Hava öngörüsünde uyarlanabilir ensemble modellemesi
Adaptive ensemble modelling for weather prediction
- Tez No: 323919
- Danışmanlar: PROF. DR. MİKDAT KADIOĞLU
- Tez Türü: Doktora
- Konular: Meteoroloji, Meteorology
- Anahtar Kelimeler: Doğrusal regresyon, Tahmin hataları, Yapay sinir ağları, Linear regression, Estimation errors, Artificial neural networks
- Yıl: 2012
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Güvenilir ve doğru hava tahmini bilgisine ulaşmak gündelik hayatla beraber birçok çalışma alanı için önemlidir. Kısa, orta veya uzun vadeli hava durumu veya iklim tahminlerinin iyileştirilmesi için, atmosferik olayların simülasyonunda kullanılan sayısal modellerin gerek başlangıç koşulları gerekse modellerde kullanılan eşitliklerdeki kabuller, yaklaşımlar ve değişebilen parametrelerden kaynaklanan hatalarının giderilmesi gerekmektedir. Bu hataların giderilebilmesi amacıyla ortaya konulan ensemble metodu, atmosferin kaotik bir yapıya sahip olduğu ve başlangıç koşullarına bağlılığının Lorenz tarafından gösterilmesinden sonra yaygın olarak kullanılmaktadır.Ensemble metodunda, başlangıç koşullarına bağlı hataların giderilmesi amacıyla, çok küçük değişikliklere sahip, farklı başlangıç koşulları ile çalıştırılan model tahminleri en basit şekilde ortalamaları alınarak bir araya getirilmektedir. Modelin kendisinden kaynaklanan hatalar önemlidir ve bunların azaltılabilmesi için modelin eşitliklerinde, parametrelerinde ve/veya kabullerinde yapılacak değişiklikler ile çalıştırılması sonucu elde edilecek tahminler veya tamamıyla farklı merkezlerde geliştirilmiş model tahminlerinin bir araya getirilmesi mümkündür. Ensemble üyesi olarak elde edilen her bir tahminin bir araya getirilirken direk ortalaması veya performanslarına göre ağırlıklandırılmış ortalamaları alınabilir.Bu çalışmada sayısal hava öngörü modellerindeki yapısal, fiziksel hatalar dikkate alınmış ve fiziksel şemalarında değişiklikler yapılmış olan atmosfer-okyanus modelinin dört farklı versiyonundan elde edilen iki haftalık ortalama sıcaklık tahminleri kullanılmıştır. Bu verilerden hesaplanan anomali değerleri üç farklı yolla bir araya getirilerek ensemble tahminleri elde edilmiş ve performansları kıyaslanmıştır. Bunlardan ilki; bias-düzeltmesi yapılmış ensemble ortalamasıdır. Kontrol tahmin olarak belirlenmiştir ve diğer iki yöntemin başarısı bu metoda göre değerlendirilmiştir. İkinci yöntem ise; lineer regresyon metoduna bağlı olarak model versiyonlarını performanslarına göre ağırlıklandırıp birleştiren Süperensemble metodunun uyarlamalı olarak çalışacak şekilde uygulanmasıdır. Üçüncü ve esas performansı üzerinde durulan ensemble sistemi ise Yapay Sinir Ağları metoduna dayalı olarak geliştirilmiştir ve ağırlıklandırma süreci yine uyarlanabilir olarak çalışmaktadır.Türkiye genelinde 50 istasyon için uygulanan ensemble tahminlerinin genel doğruluk ve başarı değerlendirmeleri sonucu, kontrol ensemble sistemi olarak kabul edilen bias-düzeltmesi yapılmış ensemble tahminlerin ortalamasına göre, Süperensemble ve YSA'ya dayanan ensemble tahminlerinin daha başarılı olduğu ortaya konmuştur. Özellikle Karadeniz ve Marmara bölgesindeki kontrol tahmininin yüksek hata verdiği istasyonlarda üye modelleri ağırlıklandırarak ensemble tahminleri elde etmek büyük başarı sağlamıştır. YSA metodu ile elde edilen ensemble tahminlerin Süperensemble yöntemi ile yakın sonuçlar verdiği, fakat çoğu istasyonda YSA`nın daha başarılı tahminler yaptığı görülmüştür.
Özet (Çeviri)
Getting reliable and accurate weather prediction information is essential not only for our daily lives, but also in many study areas. To improve short, medium or long term weather forecasting or climate prediction, errors coming from the assumptions and the approach used in deriving the equations, errors due to the changing parameters and occurring as a result of the initial conditions that are given to the models in the simulation of atmospheric events should be overcome. The ensemble method which was put forth to decrease the aforementioned errors has been widely used after Lorenz showed that the atmosphere has a chaotic structure, and is very sensitive to its initial state.To get rid of the errors due to the sensitivity to the initial state of the system, ensemble method simply by taking averages, combines the forecast of models which were simulated with minor differences in their initial values. The errors that are coming from the model are important and it is possible to reduce those errors by combining the results of model runs with modified equations, parameters and/or assumptions and postulates or results of models that are developed and run in different modeling centers. During this combination process direct average or weighted average of every forecast that is a member of the ensemble can be taken.In this study, we are concerned with the errors coming from the numerical weather prediction models. We used two-week mean temperature values from four different coupled atmosphere-ocean models with modified physical schemes. Ensemble forecast of anomalies calculated from those values were brought together in three different ways, and their performances are compared. The first is the bias removed ensemble mean, which is chosen as the control forecast, and the others are compared accordingly. The second method contains the adaptive application of superensemble method which combines the weighted average of model versions that were produced by looking at the performances using linear regression techniques. Third and the most important method in this study is the Artificial Neural Network ensemble method and the weighting of averages is again adaptive in this method.According to the accuracy of the ensemble forecast results based on Turkey-wide 50 stations, Superensemble and Neural Network ensemble forecasts are found to be more successful relative to the average of the control system, which is bias removed ensemble mean. Especially in Black Sea and Marmara regions with the highest forecasting errors of the control system, weighting of the ensemble member models give superior results. Forecasting results of Superensemble and Neural Network methods are close to each other in general, Neural Network based ensemble is found to be more successful in Turkey.
Benzer Tezler
- Storms and meteorological parameters affecting the aviation
Fırtınalar ve havacılığı etkileyen meteorolojik parametreler
EMRAH TUNCAY ÖZDEMİR
Doktora
İngilizce
2016
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ DENİZ
- Astımlı yetişkin hastalarda serum leptin, IFN-gamma, IL-4, IL-10, nitrik oksit konsantrasyonları ve solunum fonksiyonları arasındaki ilişkiler
The relationship between respiratory function tests and serum leptin, IL-4, IL-10, IFN-gamma levels and plasma nitric oxide concentrations in asthmatic adults
MUSTAFA YILMAZ
Tıpta Uzmanlık
Türkçe
2007
BiyokimyaAdnan Menderes ÜniversitesiBiyokimya Ana Bilim Dalı
DOÇ.DR. MUSTAFA ALTINIŞIK
- Chaotic analysis of wind regime
Rüzgar rejiminin kaotik analizi
MNGEREZA MZEE MIRAJI
Yüksek Lisans
İngilizce
2015
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
YRD. DOÇ. DR. BURAK BARUTÇU
- Çocuklarda ventilasyon-entübasyon zorluk derecesini belirlemede, Mallampati ve Cormeck-Lehane, diş yapısı ve antropometrik ölçümlerin değerlendirilmesi
Evaluation of Mallampati and Cormeck-Lehane, tooth morphology and anthropometric measurements, to determine ventilation-entubation difficulty in children
DİDEM YILMAZ
Tıpta Uzmanlık
Türkçe
2015
Anestezi ve ReanimasyonGaziantep ÜniversitesiAnesteziyoloji ve Reanimasyon Ana Bilim Dalı
PROF. DR. LÜTFİYE PİRBUDAK
- Ortaokul öğrencilerinin AVM'leri tercih etme nedenleri ve satın alma davranışları üzerine etkileri
Reasons of secondary school students to choose shopping malls and their effects on purchasing behaviors
İSMAİL KARATAŞ
Yüksek Lisans
Türkçe
2019
Eğitim ve ÖğretimGazi ÜniversitesiAile ve Tüketici Bilimleri Eğitimi Ana Bilim Dalı
PROF. DR. HACER TOR