Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi

Eralp Gogen; Selda Güney

doi:10.17341/gazimmfd.1163079

Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi

Öz

Geçmişten günümüze hava tahmini insanlık için önem arz etmektedir. Hava tahmininin hassas gerçekleştirilebilmesi sel, tsunami vb. doğal afetlere karşı önlemler alınarak oluşacak olumsuz etkileri en düşük seviyeye indirmeyi sağlayabilmektedir. Bu çalışma kapsamında radyosonde verilerini kullanarak hava durumu kestirimi yapılmaktadır. Bu kestirimde en yüksek ve en düşük sıcaklık tahmini yapılmaktadır. Makine Öğrenmesi Algoritmaları kullanarak kestirim gerçekleştirilmiştir. Daha önce literatürde bulunan sıcaklık tahmini çalışmalardan farklı olarak 3 yıllık Radyosonde rasat verileri kullanılmıştır. Bu sayede yerden 40 km yüksekliğe kadar 1mbar aralıklarla ölçülmüş veriler ile atmosfer, literatürdeki diğer çalışmalara göre çok daha hassas olarak modellenmiştir. Bu modelde ertesi güne ait en yüksek ve en düşük sıcaklık değerleri kestirilmiştir. Bu aşamada normalizasyon ve öznitelik çıkarma veya seçmenin sonuçlara etkileri analiz edilerek tahmin için en uygun model belirlenmiştir. MATLAB ortamında gerçekleştirilen yazılım ile faklı regresyon yöntemleri karşılaştırılmıştır. Bu analizler sonucunda Gauss Süreci Regresyonu yöntemini kullanarak 1,2 Ortalama Karekök Sapması ile ertesi güne ait en yüksek sıcaklık tahmini en yüksek doğrulukla elde edilmiştir. Aynı yöntem kullanarak 2,4 Ortalama Karekök Sapması oranı ile en düşük sıcaklık tahmini yapılmıştır. Sonuçlar literatürdeki çalışmalardan daha başarılı sıcaklı tahmini yapıldığını göstermektedir.

Anahtar Kelimeler

Kaynakça

[1] K. L. M. D. Sobrevilla, A. G. Quiñones, K. V. S. Lopez, and V. T. Azaña, “Daily weather forecast in Tiwi, Albay, Philippines using Artificial Neural Network with missing values Imputation,” IEEE Reg. 10 Annu. Int. Conf. Proceedings/TENCON, pp. 2981–2985, 2017, doi: 10.1109/TENCON.2016.7848592.
[2] F. Luis and G. Moncayo, “Meteorology today aN INtrodUCtIoN to WeatHer, ClIMate, aNd tHe eNVIroNMeNt,” Meteorol. today aN Introd. to Weather. Clim. Environ., p. 662, 2014.
[3] D. N. Fente and D. Kumar Singh, “Weather Forecasting Using Artificial Neural Network,” Proc. Int. Conf. Inven. Commun. Comput. Technol. ICICCT 2018, no. Icicct, pp. 1757–1761, 2018, doi: 10.1109/ICICCT.2018.8473167.
[4] A. Nandar, “Bayesian network probability model for weather prediction,” Proc. 2009 Int. Conf. Curr. Trends Inf. Technol. CTIT 2009, pp. 120–124, 2009, doi: 10.1109/CTIT.2009.5423132.
[5] G. K. Rahul, S. Singh, and S. Dubey, “Weather Forecasting Using Artificial Neural Networks,” ICRITO 2020 - IEEE 8th Int. Conf. Reliab. Infocom Technol. Optim. (Trends Futur. Dir., no. Icicct, pp. 21–26, 2020, doi: 10.1109/ICRITO48877.2020.9197993.
[6] “Sıkça Sorulan Sorular - Meteoroloji Genel Müdürlüğü.” https://www.mgm.gov.tr/genel/sss.aspx?s=havatahmini (accessed Jul. 27, 2022).
[7] G. K. Rahul, S. Singh, and S. Dubey, “Weather Forecasting Using Artificial Neural Networks,” ICRITO 2020 - IEEE 8th Int. Conf. Reliab. Infocom Technol. Optim. (Trends Futur. Dir., pp. 21–26, 2020, doi: 10.1109/ICRITO48877.2020.9197993.
[8] Vaisala, “Vaisala - a global leader in environmental and industrial measurement |.” https://www.vaisala.com/en (accessed Aug. 11, 2022).

[9] “Home - Meteomodem.” http://www.meteomodem.com/ (accessed Aug. 11, 2022).
[10] “Meisei Electric.” https://www.meisei.co.jp/english/ (accessed Aug. 11, 2022).
[11] “Graw Radiosondes | NORIS Group GmbH.” https://www.graw.de/ (accessed Aug. 11, 2022).
[12] “Magnetron Savunma ve Uzay A.S.” https://magnetrontr.com/ (accessed Aug. 12, 2022).
[13] S. E. Haupt, J. Cowie, S. Linden, T. McCandless, B. Kosovic, and S. Alessandrini, “Machine learning for applied weather prediction,” Proc. - IEEE 14th Int. Conf. eScience, e-Science 2018, pp. 276–277, 2018, doi: 10.1109/eScience.2018.00047.
[14] L. Vinet and A. Zhedanov, “A ‘missing’ family of classical orthogonal polynomials,” J. Phys. A Math. Theor., vol. 44, no. 8, p. 7728, 2011, doi: 10.1088/1751-8113/44/8/085201.
[15] S. Kavitha, S. Varuna, and R. Ramya, “A comparative analysis on linear regression and support vector regression,” Proc. 2016 Online Int. Conf. Green Eng. Technol. IC-GET 2016, 2017, doi: 10.1109/GET.2016.7916627.
[16] H. Yang, L. Chan, and I. King, “Support vector machine regression for volatile stock market prediction,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 2412, pp. 391–396, 2002, doi: 10.1007/3-540-45675-9_58.
[17] L. J. Cao and F. E. H. Tay, “Support vector machine with adaptive parameters in financial time series forecasting,” IEEE Trans. Neural Networks, vol. 14, no. 6, pp. 1506–1518, 2003, doi: 10.1109/TNN.2003.820556.
[18] U. Jain, K. Nathani, N. Ruban, A. N. J. Raj, Z. Zhuang, and V. G. V. Mahesh, “Cubic SVM classifier based feature extraction and emotion detection from speech signals,” Proc. - 2018 Int. Conf. Sens. Networks Signal Process. SNSP 2018, pp. 386–391, 2019, doi: 10.1109/SNSP.2018.00081.
[19] P. Virdi, Y. Narayan, P. Kumari, and L. Mathew, “Discrete Wavelet Packet based Elbow Movement classification using Fine Gaussian SVM,” 1st IEEE Int. Conf. Power Electron. Intell. Control Energy Syst. ICPEICES 2016, 2017, doi: 10.1109/ICPEICES.2016.7853657.
[20] K. W. Yan, “Study on the forecast of air passenger flow based on SVM regression algorithm,” Proc. - 2009 1st Int. Work. Database Technol. Appl. DBTA 2009, pp. 325–328, 2009, doi: 10.1109/DBTA.2009.33.
[21] M. H. . R. Hadi Asheri , Abdolkhalegh Bayati , Hamid R . Rabiee, “MOTION VECTOR RECOVERY WITH GAUSSIAN PROCESS REGRESSION,” pp. 953–956, 2011.
[22] J. Eberhard and V. Geissbuhler, Gaussian Processes for Machine Learning, vol. 7, no. 5. 2006.
[23] Y. Yağan, “Ravinsonde Rasatları Kurs Notları,” 2007.
[24] J. D. Anbarasi and V. Radha, “Review on Marine Weather Forecasting with Big data,” no. Icaaic, pp. 783–790, 2022, doi: 10.1109/icaaic53929.2022.9792644.
[25] Y. Wang, K. Ni, X. Wang, and J. Zhu, “Design of Automatic Weather Monitoring and Forecasting System based on Internet of Things and Big Data,” Int. Conf. Sustain. Comput. Data Commun. Syst. ICSCDS 2022 - Proc., no. 978, pp. 979–982, 2022, doi: 10.1109/ICSCDS53736.2022.9761041.
[26] S. Ackerman and J. Knox, “Meteorology: Understanding the Atmosphere, Fourth Edition,” pp. 244–270, 2015.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Eralp Gogen ^*
0000-0002-1670-6003
Türkiye

Selda Güney
0000-0002-0573-1326
Türkiye

Erken Görünüm Tarihi

17 Mayıs 2024

Yayımlanma Tarihi

20 Mayıs 2024

Gönderilme Tarihi

16 Ağustos 2022

Kabul Tarihi

4 Eylül 2023

Yayımlandığı Sayı

Yıl 2024 Cilt: 39 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.1163079

IZ

https://izlik.org/JA39LM33WF

Kaynak Göster

RIS / Bibtex

APA

Gogen, E., & Güney, S. (2024). Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 39(4), 2317-2328. https://doi.org/10.17341/gazimmfd.1163079

AMA

1.Gogen E, Güney S. Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi. GUMMFD. 2024;39(4):2317-2328. doi:10.17341/gazimmfd.1163079

Chicago

Gogen, Eralp, ve Selda Güney. 2024. “Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 39 (4): 2317-28. https://doi.org/10.17341/gazimmfd.1163079.

EndNote

Gogen E, Güney S (01 Mayıs 2024) Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 39 4 2317–2328.

IEEE

[1]E. Gogen ve S. Güney, “Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi”, GUMMFD, c. 39, sy 4, ss. 2317–2328, May. 2024, doi: 10.17341/gazimmfd.1163079.

ISNAD

Gogen, Eralp - Güney, Selda. “Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 39/4 (01 Mayıs 2024): 2317-2328. https://doi.org/10.17341/gazimmfd.1163079.

JAMA

1.Gogen E, Güney S. Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi. GUMMFD. 2024;39:2317–2328.

MLA

Gogen, Eralp, ve Selda Güney. “Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 39, sy 4, Mayıs 2024, ss. 2317-28, doi:10.17341/gazimmfd.1163079.

Vancouver

1.Eralp Gogen, Selda Güney. Radyosonde rasatları ile makine öğrenmesi tabanlı hava durumu kestirimi. GUMMFD. 01 Mayıs 2024;39(4):2317-28. doi:10.17341/gazimmfd.1163079

Cited By

Eko-inovasyon yeteneğini etkileyen faktörlerin nedensellik ilişkilerinin araştırılması: Regresyon analizi ve DEMATEL tabanlı entegre bir yaklaşım

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

https://doi.org/10.17341/gazimmfd.1563324

BITCOIN FİYAT HAREKETLERİNİN TAHMİNİ: RSI VE SMA GÖSTERGELERİNE DAYALI ALGORİTMİK TİCARET MODELİ

Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi

https://doi.org/10.16953/deusosbil.1644348

PRICE FORECASTING IN ISLAMIC AND CONVENTIONAL INDICES: HYBRID MODEL PROPOSALS WITH HYPERPARAMETER OPTIMIZATION

Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi

https://doi.org/10.35379/cusosbil.1638421