Farklı makine öğrenmesi yaklaşımları ile Türkiye'nin solar radyasyon tahmini

Taha Demirgül; Vahdettin Demir; Mehmet Faik Sevimli

Makale detayları

Farklı makine öğrenmesi yaklaşımları ile Türkiye'nin solar radyasyon tahmini

Yazarlar:

Taha Demirgül | Vahdettin Demir | Mehmet Faik Sevimli

Yayıncı:

Murat YAKAR

Ana Başlıklar:

Coğrafi Bilgi Sistemleri ve Mekansal Veri Modelleme

Dergi:

Geomatik Vol.9 Issue 1, pp.106-122

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001311458

pISSN:

2564-6761

Anahtar kelimeler:

Özet:

 Solar radyasyon SR, enerji dönüşümü, yeşil bina konsepti, meteoroloji, küresel iklim değişikliği, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametrenin çeşitli yöntemlerle tahmin edilmesi gerekmektedir. Bu çalışmada, Türkiyenin 3600 grid noktasının 2004-2021 yıllarına ait yıllık ortalama solar radyasyon değerleri kWsam² kullanılarak ülke çapında farklı test noktaları için solar radyasyon tahmini gerçekleştirilmiştir. Solar radyasyon değerleri, çok değişkenli uyarlanabilir regresyon eğrileri MARS ve en küçük kareler destek vektör regresyonu LSSVR olmak üzere 2 farklı makine öğrenmesi tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. Solar radyasyon haritaları için ise ters mesafe ağırlıklı enterpolasyon tekniği kullanılmıştır. Tahmin edilen veriler ArcMap ortamında haritalandırılmıştır. Solar radyasyon, komşu ölçüm grid noktalarına ait konum bilgileri kullanılarak tahmin edilmiştir. Modellerde kullanılan veriler, Meteoroloji Genel Müdürlüğünden MGM temin edilmiş uydu tabanlı model olan heliospheric optical satellite model HELIOSAT verileridir. Farklı kombinasyonlar kullanılarak test noktalarından elde edilen SR tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, karekök ortalama karesel hata, ortalama mutlak hata, ortalama mutlak bağıl hata, Nash-Sutcliffe modeli verimlilik katsayısı ve determinasyon katsayısı yöntemleri kullanılmıştır. Tahmin edilen SR değerlerine ait gidiş, saçılma grafikleri, Taylor ve Violin diyagramları oluşturulmuştur. Ayrıca Kruskal-Wallis testi ile Wilcoxon testi uygulanmıştır. Makine öğrenmesi yöntemlerinden LSSVR çok başarılı tahmin sonuçları vermiştir. Böylece, makine öğrenme algoritmalarının literatürde yer alan kabul görmüş geleneksel yöntemlere göre daha kolay ve alternatif bir yöntem olabileceği gösterilmiştir.

 Solar radyasyon SR, enerji dönüşümü, yeşil bina konsepti, meteoroloji, küresel iklim değişikliği, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametrenin çeşitli yöntemlerle tahmin edilmesi gerekmektedir. Bu çalışmada, Türkiyenin 3600 grid noktasının 2004-2021 yıllarına ait yıllık ortalama solar radyasyon değerleri kWsam² kullanılarak ülke çapında farklı test noktaları için solar radyasyon tahmini gerçekleştirilmiştir. Solar radyasyon değerleri, çok değişkenli uyarlanabilir regresyon eğrileri MARS ve en küçük kareler destek vektör regresyonu LSSVR olmak üzere 2 farklı makine öğrenmesi tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. Solar radyasyon haritaları için ise ters mesafe ağırlıklı enterpolasyon tekniği kullanılmıştır. Tahmin edilen veriler ArcMap ortamında haritalandırılmıştır. Solar radyasyon, komşu ölçüm grid noktalarına ait konum bilgileri kullanılarak tahmin edilmiştir. Modellerde kullanılan veriler, Meteoroloji Genel Müdürlüğünden MGM temin edilmiş uydu tabanlı model olan heliospheric optical satellite model HELIOSAT verileridir. Farklı kombinasyonlar kullanılarak test noktalarından elde edilen SR tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, karekök ortalama karesel hata, ortalama mutlak hata, ortalama mutlak bağıl hata, Nash-Sutcliffe modeli verimlilik katsayısı ve determinasyon katsayısı yöntemleri kullanılmıştır. Tahmin edilen SR değerlerine ait gidiş, saçılma grafikleri, Taylor ve Violin diyagramları oluşturulmuştur. Ayrıca Kruskal-Wallis testi ile Wilcoxon testi uygulanmıştır. Makine öğrenmesi yöntemlerinden LSSVR çok başarılı tahmin sonuçları vermiştir. Böylece, makine öğrenme algoritmalarının literatürde yer alan kabul görmüş geleneksel yöntemlere göre daha kolay ve alternatif bir yöntem olabileceği gösterilmiştir.

 Solar radyasyon SR, enerji dönüşümü, yeşil bina konsepti, meteoroloji, küresel iklim değişikliği, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametrenin çeşitli yöntemlerle tahmin edilmesi gerekmektedir. Bu çalışmada, Türkiyenin 3600 grid noktasının 2004-2021 yıllarına ait yıllık ortalama solar radyasyon değerleri kWsam² kullanılarak ülke çapında farklı test noktaları için solar radyasyon tahmini gerçekleştirilmiştir. Solar radyasyon değerleri, çok değişkenli uyarlanabilir regresyon eğrileri MARS ve en küçük kareler destek vektör regresyonu LSSVR olmak üzere 2 farklı makine öğrenmesi tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. Solar radyasyon haritaları için ise ters mesafe ağırlıklı enterpolasyon tekniği kullanılmıştır. Tahmin edilen veriler ArcMap ortamında haritalandırılmıştır. Solar radyasyon, komşu ölçüm grid noktalarına ait konum bilgileri kullanılarak tahmin edilmiştir. Modellerde kullanılan veriler, Meteoroloji Genel Müdürlüğünden MGM temin edilmiş uydu tabanlı model olan heliospheric optical satellite model HELIOSAT verileridir. Farklı kombinasyonlar kullanılarak test noktalarından elde edilen SR tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, karekök ortalama karesel hata, ortalama mutlak hata, ortalama mutlak bağıl hata, Nash-Sutcliffe modeli verimlilik katsayısı ve determinasyon katsayısı yöntemleri kullanılmıştır. Tahmin edilen SR değerlerine ait gidiş, saçılma grafikleri, Taylor ve Violin diyagramları oluşturulmuştur. Ayrıca Kruskal-Wallis testi ile Wilcoxon testi uygulanmıştır. Makine öğrenmesi yöntemlerinden LSSVR çok başarılı tahmin sonuçları vermiştir. Böylece, makine öğrenme algoritmalarının literatürde yer alan kabul görmüş geleneksel yöntemlere göre daha kolay ve alternatif bir yöntem olabileceği gösterilmiştir.

 Solar radyasyon SR, enerji dönüşümü, yeşil bina konsepti, meteoroloji, küresel iklim değişikliği, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametrenin çeşitli yöntemlerle tahmin edilmesi gerekmektedir. Bu çalışmada, Türkiyenin 3600 grid noktasının 2004-2021 yıllarına ait yıllık ortalama solar radyasyon değerleri kWsam² kullanılarak ülke çapında farklı test noktaları için solar radyasyon tahmini gerçekleştirilmiştir. Solar radyasyon değerleri, çok değişkenli uyarlanabilir regresyon eğrileri MARS ve en küçük kareler destek vektör regresyonu LSSVR olmak üzere 2 farklı makine öğrenmesi tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. Solar radyasyon haritaları için ise ters mesafe ağırlıklı enterpolasyon tekniği kullanılmıştır. Tahmin edilen veriler ArcMap ortamında haritalandırılmıştır. Solar radyasyon, komşu ölçüm grid noktalarına ait konum bilgileri kullanılarak tahmin edilmiştir. Modellerde kullanılan veriler, Meteoroloji Genel Müdürlüğünden MGM temin edilmiş uydu tabanlı model olan heliospheric optical satellite model HELIOSAT verileridir. Farklı kombinasyonlar kullanılarak test noktalarından elde edilen SR tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, karekök ortalama karesel hata, ortalama mutlak hata, ortalama mutlak bağıl hata, Nash-Sutcliffe modeli verimlilik katsayısı ve determinasyon katsayısı yöntemleri kullanılmıştır. Tahmin edilen SR değerlerine ait gidiş, saçılma grafikleri, Taylor ve Violin diyagramları oluşturulmuştur. Ayrıca Kruskal-Wallis testi ile Wilcoxon testi uygulanmıştır. Makine öğrenmesi yöntemlerinden LSSVR çok başarılı tahmin sonuçları vermiştir. Böylece, makine öğrenme algoritmalarının literatürde yer alan kabul görmüş geleneksel yöntemlere göre daha kolay ve alternatif bir yöntem olabileceği gösterilmiştir.

Makale detayları

Farklı makine öğrenmesi yaklaşımları ile Türkiye'nin solar radyasyon tahmini

Yazarlar:

Taha Demirgül | Vahdettin Demir | Mehmet Faik Sevimli

Yayıncı:

Murat YAKAR

Ana Başlıklar:

Coğrafi Bilgi Sistemleri ve Mekansal Veri Modelleme

Dergi:

Geomatik Vol.9 Issue 1, pp.106-122

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001311458

pISSN:

2564-6761

Solar Radyasyon

HELIOSAT

Makine Öğrenmesi

3600 Grid

Türkiye

Sayı

Makale detayları

Farklı makine öğrenmesi yaklaşımları ile Türkiye'nin solar radyasyon tahmini

Yazarlar: Taha Demirgül | Vahdettin Demir | Mehmet Faik Sevimli

Yayıncı: Murat YAKAR

Ana Başlıklar: Coğrafi Bilgi Sistemleri ve Mekansal Veri Modelleme

Dergi: Geomatik Vol.9 Issue 1, pp.106-122

Belge Tipi: Makale

Yayın Tarihi: 4/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001311458

pISSN: 2564-6761

Solar Radyasyon

HELIOSAT

Makine Öğrenmesi

3600 Grid

Türkiye

Sayı

Yazarlar:

Taha Demirgül | Vahdettin Demir | Mehmet Faik Sevimli

Yayıncı:

Murat YAKAR

Ana Başlıklar:

Coğrafi Bilgi Sistemleri ve Mekansal Veri Modelleme

Dergi:

Geomatik Vol.9 Issue 1, pp.106-122

Belge Tipi:

Makale

Yayın Tarihi:

4/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001311458

pISSN:

2564-6761