Derin Öğrenme Yöntemleri ile Sıcaklık Tahmini: Diyarbakır İli Örneği

Abstract

Birçok uygulamada kısa vadeli sıcaklık tahminleri gereklidir. Bu tür tahminlere olan talep birçok alanla beraber özellikle enerji endüstrisinde artmıştır. Daha iyi sıcaklık tahminleri için veriye dayalı modeller giderek daha fazla popülerlik kazanmaktadır. Bu yaklaşımlar arasında derin öğrenme kavramları, yani birden çok gizli katmana sahip sinir ağları bulunmaktadır. Bu çalışmanın odak noktası, meteorolojik verilere dayalı hava sıcaklığı tahmini için derin öğrenmenin uygulanabilirliğini göstermektir. Bu kapsamda T.C. Meteoroloji Genel Müdürlüğü Meteorolojik Veri Bilgi Sunum ve Satış Sistemi'nden (MEVBİS) alınan 2014-2020 yılları arasındaki hava sıcaklığı verileri kullanılarak, Güneydoğu Anadolu Bölgesi'nde yer alan Diyarbakır ili için derin öğrenme algoritmaları ile sıcaklık tahmini yapılmıştır. Bu çalışmanın derin öğrenme mimarisini, Özyinelemeli Sinir Ağlarının (Recurrent Neural Network-RNN) özel bir türü olan Uzun-Kısa Süreli Bellek (Long-Short Term Memory-LSTM) oluşturmaktadır. Ayrıca bu çalışmada tahmin çalışmalarında kullanılan Otomatik Regresif Entegre Hareketli Ortalama (ARIMA) modeli ile de analiz yapılmış ve başarılı sonuçlar ortaya çıkmıştır. Derin öğrenme algoritmalarından LSTM ağları sıcaklığı, rüzgar hızını veya radyasyonu tahmin etmek için sıklıkla kullanılmaktadır. Sistem eğitildikten sonra R-kare skoru değeri 0.96 olarak bulunmuştur. Bu parametre değeri, gerçek hava sıcaklığı değerlerine çok yakın hava sıcaklığı tahmin değerleri elde edildiğini gösteren bir kriterdir. ARIMA ve LSTM modelimizin sağladığı tahminin doğruluğu hem uygun hem de tatmin edicidir. Bu yöntemlerle yapılan sıcaklık tahminlerinin iyi performans gösterdiği ve hava sıcaklığı tahmininde başarılı bir şekilde kullanılabileceği tespit edilmiştir.

Uzun Kısa Süre Bellek (LSTM) ile Toprak Sıcaklığının Tahmini

“…However, it has been seen in the literature that different models are run on different data sets. Considering the LSTM accuracy rate of temperature prediction from Sevinç and Kaya deep learning methods, the RMSE values are seen as 1.859 (Sevinç and Kaya 2021). In another study, Kara found the RMSE value to be 19.39% (Kara 2019).…”

“…There are error criterion measures, which are special formulas that provide evidence about the working type and reliability of an algorithm or model. These criteria, which are widely used in the literature; Root Mean Square Error (RMSE), Mean Square Error (MSE), R Squared Score (R2) and Mean Absolute Error (MAE) (Sevinç and Kaya, 2021). In this study, the RMSE method given in Equation 7 was used to measure the performance of the proposed model.…”

Utilizing Aerobic Capacity Data for EDSS Score Estimation in Multiple Sclerosis: A Machine Learning Approach

“…Mean square error (MSE): MSE is the average of the squares of the error between actual values and predicted values. It measures the magnitude of errors and the closer it is to zero, the better the model works [ 21 ].…”

“…R 2 : R 2 , takes a value between 0 and 1, expressing the relationship between predicted values and actual values. The closer the result is to 1, the higher the performance and precision of the model [ 21 ].…”

Konut Fiyatlarının Tahmini için Polinomsal Regresyon ve Yapay Sinir Ağları Yöntemlerinin Uygulamalı Karşılaştırılması

“…Eksi sonsuz ile 1 arasında değer alır. Sonuç 1'e ne kadar yakınsa model o kadar hassas ve uyum iyiliği uygun demektir [18]. 2 (5)…”