Bulanık mantık yöntemi ile mevsimsel hava tahmini İstanbul uygulaması
Seasonal weather forecast by fuzzy logic method Istanbul application
- Tez No: 467248
- Danışmanlar: PROF. DR. AHMET DURAN ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Meteoroloji, Meteorology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Atmosfer Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yarın hava nasıl olacak, bizi nasıl etkileyecek, bizi neler bekliyor? İnsanlar yüzyıllarıdır tüm bu sorulara cevap aramaktadırlar. Çünkü havanın durumu veya yarın ne olacağı sınıf ve tür ayırt etmeksizin tüm canlıları etkileyen önemli olgulardan bir tanesidir. Havanın nasıl olacağına bağlı olarak, insanlık her zaman yaşam formunu biçimlendirmek veya değiştirmek zorunda kaldığı için havanın anlık ve uzun vadedeki durumu hep merak konusu olarak kalmıştır. Gelişen teknolojinin sunduğu imkanlarla birlikte gözlemlerden yararlanılarak yapılan tahmin çalışmalarının tutarlılığı araştırılmakta ve bu konu ile ilgili çeşitli programlar ve modellerin geliştirilmesine devam edilmektedir. Atmosferin dinamik yapısı, kaotik davranışı ve bir çok meteorolojik elemanlara (değişkenlere) sahip olması, atmosferin uygun şekilde tanımlaması ve tahmin edilebilirliliği konusunda yapılacak her türlü araştırmayı güçleştirmektedir. Bu güçlüğün neticesinde meteorolojik elemanlar ile atmosferik olaylar takımının uzun süreli (en az 30 yıl ) ortalamalarını oluşturan iklimsel yapının ortaya konması zorlaşmaktadır. Mevsimsel hava tahmini son yıllarda üzerinde yoğunlaşılan ve giderek önem kazanan oldukça güncel bir konudur. Şehirleşmenin ve nüfusun artması ile birlikte önemli bir hal almıştır. Her nekadar herhangi bir mevsim içerisinde ekstrem olaylar meydana gelse de, mevsimsel hava tahmininin, bilinen hava tahmininden farkı ani değişimlere sahip olmaması ve gelecek mevsimler için istatistiksel özet içermesidir. Mevsimsel hava tahmininin yüksek doğruluk ile yapılabilmesi; su kaynakları, yenilenebilir enerji kaynakları, zirai rekolteler, ulaşım, turizm, denizcilik ve meteorolojik karakterli afetler gibi durumların önceden planlanlanarak erken uyarı sistemlerinin geliştirilmesi ile mal ve can kayıplarının azaltılması hususunda büyük fayda sağlayacaktır. Atmosferin buhranlı (kaotik) bir yapıya sahip olması nedeni ile formüllerle ve matematik denklemlerle ifade edilmesi oldukça zor ve karmaşıktır. Karmaşık olayların modellenmesi için önemli bir araç olan Bulanık Mantık (BM), günümüzde yaygın bir şekilde çeşitli alanlarda kullanılmaktadır. Bu kullanım alanlarından bir tanesi de atmosferdir. Zira meteoroloji biliminde“soğuk, serin, mutedil, ılık, sıcak, çok sıcak”gibi BM kavramı içerisinde değerlendirilebilecek terimler mevcuttur. Bu düşünceyle tez çalışması için“Bulanık Çıkarım Sistemi (Adaptive- Neuro Fuzzy Inference System – ANFIS)”kullanılmıştır. Bu çalışma kapsamında, ANFIS programı içerisinde ki Sugeno yazılımı kullanılarak 2 girdili, 1 çıktılı ve 3 girdili 1 çıktılı modeller oluşturulmuştur. Ayrıca 1960- 2016 (57 yıl) peryodu için İstanbul Kandilli Rasathanesi istasyonuna ait sıcaklık, bağıl nem ve yağış verileri detaylı olarak ele alınmıştır. Girdi verileri olarak sıcaklık ve bağıl nem, çıktı olarak ise yağış verisi model içerisinde düşünülmüştür. Toplamda 57 yıllık veriler aylık toplamlar halinde değerlendirilerek her ay için aynı ANFIS modeli çalıştırılmıştır. xx Gerçekleştirilen model sonuçlarına bakıldığında, özellikle aylık tahminlerde yüksek bir başarı yakalanmıştır. Düşünülen model eğitim ve test verilerine uygulanmış ve bunun sonucunda model başarısına bu süreçlerdeki bağıl hatalar hesaplanarak bakılmıştır. .
Özet (Çeviri)
The atmosphere deeply affects our lives with all the events and phenomena that it has. The phrase“deeply affects our life”is perhaps a shallow expression to describe the importance of the atmosphere. Because all living creatures build their living by considering the effects – situtaions of atmospheric conditions. This process that is begining with construction continues with efforts to protect from possible disasters and events, or challenge to be survive after events with minimum damage. Through the centuries of human experiences, the transfer of experienced events, the events we learned with the explanation of observational inferences, and the development of technology, we have tried to examine them with the help of many methods and models in computer. The fact that our atmosphere has a chaotic structure so it show itselfs as greatest obstacle. Especially in long-term forecasts, this hurdle is felt more and more. The seasonal weather forecast is an issue that has become more and more important in recent years. Work on seasonal weather forecasting in many parts of the world is ongoing at the same time. The fact that considering in long term plans and investments, insreasing population growth and urbanization accordingly triggered these studies. The seasonal weather forecast differs from familiar weather forecast becasuse it doesnt contain sudden cahanges and it contains summary statistics for future seasons. By making the seasonal weather forecast successfully, all sectors interested in human comfort will be able to make healthy action plans in advance and take precautionary measures to prevent possible loss of life and property. In this study, Fuzzy Logic modeling is done and it is aimed to compare the results with both measurement data and other models. Why is the Fuzzy Model selected? Atmosphere has a chaotic structure that plays main role in studies lack of certainty in predicting atmospheric events. Formulas or mathematical equations in various assumptions causes the event to diverge from its true state of event. For this reason Sugeno Software is used in the scope of Fuzzy Logic. A model is occured by using temperature, relative humidity and rainfall data of İstanbul Kandilli Observatory station between 1960 and 2016. The model was set up to have two inputs, one output. Inputs are relative humidity and temperature, and output is rainfall data. In the model tht is created using temperature, relative humidity and precipitation data, 5 memberships is set for temperature and relative humidity data for daily data and monthly total data. The numbers of membership groups have been determined as a result of various trials. Taking 5 intervals for each of the temperature and relative humidity parameter according to the result are that the error is low in the training and test phase, and R2 is high in comparison with the measured data and predicted data. Different input data (temperature and relative humidity) each have 5 varied membership. xxii Firstly membership groups determination of daily data sets, membership groups of temperature data; cold (-10 <x < 0), cool (-2 <x < 10), moderate (6 <x <14), warm (18 <x < 22), hot (x > 20). The membership groups of the relative humidity data are; Low (x < 40), medium (35 <x < 6 0), disturbing (55 <x < 75), oppressive (70 <x< 85), precipitation (80 < x < 100). Secondly membership groups determination of monthly total data, membership groups of temperature data; cold (-200 <x < 80), cool (40 <x < 400), moderate (350 <x <700), warm (650 <x < 1100), hot (x > 1000). The membership groups of the relative humidity data are; Low (x < 1900), medium (1800 <x < 2200), disturbing (2100 <x < 2500), oppressive (2400 <x< 2750), precipitation (2650 < x < 3100). Thus the model has 5 * 5 = 25 rules to determine the output result because the each inputs have 5 memberships. Daily total values (mm) for precipitation, temperature (C) and relative humidity (%) were used in the model by converting the data taken in the format of daily average values into monthly totals. The reason for converting to monthly aggregates format remove the rainfall data's discontinuous. It is observed that daily rainfall values significantly increase the error rate when monthly, seasonal and yearly data are analyzed. Increasing in error rate can be explained, as non- precipitaion can not be placed in rules by fuzzy logic software . Days of non-precipitation in education phase lead to failure in data training, which causes meaningless results in test data. For this reason, all data are converted into monthly totals in order to remove the precipitation caused by the daily data and reduce the error rate. Thus, temperature, relative humidity and rainfall values are used as monthly totals in the model. In this thesis, the basic goal is to develop a seasonal forecasting model based on fuzzy logic. Temperature, relative humidity and rainfall data from Kandilli Observatory of 1960-2016 were analyzed monthly, seasonally and annually. As seasonal weather forecast is aimed, monthly and seasonal results of all data are more important.The first 40 years of the present 57-year-old data per month are used as training data and the last 17 years data are used as test data. The model is run separately for each month of 12 months and training and test data were created within the framework of the above mentioned membership sets and rules. Seasonal data for the 1960-2016 period were examined for autumn, winter, spring, summer. The relative error values in the training and test process are generally very low. While the predictive data obtained through the model during the training period of the monthly data are compared with the measurement data, most of the cases the coefficient of variation has reached up to 0.90 and the lowest coefficient of variation belongs to February with 0.64. In this thesis 2 input 1 output model structure is used. Relative error (%) values are very low when 3 input 1 output model structure is used. Since the model has five times more rules than the two-indented model, the model estimate is estimated to be almost identical to the actual data. Since this is contrary to the modeling logic, 2 input 1 output model structure is used. By using this model system applicaiton is done. The application of the number of steps in the forecasting process has been continued until nine months. Why is it continued until the nine steps? Since after nine steps from the two selected steps correspond to the beginning of the selected steps, so estimates are made for this time interval. The relative errors and Root Mean Square Error (RMSE) values of the prediction results obtained during the nine steps were calculated. When results of two error types, it shows that estimation of 3-4 steps per month in Istanbul is achieved with successfully. xxiii In this study, an introduction to seasonal prediction models was made. In the following stages, it is aimed to operate models based on physical basis and to adapt to the conditions of our country.
Benzer Tezler
- Bulanık Mantık Yöntemi ile mevsimsel verilere dayalı buharlaşma tahmini
Prediction of evapotranspiration based on climatic data with Fuzzy Logic Method
YUNUS ZİYA KAYA
Yüksek Lisans
Türkçe
2016
İnşaat MühendisliğiOsmaniye Korkut Ata Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA MAMAK
DOÇ. DR. FATİH ÜNEŞ
- Bulanık kümeleme yöntemlerinin mevsimsel bulanık zaman serilerinde performanslarının karşılaştırılması: Hava kirliliği verilerine uygulama
Comparision performances of fuzzy clustering methods in seasonal fuzzy time series: Application to air pollution prediction
ERTAN BEKAR
Yüksek Lisans
Türkçe
2017
İstatistikMuğla Sıtkı Koçman Üniversitesiİstatistik Ana Bilim Dalı
YRD. DOÇ. DR. NEVİN GÜLER DİNCER
YRD. DOÇ. DR. KURTULUŞ BOZKURT
- Trakya bölgesindeki depolanmış buğday ve un fabrikalarında saptanan zararlılar ve bulaşma oranları
Başlık çevirisi yok
NİHAL AYDIN
- Bulanık suların arıtılmasında polimerlerden yararlanma
Başlık çevirisi yok
CENGİZ GÜLOĞLU
Yüksek Lisans
Türkçe
1985
Kimya Mühendisliğiİstanbul ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. MUALLA TUĞTEPE
- Erzurum ve Erzincan yörelerindeki bazı bitkilerde bulunan eriophyoi dea (acarina:actinedida) akarları üzerinde çalışmalar
Studies an eriophyoid mites (eriophyoidea:acarina) on some plants in Erzurum and Erzincan regions
ÖZDEMİR ALAOĞLU