The use of different machine learning methods in solar radiation estimation with satellite data

Abstract

One of the most important parameters when investing in solar energy is the amount of solar radiation. There are many parameters that influence solar radiation. Air temperature, wind speed, relative humidity and pressure are the first of these parameters. In this study, sun radiation was estimated with different machine learning algorithms using a total dataset consisting of 18,264 observations of Afyonkarahisar and Elazığ provinces for the years 2000-2024. Non-linear regression and support vector regression (SVR), XGBoost (XGB) and random forest (RF) were used in the study. The quality performance of the developed models; the coefficient of determination (R²) and RMSE, MSE, MAE and MAPE are determined by error metrics. As a result of the study, RF and XGB models have successfully achieved high estimation performance. The highest R2 value for Afyonkarahisar and Elazığ provinces was obtained in the RF algorithm with 0.9866 and 0.9887 respectively.

Keywords

• Machine learning
• solar energy
• random forest
• XGBoost

Uydu Verileri ile Güneş Işınımı Tahmininde Farklı Makine Öğrenmesi̇ Yöntemlerinin Kullanımı

Öz

Güneş enerjisi ile yapılacak yatırımlarda en önemli parametrelerden birisi güneş ışınım miktarıdır. Güneş ışınımını etkileyen birçok parametre vardır. Hava sıcaklığı, rüzgar hızı, bağıl nem ve basınç bu parametrelerin başında gelmektedir. Bu çalışmada, 2000-2024 yıllarını kapsayan Afyonkarahisar ve Elazığ illerine ait toplam 18 264 gözlemden oluşan bir veri seti kullanılarak farklı makine öğrenmesi algoritmaları ile güneş ışınımı tahmini yapılmıştır. Çalışma kapsamında çoklu doğrusal regresyon ve Destek Vektör Regresyonu (SVR), XGBoost (XGB) ve Rastgele Orman (RF) gibi doğrusal olmayan makine öğrenmesi algoritmaları kullanılmıştır. Geliştirilen modellerin kalite performansları; belirleme katsayısı (R²) ve RMSE, MSE, MAE ve MAPE gibi hata metrikleri aracılığıyla belirlenmiştir. Çalışma sonucunda RF ve XGB modellerinin başarılı bir şekilde yüksek tahmin performansını sergiledikleri ortaya konulmuştur. Afyonkarahisar ve Elazığ illeri için en yüksek R2 değeri sırasıyla 0.9866 ve 0.9887 ile RF algoritmasında elde edilmiştir.

Anahtar Kelimeler

• Makine öğrenmesi
• Güneş enerjisi
• Rastgele orman
• XGBoost

Kaynakça

1. [1] Global Energy Review 2025. [Online]. Available: www.iea.org
2. [2] Bekçioğulları MF, et al. Güneş enerjisinin kısa-dönem tahmininde farklı makine öğrenme yöntemlerinin karşılaştırılması. EMO Bilimsel Dergi. 2021; 11(22): 37–45.
3. [3] Demolli H, Dokuz A, Gokcek M, Ecemiş A. Makine öğrenmesi algoritmalarıyla güneş enerjisi tahmini: Niğde ili örneği. International Turkic World Congress on Science and Engineering. 2019; 783.
4. [4] Demirgül T, Demir V, Sevimli MF. Farklı makine öğrenmesi yaklaşımları ile Türkiye’nin solar radyasyon tahmini. Geomatik. doi:10.29128/geomatik.1374383.
5. [5] Kanksha H, Singh H, Laxmi V. Supervised learning algorithm: A survey. Communications in Computer and Information Science. 2021; 1393: 71–78. doi:10.1007/978-981-16-3660-8_7.
6. [6] Mienye ID, Sun Y. A survey of ensemble learning: Concepts, algorithms, applications, and prospects. Institute of Electrical and Electronics Engineers Inc. 2022. doi:10.1109/ACCESS.2022.3207287.
7. [7] Villegas-Mier CG, Rodriguez-Resendiz J, Álvarez-Alvarado JM, Jiménez-Hernández H, Odry Á. Optimized random forest for solar radiation prediction using sunshine hours. Micromachines (Basel). 2022; 13(9). doi:10.3390/mi13091406.
8. [8] Ercan U, Kocer A. Prediction of solar irradiance with machine learning methods using satellite data. Int J Green Energy. 2024; 21(5): 1174–1183. doi:10.1080/15435075.2024.2305857.

9. [9] Sezikli NM, Alkan Ü, Zontul M, Elabiad Z. Forecast analysis of renewable solar energy production using meteorological data with machine learning methods. JAST. 2024; 17(2): 180–202.
10. [10] Bamisile O, Ejiyi CJ, Osei-Mensah E, Chikwendu IA, Li J, Huang Q. Long-term prediction of solar radiation using XGBoost, LSTM, and machine learning algorithms. 2022 4th Asia Energy and Electrical Engineering Symposium (AEEES). Institute of Electrical and Electronics Engineers Inc.; 2022. p. 214–218. doi:10.1109/AEEES54426.2022.9759719.
11. [11] Sagar A, Hole S, Kolluru V. Optimizing solar radiation forecasting for renewable energy systems. Solar Energy and Sustainable Development Journal. 2025; 14(1): 395–315. doi:10.51646/jsesd.v14i1.386.
12. [12] Azam F, Akhtar N, Husain S. Development of machine learning models for the estimation of diffuse solar radiation in the humid-subtropical climatic region of India. Discover Atmosphere. 2025; 3(1): 7. doi:10.1007/s44292-025-00030-0.
13. [13] Wan P, He Y, Zheng C, Wen J, Gu Z. Estimation of solar diffuse radiation in Chongqing based on random forest. Energies (Basel). 2025; 18(4). doi:10.3390/en18040836.
14. [14] Küçüktopçu E, Cemek B, Simsek H. Comparative analysis of single and hybrid machine learning models for daily solar radiation. Energy Reports. 2024; 11: 3256–3266. doi:10.1016/j.egyr.2024.03.012.
15. [15] Yuzer EO, Bozkurt A. Instant solar irradiation forecasting for solar power plants using different ANN algorithms and network models. Electrical Engineering. 2024; 106(4): 3671–3689. doi:10.1007/s00202-023-02067-z.
16. [16] GEPA [Online].Available:https://gepa.enerji.gov.tr/MyCalculator/.Accessed:Apr.28,2025.https://gepa.enerji.gov.tr/MyCalculator/
17. [17] POWER | DAV. [Online]. Available: https://power.larc.nasa.gov/data-access-viewer/. Accessed: Apr. 28, 2025.
18. [18] Şenpınar A. Güneş açılarına bağlı olarak optimum sabit güneş paneli açısının hesaplanması. Fırat Üniversitesi Doğu Araştırmaları Dergisi. 2006; 4(2): 36–41.
19. [19] Çağlar A. Farklı derece-gün bölgelerindeki şehirler için optimum eğim açısının belirlenmesi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2017; 22(2): 849. doi:10.19113/sdufbed.94899.
20. [20] Salman HA, Kalakech A, Steiti A. Random forest algorithm overview. Babylonian Journal of Machine Learning. 2024; 2024: 69–79. doi:10.58496/bjml/2024/007.
21. [21] Zhang W, Wu C, Zhong H, Li Y, Wang L. Prediction of undrained shear strength using extreme gradient boosting and random forest based on Bayesian optimization. Geoscience Frontiers. 2021; 12(1): 469–477. doi:10.1016/j.gsf.2020.03.007.
22. [22] Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Association for Computing Machinery; 2016.p.785-794. doi:10.1145/2939672.2939785.
23. [23] Yousuf MU, Ali A, Umair M. Assessing the impact of air pollution on global and diffuse solar radiation in Karachi, Pakistan: A comparative analysis of multiple linear regression and artificial neural network models. Theor Appl Climatol. 2025; 156(5): 261. doi:10.1007/s00704-025-05499-8.
24. [24] Alkesaiberi A, Harrou F, Sun Y. Efficient wind power prediction using machine learning methods: A comparative study. Energies (Basel). 2022; 15(7). doi:10.3390/en15072327.
25. [25] Yu PS, Chen ST, Chang IF. Support vector regression for real-time flood stage forecasting. J Hydrol (Amst). 2006; 328(3–4):704–716. doi:10.1016/j.jhydrol.2006.01.021.
26. [26] Yetiz F, Terzioğlu M, Kayakuş M. An analysis of Turkish deposit banks’ customer forecasting with machine learning methods. Sosyoekonomi. 2021; 29(50): 413–432. doi:10.17233/sosyoekonomi.2021.04.19.