ij3dptdi International Journal of 3D Printing Technologies and Digital Industry 2602-3350 2602-3350 Kerim ÇETİNKAYA Artificial Intelligence Yapay Zeka YAPAY ZEKÂ YÖNTEMLERİ İLE HAVA SICAKLIĞI TAHMİNİ İÇİN SİSTEM TASARIMI VE UYGULAMASI https://orcid.org/0000-0001-6326-3164 Turgut Aydın TEKNOLOJİ FAKÜLTESİ https://orcid.org/0000-0002-0129-5053 Temir Atılgan TEKNOLOJİ FAKÜLTESİ https://orcid.org/0000-0001-8052-9411 Aksoy Bekir TEKNOLOJİ FAKÜLTESİ https://orcid.org/0000-0001-8663-4466 Özsoy Koray ısparta uygulamalı bilimler üniversitesi 12 31 2019 3 3 244 253 12 05 2019 12 24 2019 Copyright © 2017, International Journal of 3D Printing Technologies and Digital Industry 2017 International Journal of 3D Printing Technologies and Digital Industry

Hava parametrelerinin tahmini için sıcaklık, nem, yağış, ışınım, rüzgâr yönü, rüzgâr şiddeti vb. giriş parametreleri enerji, sağlık, coğrafya, tarım vb. birçok alanda büyük önem taşımaktadır. Günümüzde hava parametrelerinin tahminlenmesi için meteorolojik formüllerden yararlanılmakta ancak bu formüller çok fazla hesap gerektirmektedir. Bu nedenle hava parametre tahminleri için meteorolojik tahminlere göre daha hızlı hesap modellerinin tercih edilmesi daha kullanışlı olacaktır.Çalışmada mikrodenetleyiciye bağlı olan sıcaklık, nem, rüzgâr şiddeti ve rüzgâr yönü gibi analog bilgiler sensörler tarafından elde edilip veri tabanına kaydedilmektedir. Verilerin kaydedilmesi, gerçek zamanlı olarak mikrodenetleyiciye bağlı olan ölçülen verileri herhangi bir kayba uğramadan hızlı bir biçimde veri tabanına aktarabilen ethernet modülü ile sayesinde gerçekleştirilmiştir. Oluşturulan veri tabanı yapay zekâ konusunun bir alt başlığı olan yapay sinir ağ modelleri tarafından işlenmiş ve ağ modelleri oluşturulmuştur. Böylece sistem giriş parametreleri nem, rüzgâr yönü ve şiddeti temel alınarak sistem çıkış parametresi olan hava sıcaklığının tahmini gerçekleştirilmiştir.

 yapay zeka yapay sinir ağları hava sıcaklığı 1. Şahin, M., “Modelling of air temperature using remote sensing and artificial neural network in Turkey”, Advances in Space Research, Vol. 50, Issue 7, Pages 973-985, 2012. 2. Bian, L., Li, L., Yan, G., “Combining global and local estimates for spatial distribution of mosquito larval habitats”, GIScience & Remote Sensing, Vol.43, Issue 2, Pages 128– 141, 2006. 3. Türkeş, M., “Küresel iklim değişikliği nedir? Temel kavramlar, nedenleri, gözlenen ve öngörülen değişiklikler”, İklim Değişikliği ve Çevre Dergisi, Cilt 1, Sayı 1, Sayfa 26-37, 2008. 4. Ustaoğlu B., “Giresun’da İklim Koşulları’nın Fındık (Corylus Avellana) Verimliliği Üzerine Etkisi”, Marmara Coğrafya Dergisi, Cilt 0, Sayı 26, Sayfa 302-323, 2012. 5. Şenol, R., “An analysis of solar energy and irrigation systems in Turkey”, Energy Policy, Volume 47, Pages 478–486, 2012. 6. Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. Artificial intelligence in radiology. Nature Reviews Cancer, Vol.18, Issue 8, Pages 500-510,2018. 7. Greenspan, H., Van Ginneken, B., & Summers, R. M., Guest editorial deep learning in medical imaging: Overview and future promise of an exciting new technique. IEEE Transactions on Medical Imaging,Vol. 35, Issue 5 , Pages 1153-1159,2016. 8. Krittanawong, C., Zhang, H., Wang, Z., Aydar, M., & Kitai, T., Artificial intelligence in precision cardiovascular medicine. Journal of the American College of Cardiology, Vol. 69, Issue 21, Pages 2657-2664,2017. 9. Johnson, K. W., Soto, J. T., Glicksberg, B. S., Shameer, K., Miotto, R., Ali, M., ... & Dudley, J. T., Artificial intelligence in cardiology. Journal of the American College of Cardiology, Vol. 71, Issue 23 ,Pages 2668-2679, 2018. 10. Littman, M. L., Reinforcement learning improves behaviour from evaluative feedback. Nature, Vol. 71 521, Issue 7553, Pages 445-451, 2015. 11. Mutha,R.V., Kumar,N. and Pareek,P., “Real Time Standalone Data Acquisition System for Environmental Data”, IEEE International Conference on Power Electronics, Intelligent Control and Energy Systems (ICPEICES), 4-6 July 2016, Delhi, India 12. O. Güngör, “Kaçak Elektrik Kullanımının GSM Aracılığıyla Takibi”, T, Vol. 4 , Issue 8, Pages 29-33, 2015. 13. Beken, M., Günhan, H. M., Akbulut, E., & Çapraz, T. (2017). Climate Control System For Cold Storage Depots. International Journal of Engineering Science and Application, Vol. 4 1, Issue 2 , Pages 42-45, 2017. 14. Rodríguez Angarita, J. P., & Soto Herrera, C. Y. Desarrollo de un Sistema Meteorológico en Red de Tres Nodos. 15. Yamaçlı, S., Aksoy, M., & Avcı, M. ETHERNET ÜZERİNDEN VERİ AKTARAN SICAKLIK/NEM ÖLÇÜM İSTASYONU TASARIMI VE UYGULAMASI 16. Karakuzu, C., & Gültekin, S. İnternet Üzerinden Görsel Bilgisayar Arayüzü ile Denetlenebilen Nokta Matris LED Tabela. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, Vol. 10, Issue 2, 42-52, Pages 2017. 17. Yanıktepe, B., Özalp, C., Savrun, M. M., Köroğlu, T., & Cebeci, Ç., Rüzgar-Güneş Hibrid Güç Sistemi Osmaniye Korkut Ata Üniversitesi Uygulama Örneği. In 6th International Advanced Technologies Symposium (IATS’11) (pp. 16-18), May. 2011. 18. Ren, S., Cao, X., Wei, Y., & Sun, J., Global refinement of random forest. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 723-730), 2015. 19. Biau, G., & Scornet, E.,. A random forest guided tour. Test, Vol. 25, Issue 2 , Pages 197-227, 2016. 20. Criminisi, A., Shotton, J., & Konukoglu, E. (2012). Decision forests: A unified framework for classification, regression, density estimation, manifold learning and semi-supervised learning. Foundations and Trends® in Computer Graphics and Vision, Vol. 7, Issue 2–3, Pages 81-227, 2012. 21. Ahmad, M. W., Mourshed, M., & Rezgui, Y. . Trees vs Neurons: Comparison between random forest and ANN for high-resolution prediction of building energy consumption. Energy and Buildings, Vol. 147, Pages 77-89, 2017. 22. Kalınlı, A., “Elman Ağının Simulated Annealing Algoritması Kullanarak Sistem Kimliklendirme İçin Eğitilmesi”, Osmangazi Üniversitesi Müh.Mim.Fak.Dergisi, Cilt 16, Sayı 2, Sayfa 25-42, 2002. 23. Kılıç, E., Özbalcı, Ü., Özçalık, H.i, “Lineer Olmayan Dinamik Sistemlerin Yapay Sinir Ağları ile Modellenmesinde MLP ve RBF Yapılarının Karşılaştırılması”, ELECO '2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, Sayfa 694-698, Bursa, 2012. 24. Chen, Y., & Hao, Y., A feature weighted support vector machine and K-nearest neighbor algorithm for stock market indices prediction. Expert Systems with Applications, Vol. 80, Pages 340-355, 2017. 25. Yu, B., Song, X., Guan, F., Yang, Z., & Yao, B. k-Nearest neighbor model for multiple-time-step prediction of short-term traffic condition. Journal of Transportation Engineering, Vol. 142, Issue 6, 2016. 26. Walters-Williams, J., & Li, Y., Comparative study of distance functions for nearest neighbors. In Advanced Techniques in Computing Sciences and Software Engineering (pp. 79-84). Springer, Dordrecht, 2010. 27. Süzen, A.A., Kayaalp, K., “Derin Öğrenme Yöntemleri İle Sıcaklık Tahmini: Isparta İli Örneği”, INES 2018, Sayfa 531-537, Antalya, 2018. 28. Sinecen, M., Kaya, B., Yıldız, Ö., “Aydın İlinde İnsan Sağlığını Birincil Dereceden Etkileyen Hava Değişkenlerine Yönelik Yapay Sinir Ağı Tabanlı Erken Uyarı Modeli Mahmut”, Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, Cilt 5, Sayı 4, Sayfa 121-131, 2017 29. Güç, R., “Bilecik İli İçin Güneş Enerjisi Analizi Ve Yapay Sinir Ağları İle Hava Sıcaklığı Tahmini”, Yüksek Lisans Tezi, Bilecik Şeyh Edebali Üniversitesi, Bilecik, 2016. 30. Yıldıran, A., Kandemir, S. Y., “Yağış Miktarının Yapay Sinir Ağları ile Tahmini”, BŞEÜ Fen Bilimleri Dergisi,Cilt 5, Sayı 2, Sayfa 97-104, 2018.