| dc.description.abstract | Geçmişten günümüze hava tahmini insanlık için önem arz etmektedir. Hava tahmininin hassas gerçekleştirilebilmesi sel, tsunami vb. doğal afetlere karşı önlemler alınarak oluşacak olumsuz etkileri en düşük seviyeye indirmeyi sağlayabilmektedir. Bu çalışma kapsamında radyosonde verilerini kullanarak hava durumu kestirimi yapılmaktadır. Bu kestirimde en yüksek ve en düşük sıcaklık tahmini yapılmaktadır. Makine Öğrenmesi Algoritmaları kullanarak kestirim gerçekleştirilmiştir. Daha önce literatürde bulunan sıcaklık tahmini çalışmalardan farklı olarak 3 yıllık Radyosonde rasat verileri kullanılmıştır. Bu sayede yerden 40 km yüksekliğe kadar 1mbar aralıklarla ölçülmüş veriler ile atmosfer, literatürdeki diğer çalışmalara göre çok daha hassas olarak modellenmiştir. Bu modelde ertesi güne ait en yüksek ve en düşük sıcaklık değerleri kestirilmiştir. Bu aşamada normalizasyon ve öznitelik çıkarma veya seçmenin sonuçlara etkileri analiz edilerek tahmin için en uygun model belirlenmiştir. MATLAB ortamında gerçekleştirilen yazılım ile faklı regresyon yöntemleri karşılaştırılmıştır. Bu analizler sonucunda Gauss Süreci Regresyonu yöntemini kullanarak 1,2 Ortalama Karekök Sapması ile ertesi güne ait en yüksek sıcaklık tahmini en yüksek doğrulukla elde edilmiştir. Aynı yöntem kullanarak 2,4 Ortalama Karekök Sapması oranı ile en düşük sıcaklık tahmini yapılmıştır. Sonuçlar literatürdeki çalışmalardan daha başarılı sıcaklı tahmini yapıldığını göstermektedir.
Weather forecasting from past to present is important for humanity. The precise realization of the weather forecast can ensure that the negative effects that will occur are minimized by taking precautions against natural disasters such as floods, tsunamis, etc. Within the scope of this study, weather forecasting is made using radiosonde data. In this estimation, the highest and lowest temperatures are estimated. Estimation was made using Machine Learning Algorithms. Unlike the temperature estimation studies previously in the literature, 3-year radiosonde observation data were used. In this way, the atmosphere was modeled much more precisely than other studies in the literature with the data measured at 1mbar intervals up to 40 km above the ground. In this model, the highest and lowest temperature values for the next day are estimated. At this stage, the most appropriate model for the prediction is determined by analyzing the effects of normalization and attribute extraction or voter on the results. Different regression methods were compared with the software performed in MATLAB environment. As a result of these analyzes, the highest temperature estimate for the next day was obtained with the highest accuracy with 1.2 Mean Square Root Deviation using the Gaussian Process Regression method. Using the same method, the lowest temperature estimate was made with an average Square Root Deviation rate of 2.4. The results show that more successful temperature estimation is made than the studies in the literature. | en_US |
