LSTM Based Deep Learning Model for Air Temperature Prediction

Öz

With escalating temperatures at its core, climate warming triggers glaciers melting, rising sea levels, extreme weather phenomena, biodiversity loss, food chain disruptions, and heightened risks of natural disasters such as typhoons, tsunamis, landslides, and soil erosion. Air temperature serves as a pivotal indicator for assessing energy and hydrological balance, greenhouse effects, solar radiation levels, and air pollution. Consequently, temperature variation is marked by dynamic, uncertain, and nonlinear patterns. In this study, LSTM (Long Short-Term Memory) architecture, one of the deep learning methods, was applied to the 5-year daily average air temperature data of Izmir. With the LSTM approach, long-term temperature trends are determined by analyzing historical temperature data. This method is important for modeling complex and variable data such as air temperature. In order to measure the effectiveness of the developed method, different machine learning algorithms were developed, and their performance values were compared. The R square score value, which shows the relationship between actual values and predicted values, is 0.963 and 0.948 in linear regression; 0.948 in Random Forest algorithm; Support Vector Machines 0.949; Convolutional Neural Networks 0.949; Multilayer Perceptron was found to be 0.950. The high prediction accuracy of LSTM networks has shown that they can be successfully applied in temperature time series forecasting.

Anahtar Kelimeler

• Artificial Intelligent
• LSTM
• Air Temperature
• Deep Leaning

Hava Sıcaklığı Tahmini için LSTM Tabanlı Derin Öğrenme Modeli

Öz

İklim ısınması, özünde artan sıcaklıklarla birlikte buzulların erimesini, yükselen deniz seviyelerini, aşırı hava olaylarını, biyolojik çeşitlilik kaybını, besin zinciri bozulmalarını ve tayfun, tsunami, toprak kayması ve toprak erozyonu gibi doğal afet risklerini tetiklemektedir. Hava sıcaklığı, enerji ve hidrolojik dengenin, sera etkilerinin, güneş radyasyonu seviyelerinin ve hava kirliliğinin değerlendirilmesinde önemli bir gösterge görevi görmektedir. Bu sonuç, sıcaklık değişimlerin dinamik, belirsiz ve doğrusal olmayan bir yapıya olduğunu göstermektedir. Bu çalışmada, derin öğrenme yöntemlerinden LSTM (Uzun Ömürlü Kısa Dönem Belleği) mimarisi, İzmir iline ait 5 yıllık günlük ortalama hava sıcaklığı verilerine uygulanmıştır. LSTM yaklaşımı ile geçmiş sıcaklık verileri analiz edilerek uzun vadeli sıcaklık eğilimleri belirlenmektedir. Bu yöntem, hava sıcaklığı gibi karmaşık ve değişken verilerin modellenmesi için önemlidir. Geliştirilen yöntemin etkinliğini ölçmek amacıyla farklı makine öğrenmesi algoritmaları geliştirilmiş ve performans değerleri kıyaslanmıştır. Gerçek değerler ve tahmin değerler arasındaki ilişkiyi gösteren R kare skoru değeri 0,963, doğrusal regresyonda 0,948; Rastgele Orman algoritmasında 0,948; Destek Vektör Makineleri 0,949; Konvolüsyonel Sinir Ağları 0,949; Çok Katmanlı Algılayıcı 0,950 olarak bulunmuştur. LSTM ağlarının tahmin doğruluğunun yüksek olması, sıcaklık zaman serisi tahminlemesinde başarılı bir şekilde uygulanabileceğini göstermiştir.

Anahtar Kelimeler

• LSTM
• hava sıcaklığı
• derin öğrenme
• yapay zeka

Kaynakça

1. 1. Hayati, M., & Mohebi, Z. (2007). "Application of Artificial Neural Networks for Temperature Forecasting." International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering, 1(4), 654-658.
2. 2. Dombaycı, Ö. A., & Gölcü, M. (2009). "Daily means ambient temperature prediction using artificial neural network method: A case study of Turkey." Renewable Energy, 34(4), 1158-1161.
3. 3. Bilgili, M., & Şahin, B. (2009). "Application of artificial neural networks for the wind speed prediction of target station using reference stations data." Renewable Energy, 32(14), 2350-2360.
4. 4. İbrikçi, T., & Soylu, A. (2014). "Estimation of air temperature using artificial neural networks." International Journal of Electronics, Mechanical and Mechatronics Engineering, 4(1), 919-926. 5. Süzen, A. A., & Kayaalp, K. (2018). Derin Öğrenme Yöntemleri İle Sıcaklık Tahmini: Isparta İli Örneği. In International Academic Research Congress INES.
5. 6. Singh, S. N., & Mohapatra, A. (2019). Repeated wavelet transform based ARIMA model for very shortterm wind speed forecasting. Renewable energy, 136, 758-768.
6. 7. Qiu, R., Wang, Y., Rhoads, B., Wang, D., Qiu, W., Tao, Y., & Wu, J. (2021). River water temperature forecasting using a deep learning method. Journal of Hydrology, 595, 126016.
7. 8. Fang, Z., Crimier, N., Scanu, L., Midelet, A., Alyafi, A., & Delinchant, B. (2021). Multi-zone indoor temperature prediction with LSTM-based sequence to sequence model☆. Energy and Buildings, 245, 111053.
8. 9. Uluocak, I., Bilgili, M.(2024). Daily air temperature forecasting using LSTM-CNN and GRU-CNN models. Acta Geophys. 72, 2107–2126. https://doi.org/10.1007/s11600-023-01241-y