Parçacık sürü optimizasyonlu pisagor kararsız bulanık adaptif ağ tabanlı modelin geliştirilmesi ve İstanbul için kuraklık tahmini
Development of a particle swarm optimization based pythagorean hesitant fuzzy adaptive network based model for drought prediction in Istanbul
- Tez No: 1021678
- Danışmanlar: PROF. DR. ŞÜKRAN ŞEKER
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Endüstri ve Endüstri Mühendisliği, Engineering Sciences, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kuraklık; tarımsal üretim, su kaynakları planlaması ve ekosistem işleyişi üzerinde çok boyutlu riskler oluşturan önemli bir çevresel süreçtir. Bu nedenle, kuraklığın erken aşamada güvenilir biçimde tahmin edilmesi, zamanında azaltım ve hazırlık önlemlerinin desteklenmesi açısından kritik önem taşımaktadır. Bu tez çalışmasında, kısa dönemli meteorolojik kuraklık tahmini amacıyla Parçacık Sürü Optimizasyonu (PSO) ile optimize edilen Uyarlamalı Ağ Tabanlı Pisagor Kararsız Bulanık Çıkarım Sistemi (ANPHFIS-PSO) geliştirilmiştir. Önerilen model, Pisagor Kararsız Bulanık Kümeleri nöro-bulanık öğrenme yapısı ile bütünleştirerek meteorolojik verilerdeki doğrusal olmayan örüntüleri, belirsizlikleri ve kararsızlık durumlarını daha esnek biçimde temsil etmeyi ve Standartlaştırılmış Yağış İndeksi (SYİ) tahmin performansını artırmayı amaçlamaktadır. Modelin etkinliğini değerlendirmek amacıyla İstanbul ili çalışma alanı olarak seçilmiş ve 1980-2024 dönemini kapsayan Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF) 5. nesil yeniden analiz verileri (ERA5) kullanılarak 3 aylık zaman ölçeğindeki SYİ (SYİ--3) için tahminleme yapılmıştır. Önerilen ANPHFIS-PSO modelinin performansı; Çok Katmanlı Algılayıcı (MLP), Destek Vektör Regresyonu (SVR), Uzun Kısa Süreli Bellek (LSTM) ve klasik Parçacık Sürü Optimizasyonu ile optimize edilmiş Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS-PSO) modeli ile karşılaştırılmıştır. Model değerlendirmesinde Ortalama Karesel Hata (MSE), Kök Ortalama Karesel Hata (RMSE), Ortalama Mutlak Hata (MAE) ve Belirleme Katsayısı (R2) performans ölçütleri kullanılmıştır. Elde edilen sonuçlar, ANPHFIS-PSO modelinin en düşük hata değerlerine (MSE: 0,0706; RMSE: 0,2658; MAE: 0,1811) ve en yüksek R2 değerine (0,9201) ulaştığını göstermiştir. Bu bulgular, önerilen hibrit modelin kısa dönemli meteorolojik kuraklık tahmininde karşılaştırılan yöntemlere göre üstün bir tahmin performansı sunduğunu ortaya koymaktadır.
Özet (Çeviri)
Drought poses multidimensional risks to agricultural production, water resources planning, and ecosystem functioning. Therefore, generating reliable drought forecasts at an early stage is critical for supporting timely mitigation and preparedness actions. In this thesis, an Adaptive Neuro-Pythagorean Hesitant Fuzzy Inference System optimized by Particle Swarm Optimization (ANPHFIS-PSO) is developed for short-term meteorological drought prediction. The proposed model integrates Pythagorean Hesitant Fuzzy Sets with a neuro-fuzzy learning structure to represent nonlinear patterns, uncertainty, and hesitancy in meteorological data more flexibly, thereby improving Standardized Precipitation Index (SPI) prediction performance. To evaluate the effectiveness of the model, Istanbul was selected as the case study area, and the 3-month Standardized Precipitation Index (SPI-3) was predicted using European Centre for Medium-Range Weather Forecasts (ECMWF) fifth-generation reanalysis data (ERA5) covering the period from 1980--2024. The performance of the proposed ANPHFIS-PSO model was compared with Multilayer Perceptron (MLP), Support Vector Regression (SVR), Long Short-Term Memory (LSTM), and the classical Adaptive Neuro-Fuzzy Inference System optimized by Particle Swarm Optimization (ANFIS-PSO) model. Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and the Coefficient of Determination (R2) were used as evaluation metrics. The results showed that the ANPHFIS-PSO model achieved the lowest error values (MSE: 0.0706; RMSE: 0.2658; MAE: 0.1811) and the highest R2 value (0.9201). These findings indicate that the proposed hybrid model demonstrates superior predictive performance compared to the benchmark methods considered for short-term meteorological drought prediction.
Benzer Tezler
- Makine öğrenmesi, CBS ve çok kriterli karar verme teknikleri ile tıbbi atık bertaraf tesis yeri seçimi için bütünleşik model önerisi: İstanbul örneği
Integrated approach for medical waste disposal site selection with machine learning, GIS and multi criteria decision techniques: The case of Istanbul
BETÜL YENİSARI
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞÜKRAN ŞEKER
- Parçacık sürü optimizasyonlu adaptif ağ tabanlı nötrosofik tereddütlü bulanık çıkarım sistemi ile İstanbul biyokütle tesisleri çevresinde no₂ tahmini
Particle-swarm-optimized adaptive network-based neutrosophic hesitant fuzzy inference system for no₂ prediction near biomass facilities in Istanbul
ATAULLAH TURGUT
Doktora
Türkçe
2026
Mühendislik BilimleriYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN ŞEKER
- Hybrid particle swarm based salp swarm optimised MPPT and fractional order proportional integral derivative controlled buck-boost converter for photovoltaic to battery charging system
Hibrit parçacık sürü esaslı salp sürü optimizasyonlu MPPT ve fraksiyonel sıra oransal integral türev kontrollü buck-boost dönüştürücü ile fotovoltaikden bataryaya şarj sistemi
IDRISS DAGAL
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK AKIN
- Genom çaplı ilişki çalışmaları için yapay zekâ teknikleri ile etiket snp seçimi
Tag snp selection with artificial intelligence techniques for genome-wide association studies
İLHAN İLHAN
Doktora
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY TEZEL
- Wildfire susceptibility mapping using ensemble boosting and metaheuristic-optimized MLP
Topluluk güçlendirme ve metaheuristik optimizasyonlu MLP kullanarak yangın duyarlılık haritalaması
AHMED ABUSEARIAH
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NEHAD T.A RAMAHA
YRD. DOÇ. DR. SOHAIB K M ABUJAYYAB