Yüzeye gelen günlük güneş radyasyonunun uydudan elde edilen bulutluluk indeksi ile tahmini
Estimation of daily solar radiation using the satellite-derived cloud cover index
- Tez No: 1016043
- Danışmanlar: PROF. HACI MUSTAFA KANDIRMAZ
- Tez Türü: Yüksek Lisans
- Konular: Coğrafya, Enerji, Meteoroloji, Geography, Energy, Meteorology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Küresel enerji talebindeki artış ve temiz enerjiye yönelim, yüzeye ulaşan güneş radyasyonunun yüksek doğrulukla izlenmesini kritik hale getirmiştir. Bu çalışma, yer gözlem istasyonlarının kısıtlı dağılımı ve bulutluluk kaynaklı belirsizlikleri aşmak amacıyla, uydu verilerini makine öğrenmesi yöntemlerine entegre ederek Türkiye geneli için güneş radyasyon tahmin modeli geliştirmeyi hedeflemektedir. Araştırmada, 244 istasyondan alınan 2023-2024 dönemi günlük yer gözlemleri ile MSG/SEVIRI uydusu tabanlı CLAAS-3 (Edition 3) bulutluluk verileri kullanılarak Yapay Sinir Ağları ve LightGBM algoritmaları değerlendirilmiştir. Veri ön işleme sürecinde, modele sadece gün uzunluğu parametresinin eklenmesi R2 skorunu %32'den %62'ye çıkarmıştır. Coğrafi koordinat ve zamansal değişkenlerin dahil edilmesi ise performansı önemli bir artışla %85 seviyelerine taşımıştır. Çalışmada en yüksek başarıyı R2 = 0,85, RMSE = 0,8 kWh/m² ve MAE = 0,6 kWh/m² değerleriyle LightGBM modeli vermiştir. Sonuç olarak bu çalışma uydu tabanlı bulutluluk indeksi verilerinin makine öğrenmesi ile işlenmesinin ölçüm istasyonu bulunmayan bölgeler için güneş enerjisi potansiyelinin belirlenmesinde bir alternatif olarak kullanılabileceğini ortaya koymuştur.
Özet (Çeviri)
The increase in global energy demand and the shift towards clean energy have made the high-accuracy monitoring of surface solar radiation critical. This study aims to develop a solar radiation estimation model for Turkey by integrating satellite data with machine learning methods to overcome the limited distribution of ground observation stations and uncertainties caused by cloud cover. In the research, Artificial Neural Networks (ANN) and LightGBM algorithms were evaluated using daily ground observations from 244 stations between 2023-2024 and CLAAS-3 (Edition 3) cloud cover data based on the MSG/SEVIRI satellite. During the data preprocessing stage, adding only the day length parameter to the model increased the R2 score from 32% to 62%. The inclusion of geographic coordinates and temporal variables further improved the performance, reaching the 85% level. The LightGBM model achieved the highest success with R2 = 0.85, RMSE = 0.8 kWh/m2, and MAE = 0.6 kWh/m2. Consequently, this study demonstrates that processing satellite-based cloud index data with machine learning can be used as a reliable alternative for determining solar energy potential in regions lacking measurement stations.
Benzer Tezler
- Plazma arkı eldesi ve yüzey bölgesi modifikasyonunda kullanılabilirliği
Başlık çevirisi yok
ÖZKAN ÖZİPEKLİLER
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ
- Dislokasyon-dislokasyon etkileşimi
Başlık çevirisi yok
YILDIRIM AYDOĞDU
Yüksek Lisans
Türkçe
1987
Fizik ve Fizik Mühendisliğiİnönü ÜniversitesiFizik Ana Bilim Dalı
Y.DOÇ.DR. MUSTAFA DİKİCİ
- Hıyar turşularında sorbik asitin yüzeyde zar oluşumuna etkisi üzerinde bir araştırma
Başlık çevirisi yok
TÜLAY DALGIÇ
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiGıda Bilimi ve Teknolojisi Ana Bilim Dalı
YRD. DOÇ. DR. YILDIZ BORA
- Balıkesir ovasının ve yakın çevresinin jeomorfolojisi ile uygulamalı jeomorfolojisi
Başlık çevirisi yok
AYHAN ÖZOĞUL