networks. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, Volume 26, Issue 1, Pages 1-7.
• Gong, M. (February 2021). A novel performance measure for machine learning classification, International Journal of Managing Information Technology (IJMIT), Vol.13, No.1
• Grabec, I. (1990). Emperical modelling of natural phenomena by a self-organizing system. Proc. Neural Network Conf. 90, Vol. 2, 529-532.
• John, G. H., Langley, P (1995). Estimating Continuous Distributions in Bayesian Classifiers. Proc. of the 11th Conf. on Uncertainty in Artificial Intelligence içinde.
• Kale, M. M. (2020). İklim Değişikliği Çerçevesinde Ankara İli Ana Su Havzaları Gelecek Projeksiyonu: Sakarya ve Batı Karadeniz Havzaları, Coğrafi Bilimler Dergisi/ Turkish Journal of Geographical Sciences, 18(2), 191-215, doi: 10.33688/ aucbd.732831.
• Kannan, M., Prabhakaran, S. and Ramachandran, P. (2010). Rainfall Forecasting Using Data Mining Technique. International Journal of Engineering and Technology, Vol.2 (6), 397-401
• Kohavi, R. (1996). Scaling up the accuracy of naïve-bayes classifier: A decision-tree hybrid. Proc. of the 2nd International Conference on Knowledge Discovery and Data Mining içinde (202–207). Menlo Park: AAAI Press.
• Narkhede (2018). Understanding AUC-ROC curve. Erişim adresi https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5
• Nguyen, H. A., Choi, D. (2008). Application of Data Mining to Network Intrusion Detection: Classifier Selection Model. 11th Asia-Pacific Network Operations and Management Symposium (APNOMS 2008) içinde (399-408 ss.).
• Nicholson (2020). Evaluation metrics for machine learning – Accuracy, precision, recall, and F1 defined. Erişim adresi https://wiki.pathmind.com/accuracy-precision-recall-f1
• Öziş, Ü., Barant, T., Durnabaşı, İ., Özdemir, Y. (1997). Türkiye’nin su kaynakları potansiyeli. Meteoroloji Mühendisliği, 2, 40-45.
• Quinlan, J. (1993). C4.5: Programs for Machine Learning. San Mateo: Morgan Kaufmann
• Rani, B. K. and Govardhan, A. (2013). Rainfall prediction using Data Mining techniques-A Survey. Compututer Science and Information Technology, pp. 23-30.
• Sangari, R. S. and Balamurugan, M. (2014). A Survey on rainfall prediction using Data Mining. International Jornal of Computuer Science and Mobile Applications, vol. 2, no. 2, pp. 84-88.
• Shoba G (2014). Rainfall prediction using Data Mining techniques: A Survey. International Journal of Engineering and Computer Science, vol. 3, no. 5, pp. 6206-6211.
• Soo-Yeon, J., Sharad, S., Byunggu, Y. and Dong, H. J. (2012). Designing a Rule-Based Hourly Rainfall Prediction Model. IEEE IRI, August 8-19.
• Soucek, B. (1992). Prediction of Chaotic Dynamical Phenomena by a Neural Network. Dynamic, Genetic and Chaotic Programming içinde (471-500). U.S.A: John Wiley & Sons Inc.
• Suhartono, S., R. Faulina, D. A. Lusia, B. W. Otok, Sutikno and H. Kuswanto (2012). Ensemble method based on ANFIS-ARIMA for rainfall prediction. 2012 International Conference on Statistics in Science, Business and Engineering (ICSSBE), pp. 1-4, doi: 10.1109/ICSSBE.2012.6396564.
• Theofilis, G. (2013). Weka classifier summary. Erişim adresi https://www.academia.edu/5167325/Weka_Classifiers_Summary
• Uzunali, A. (2019). Yapay sinir ağlarına dayalı yağış tahmin ve analizi. (Yayımlanmamış yüksek lisans tezi). İstanbul Kültür Üniversitesi Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, İstanbul
• Witten, I.H., Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques, 2nd edn. San Francisco: Morgan Kaufmann.
• Xiao, R. And V. Chandrasekar. (1995). Multiparameter radar rainfall estimation using neural network techniques. Preprints, 27th Conf. on Radar Meteorology, Vail, CO, Amer. Meteor. Soc., 199–204.