Enhancing Weather Forecasting Using Edge Computing and Machine Learning
Uç Bilişim ve Makine Öğrenimi ile Hava Tahmininin Geliştirilmesi
- Tez No: 1013618
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜN PINARER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Korsika, Fransa gibi karmaşık topoğrafyaya sahip bölgelerde doğru hava tahmini; mikro-iklim değişkenliği ve merkezi bulut tabanlı sistemlerin sınırlılıkları nedeniyle önemli bir güçlük oluşturmaktadır. Bu tez, coğrafi olarak dağıtılmış meteoroloji istasyonlarında sıcaklık tahmini için bir federe öğrenme (FL) çerçevesi olan E-SAPHIR (Extended Sensor Augmented weather Prediction at HIgh Resolution) sistemini önermektedir. Üç öğrenme paradigması karşılaştırılmaktadır: (1) her istasyonda bağımsız olarak eğitilen yerel LSTM modelleri, (2) tüm istasyonların verilerinin birleştirildiği merkezi bir LSTM modeli ve (3) FedAvg toplama algoritması kullanan global bir federe LSTM modeli. Deneyler, MQTT aracılığıyla haberleşen 22 Docker konteynerinden oluşan dağıtık bir altyapıda gerçekleştirilmiştir. Veri kümesi, Ekim 2023 ile Ocak 2024 arasındaki saatlik gözlemleri kapsamakta olup istasyonlar arasındaki yükseklik farklılıkları ve değişen sensör yapılandırmaları nedeniyle belirgin non-IID özellikler sergilemektedir. Sonuçlar, merkezi modelin en iyi tahmin doğruluğuna ulaştığını göstermektedir (ortalama MAE: 0,1619, RMSE: 0,2077); bunu federe model (MAE: 0,1923, RMSE: 0,2225) ve yerel modeller (MAE: 0,1980, RMSE: 0,2330) izlemektedir. Federe öğrenme tur başına daha yüksek iletişim maliyeti gerektirse de sunucuya ham veri aktarmaz; bu da büyük ölçekli veya uzun vadeli uygulamalarda giderek daha avantajlı bir gizlilik güvencesi sağlamaktadır. Bu çalışma, federe öğrenmenin dağıtık meteorolojik tahmin için uygulanabilir, güvenli bir alternatif olduğunu ortaya koymaktadır.
Özet (Çeviri)
Accurate weather forecasting in regions with complex terrain, such as Corsica, France, is challenged by microclimatic variability and the limitations of centralized cloud-based systems. This thesis proposes E-SAPHIR (Extended Sensor Augmented weather Prediction at HIgh Resolution), a federated learning (FL) framework for privacy-preserving temperature forecasting across 22 geographically distributed meteorological stations. Three learning paradigms are compared: (1) local LSTM models trained independently at each station, (2) a centralized LSTM model trained on pooled data, and (3) a global federated LSTM model using FedAvg aggregation. Experiments are conducted within a containerized Docker environment, with stations communicating via an MQTT broker. The dataset covers hourly observations from October 2023 to January 2024 and exhibits strong non-IID characteristics and varying sensor configurations. Results show that the centralized model achieves the best predictive accuracy (mean MAE: 0.1619, RMSE: 0.2077), followed by the federated model (MAE: 0.1923, RMSE: 0.2225) and local models (MAE: 0.1980, RMSE: 0.2330). Although federated learning incurs higher per-round communication cost, it exposes no raw data to the server, offering a strict privacy guarantee that becomes increasingly favorable in large-scale or long-horizon deployments. This work demonstrates that FL is a viable privacy-preserving alternative for distributed meteorological forecasting.
Benzer Tezler
- Data analysis with distributed machine learning methods in smart city applications
Akıllı şehir uygulamalarında dağıtık makine öğrenmesi yöntemleriyle veri analizi
NAWAF ABDULLA
Doktora
İngilizce
2024
Yönetim Bilişim SistemleriGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET DEMİRCİ
PROF. DR. SUAT ÖZDEMİR
- Yapay zeka teknikleri kullanılarak hava durumu değişimlerinin toplu taşım talep tahminine olan etkisi: İstanbul örneği
The impact of weather changes on public transportation demand forecasting using artificial intelligence techniques: The case of Istanbul
CAFER YAZICIOĞLU
Doktora
Türkçe
2025
UlaşımKırıkkale Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ PAYIDAR AKGÜNGÖR
- A new forecasting system for electrical loads in the middle euphrates region using neural networks
Orta fırat bölgesindeki elektrik yükleri için yapay sinir ağları kullanarak yeni bir tahmin sistemi tasarımı
MUDHER ABDULHADI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ZENGİN
- Enhancing photovoltaic system performance through NARX-LSTM forecasting and neuro-controller based MPPT techniques
NARX-LSTM tahmın ve nöro-denetleyici temelli MPPT teknikleri vasıtasıyla fotovoltaık sistem performansının artırılması
OUBAH ISMAN OKIEH
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products
Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi
NAHİT ÇATMADIM
Yüksek Lisans
İngilizce
2023
Meteorolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET SİNAN ÖZEREN