Antalya İli Meteorolojik Verileri Yardımıyla Hava Sıcaklığının Yapay Sinir Ağları Metodu ile Tahmini

Yıl 2020, Cilt: 10 Sayı: 1, 146 - 154, 15.01.2020

Ali Özhan Akyüz , Kazım Kumaş Mustafa Ayan , Afşin Güngör

https://doi.org/10.17714/gumusfenbil.511481

Cited By: 6

Öz

Atmosferin
gelecekteki durumu hava tahminleri yoluyla belirlenir. Küresel ısınma ve iklim
değişiklikleri nedeniyle hava koşullarının değişiklik göstermesi hava tahmini doğruluğunun
önemini arttırmaktadır. Hava sıcaklığı, tarım başta olmak üzere sanayi ve
benzeri birçok faaliyetin belirlenmesinde önemli rol oynamaktadır. Bitkilerin
büyüme ve gelişmeleri için belirli bir sıcaklık değerine ihtiyaç vardır.
Sıcaklığın yüksek olduğu ve değişkenlik gösterdiği durumda bitkiler olumsuz
etkilenmektedir. Bu sebeplerden dolayı Akdeniz ikliminin görüldüğü ülkelerde ve
seracılığın faaliyetlerinin yoğun olduğu bölgelerde hava sıcaklığı tahmini
önemli bir hal almıştır. Son yıllarda geleceğe yönelik hava tahminleri ve
araştırmaların sayısı oldukça artmıştır. Bu çalışmada Antalya’ya ait 2000-2016
yılları arasında ölçülen gerçek aylık ortalama buhar basıncı, aylık ortalama
nisbi nem ilgili ay ve yıl verileri kullanılarak yapay sinir ağları metodu ile
ortalama hava sıcaklığı tahmin edilmiştir. Yapay sinir ağı modeli performansı
istatistiksel tekniklerle karşılaştırılmıştır. Sonuç olarak yapay sinir ağı
modelindeki tahmin değerlerinin gerçek ortalama hava sıcaklığı değerleri ile
uyumlu olduğu gözlemlenmiştir.

Anahtar Kelimeler

Hava sıcaklığı, Meteorolojik veri, Tahmin yöntemi, Yapay sinir ağları

Estimation of Air Temperature by Artificial Neural Networks with Meteorological Data for Antalya Province

Öz

The future state of the
atmosphere is determined by weather forecasts. The change in weather conditions
due to global warming and climate changes increases the importance of
forecasting accuracy. Air temperature plays an important role in the
determination of many activities such as agriculture, industry and so on. A
certain temperature value is needed for the growth and development of plants. Plants
are adversely affected when the temperature is high and varies. For these
reasons, air temperature estimation has become important in countries with
Mediterranean climate and in areas where greenhouse activities are intense. In
recent years, the number of future weather forecasts and research has increased
considerably. In this study, the average monthly air pressure was estimated by
using artificial neural network method by using real monthly average vapor
pressure, monthly average relative humidity, related month and year data of
Antalya between 2000-2016.The artificial neural network model performance has
been compared with statistical techniques. As a result, it was observed that
the estimated values ​​in the artificial neural network model have been
consistent with the actual average air temperature values.

Anahtar Kelimeler

Air temperature, Meteorological data, Estimation method, Artificial neural networks

Kaynakça

• Aslay, F. ve Özen, Ü., 2013. Meteorolojik Parametreler Kullanılarak Yapay Sinir Ağları ile Toprak Sıcaklığını Tahmini. Politeknik Dergisi,16 (4), 139-145.
• Ayvaz, E., 2012. Yapay Sinir Ağları ve Paralel Akışlı Isı Eşanjörlerinde Uygulanması. Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü. Trabzon, 51s.
• Bilgili, M. ve Sahin,B., 2009. Prediction of long-term monthly temperature and rainfall in Turkey. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 32 (1), 60-71.
• Boyacı, S., Akyüz, A., Üstün, S., Baytorun, A. F. ve Güğercin, Ö., 2017. Seralarda Yüksek Sıcaklıkların Azaltılmasında Kullanılan Yöntemler. Turkish Journal of Agricultural Research, 4 (1), 89-95.
• Dombayci, Ö. A. ve Gölcü, M., 2009. Daily means ambient temperature prediction using artificial neural network method: A case study of Turkey. Renewable Energy, 34 (4), 1158-1161.
• Hayati, M. ve Mohebi, Z., 2007. Application of Artificial Neural Networks for Temperature Forecasting. World Academy of Science, Engineering and Technology, International Journal of Electrical and Computer Engineering, 1 (4), 654-658.
• Işık, E. ve İnallı, M., 2011. İklim Sistemlerinin Projelendirilmesini Etkileyen Meteorolojik Verilerin Akıllı Sistemlerle Tahmini ve Örnek Uygulama. 18-20 Kasım 2011, Antalya.
• İbrikçi, T. ve Soylu, A., 2014. An Applıcatıon of Neural Networks For Weather Temperature Forecastıng. EE-588 Advanced Topıcs In Neural Network. Cukurova Unıversıty Department of Electrıcal&Electronıcs Engıneerıng, The Project Report, Adana, 20p.
• Kaftan, İ., 2010. Batı Türkiye Gravite ve Deprem Katalog Verilerinin Yapay Sinir Ağları İle Değerlendirilmesi. Doktora Tezi, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İzmir, 92s.
• Köksal, E., 2011. Makina Elemanları Konstrüksiyonunda Çentik Faktörünün Yapay Sinir Ağları İle Hesaplanması. Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, 95s.
• Peşkircioğlu, M., Özaydın, K. A., Özpınar, H., Nadaroğlu, Y., Dokuyucu, Ö., Aytaç Cankurtaran, G., Ünal, S. ve Şimşek, O., 2016. Bitkilerin Sıcağa ve Soğuğa Dayanıklılık Bölgelerinin Türkiye Ölçeğinde Coğrafi Bilgi Sistemleri ile Haritalanması. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 25 (1), 11-25.
• Sri Sankari G. ve Valarmathi, Dr.A., 2017. Weather Forecasting with Back Propagation of Neural Network using MATLAB. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 2 (2), 2456-3307.
• Şahan, M. ve Okur, Y., 2016. Akdeniz Bölgesine Ait Meteorolojik Veriler Kullanılarak Yapay Sinir Ağları Yardımıyla Güneş Enerjisinin Tahmini, SDU Journal of Science (E-Journal),11 (1), 61-71.
• Şencan, A. ve Çiçek Bezir, N., 2003. Ölçülebilen Meteorolojik Verilerle Güneş Radyasyonunun Yapay Sinir Ağları Metoduyla Tayini. TMMOB Makine Mühendisleri Odası Güneş Enerjisi Sistemleri Sempozyumu ve Sergisi, 20-21 Haziran 2003, Mersin, s. 235-239.
• Şencan, A. ve Kalogirou, S., A., 2005. A new approach using artificial neural networks for determination of the thermodynamic properties of fluid couples. Energy Conversion and Management, 46 (15-16), 2405-2418.