Geri Dön

Measurement-based calibration of era5 offshore wind speeds using machine learning: The Bozcaada Yeka case

Makine öğrenmesi kullanılarak era5 deniz üstü rüzgâr hızlarının ölçüm tabanlı kalibrasyonu: Bozcaada Yeka örneği

PDF İndir

  1. Tez No: 1024492
  2. Yazar: DİYAR GÜDEN
  3. Danışmanlar: DOÇ. DR. BAHTİYAR EFE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Meteoroloji, Meteorology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Atmosfer Bilimleri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Rüzgâr enerjisi yatırımlarında deniz üstü rüzgâr kaynak değerlendirme aşaması, projenin teknik ve finansal fizibilitesini doğrudan etkileyen kritik bir adımdır. Bu aşamada mevcut veri setleri arasında sıklıkla kullanılan beşinci nesil atmosferik yeniden analiz (ERA5) gibi yeniden analiz veri setleri, yüksek zamansal sürekliliklerine rağmen özellikle kara-deniz geçişlerine yakın deniz üstü alanlarda, mekânsal çözünürlük ve yüzey pürüzlülüğü temsili nedeniyle sistematik hatalar içerebilir. Bu potansiyel hatalar, rüzgâr hızının ve dolayısıyla rüzgâr enerjisi potansiyelinin olduğundan düşük veya yüksek tahmin edilmesine yol açabilir. Bu çalışmanın amacı, Bozcaada Yenilenebilir Enerji Kaynak Alanı (YEKA) deniz üstü sahasında uydu tabanlı ASCAT (Advanced Scatterometer) ölçümlerini fizik-bilgili bir makine öğrenmesi uygulamasıyla kullanmak ve bu kalibrasyonun 150 m göbek yüksekliğine ölçeklendirildiğinde rüzgâr güç yoğunluğu (wind power density, WPD) üzerindeki etkisini nicel olarak değerlendirmektir. Bu araştırmanın coğrafi odağı, Ege Denizi'nde yer alan Bozcaada YEKA deniz üstü sahasıdır. Bu çalışmada kullanılan veri seti, 2012–2021 dönemini kapsayan 10 yıllık saatlik ERA5 yeniden analiz verilerini içermektedir. 10 m rüzgâr bileşenleri (u10, v10), 2 m hava sıcaklığı, 2 m çiy noktası sıcaklığı, yüzey basıncı, ortalama deniz seviyesi basıncı, sınır tabaka yüksekliği ve toplam bulut kapalılığı gibi termodinamik ve sınır tabaka parametreleri ERA5'ten elde edilmiştir. 10 m rüzgâr hızı, yatay rüzgâr bileşenleri kullanılarak hesaplanmıştır. Kullanılan referans ölçüm verisi, Copernicus Marine Service aracılığıyla sağlanan ASCAT L3 uydu rüzgâr gözlemleridir. ERA5 saatlik zaman adımlarına karşılık gelen uydu geçiş zamanları“en yakın saat”kuralı kullanılarak eşleştirilmiştir. Zamansal farkın teorik olarak 30 dakikayı aşmadığı doğrulanmıştır. Bu yaklaşım, ±60 dakika zaman toleransının ±30 dakika yerine seçilmesinin eşleşme setinde herhangi bir değişikliğe neden olmadığını göstermektedir. Geliştirilen makine öğrenmesi modelleri için girdi veri setleri, rüzgârın akışkanlığını temsil eden ve yalnızca istatistiksel değil, aynı zamanda fiziksel anlam da taşıyan özniteliklerden oluşmaktadır. Bunlar arasında rüzgâr hızının karesi, gecikme ve hareketli ortalama terimleri, mevsimsel ve günlük döngüleri temsil eden trigonometrik zaman kodlamaları ve atmosferik karışımı temsil eden vekil değişkenler yer almaktadır. Makine öğrenmesi algoritmalarını oluşturmak için veri zamansal olarak 2012–2018 dönemi eğitim, 2019 yılı doğrulama ve 2020 yılı test olacak şekilde ayrılmıştır. Rastgele bölme kullanılmamış, böylece zamansal veri sızıntısı önlenmiştir. Elastic Net, Classification and Regression Trees (CART), Random Forests (RF), Light Gradient Boosting Machine (LightGBM) ve Extreme Gradient Boosting (XGBoost) algoritmaları çalıştırılmıştır. İncelenen modeller arasında XGBoost algoritmasının en yüksek performansa ulaştığı gözlenmiştir. Model performans metrikleri kök ortalama kare hata (RMSE), ortalama mutlak hata (MAE), bias ve korelasyon katsayısı kullanılarak değerlendirilmiştir. Model performansı ayrıca ham ERA5 temel modeliyle karşılaştırılmıştır. Elde edilen 10 m kalibre edilmiş rüzgâr serisi, güç kanunu kullanılarak 150 m göbek yüksekliğine ekstrapole edilmiştir. Burada α = 0.14 sabit olarak kabul edilmiş ve α = 0.11 ile α = 0.18 için duyarlılık analizleri de gerçekleştirilmiştir. Hava yoğunluğu, ERA5 yüzey basıncı ve sıcaklık verileriyle ideal gaz yasası kullanılarak ortalama 1.21 kg/m³ olarak hesaplanmıştır. Enerji hesabında rüzgâr güç yoğunluğu metrik olarak hesaplanmış ve belirsizlik analizi için blok bootstrap ve Monte Carlo yaklaşımları uygulanmıştır. Uç değerlerde meydana gelen aşırı değerlerin enerji sonuçlarını yapay olarak şişirip şişirmediğini değerlendirmek için P99 kırpma testi uygulanmıştır. Ayrıca, 150 m rüzgâr hızı dağılımının Weibull dağılımına uygunluğu Kolmogorov-Smirnov (KS) testi ve kantil-kantil (quantile-quantile, Q-Q) grafikleri kullanılarak incelenmiştir. ERA5'ten elde edilen ham veriler, ASCAT gözlemleriyle karşılaştırıldığında özellikle orta ve yüksek hız rejimlerinde sistematik negatif yanlılık göstermiştir. XGBoost tabanlı kalibrasyondan önce, test döneminde ham ERA5 için RMSE değeri yaklaşık 2.29 m/s olarak hesaplanırken, kalibrasyondan sonra test RMSE değeri 1.35 m/s'ye düşmüştür. Model, ham ERA5 temel modeline kıyasla yaklaşık %41 oranında göreli iyileşme sağlamıştır. Ortalama hata -0.24 m/s düzeyinde kalmıştır. Model performansını değerlendirmek için rüzgâr şiddetlerine ve mevsimlere göre hata analizi gerçekleştirilmiştir. Özellikle model performansının 5–15 m/s aralığında daha dengeli olduğu, 15 m/s üzerindeki hızlarda ise hata büyüklüğünün arttığı gözlenmiştir. Bu durum, yüksek rüzgar şiddeti değerlerinin hem gözlemsel belirsizlik hem de model genelleme kapasitesi açısından temsil edilmesinin daha zor olduğunu ortaya koymaktadır. Makine öğrenmesi algoritması kullanılarak gerçekleştirilen kalibrasyon, 10 m seviyesinde ortalama rüzgâr hızında yaklaşık %29'luk bir artışla sonuçlanmıştır. Rüzgâr gücü rüzgâr hızının küpüyle orantılı olduğundan, bu durum 150 m seviyesinde ortalama rüzgâr güç yoğunluğunda yaklaşık %90'lık bir artışa karşılık gelmektedir. 150 m yüksekliği için ortalama WPD değeri yaklaşık 1444 W/m² olarak hesaplanmıştır. P99 kırpma testi, enerji artışının aşırı değerlerden kaynaklanan bir şişmeden meydana gelmediğini göstermiştir. Aykırı değerler modelden çıkarıldığında bile enerji değerlerinde yalnızca %2–3 düzeyinde bir azalma gözlenmiştir. 150 m seviyesindeki yüksek rüzgar şiddeti değerlerinde sınırlı sapmalar gözlenmesine rağmen, Weibull dağılımı genel olarak rüzgâr hızını iyi temsil etmiştir. KS testi sonuçları, dağılımın Weibull modeliyle istatistiksel olarak tutarlı olduğunu göstermiştir. Gerçekleştirilen α duyarlılık analizi, rüzgâr makası katsayısının enerji tahminlerinde makine öğrenmesi kalibrasyonuna kıyasla daha yüksek belirsizlik ürettiğini ortaya koymuştur. Bu durum, dikey profil belirsizliğinin deniz üstü rüzgâr kaynak değerlendirmesinde kritik bir bileşen olduğunu göstermektedir. Bu çalışma, ERA5 yeniden analiz verilerinin Bozcaada deniz üstü alanında sistematik hata sergilediğini ve uydu ölçümleri kullanılarak kurulan fizik-bilgili makine öğrenmesi yaklaşımının mevcut bias'ı önemli ölçüde azaltabildiğini göstermiştir. Sonuçların analizi, rüzgar şiddetindeki mevcut iyileşmenin enerji metriklerinde doğrusal olmayan bir büyütme etkisi oluşturduğunu ortaya koymaktadır. Bununla birlikte, enerji potansiyelinin mutlak değeri özellikle rüzgâr makası katsayısına duyarlıdır ve bu parametre enerji tahminlerinin temel belirsizlik bileşenlerinden biridir. Ayrıca, bu çalışma türbine özgü güç eğrilerini veya uzun dönemli ekstrem rüzgâr analizini içermemekte olup, sonuçlar rüzgâr güç yoğunluğu temelli bir değerlendirme çerçevesine dayanmaktadır. Bu çalışmanın devamında, fizik tabanlı dinamik aşağı ölçekleme bileşeni sağlamak amacıyla Weather Research and Forecasting (WRF) modeli Türk Ulusal Bilim e-Altyapısı (TRUBA) yüksek başarımlı hesaplama altyapısı üzerinde yapılandırılmış ve çalıştırılmıştır. WPS/WRF iş akışı, ERA5'in büyük ölçekli başlangıç ve yanal sınır koşulları olarak kullanılmasıyla tamamlanmış; resmi Bozcaada YEKA poligonunun en içteki 1 km domain içinde kaldığı doğrulandıktan sonra düzeltilmiş bozcaada_test02 iç içe domain konfigürasyonu benimsenmiştir. Yonsei University (YSU) ve Mellor-Yamada-Nakanishi-Niino (MYNN) gezegen sınır tabakası konfigürasyonları kullanılarak temsili mevsimsel duyarlılık deneyleri yürütülmüştür. Göbek yüksekliği rüzgâr davranışı, sınır tabaka tanılamaları ve fiziksel tutarlılık birlikte değerlendirildiğinde, 2020 WRF üretim simülasyonları için MYNN konfigürasyonu seçilmiştir. Tamamlanan 2020 WRF d03 çıktıları, yıl boyunca 10 m rüzgâr hızı, gezegen sınır tabakası yüksekliği, sürtünme hızı ve 2 m sıcaklık alanlarının aylık ölçekte değerlendirilmesine olanak sağlamıştır. Bu WRF bileşeninde yer seviyesinden 150 m yükseklikteki rüzgâr hızı, yalnızca 10 m rüzgâr hızı ekstrapolasyonuna dayanmak yerine, üç boyutlu WRF U ve V rüzgâr bileşenleri ile jeopotansiyel yükseklik alanlarından türetilmiştir. Böylece WRF çıktıları, ERA5–ASCAT tabanlı makine öğrenmesi kalibrasyonunun yerine geçen bir veri seti olarak değil, Bozcaada çevresindeki deniz üstü rüzgâr alanının fizik tabanlı ve daha yüksek çözünürlüklü bir atmosferik modelleme çerçevesinde değerlendirilmesini destekleyen tamamlayıcı bir bileşen olarak ele alınmıştır.

Özet (Çeviri)

The offshore wind resource assessment phase in wind energy investments is a critical step that directly affects the technical and financial feasibility of the project. Reanalysis datasets such as fifth generation atmospheric reanalysis (ERA5), which are frequently used among the datasets available for this phase, may contain systematic errors due to their high temporal continuity, particularly in offshore areas near land-sea transitions, as well as spatial resolution and surface roughness representation. These potential errors can lead to underestimation or overestimation of wind speed and, consequently, wind energy potential. The objective of this study is to use satellite-based Advanced Scatterometer (ASCAT) measurements in the Bozcaada Renewable Energy Resource Area (YEKA) offshore site, using a physics-informed machine learning application, and to quantitatively assess the effect of this calibration on wind power density (WPD) when scaled up to a 150 m hub height. The geographical focus of this research is the Bozcaada YEKA offshore site, located in the Aegean Sea. The dataset used in this study includes 10 years of hourly ERA5 reanalysis data covering the period 2012–2021. The 10 m wind components (u_10, v_10), thermodynamic and boundary layer parameters, including 2 m air temperature, 2 m dew point temperature, surface pressure, mean sea level pressure, boundary layer height, and total cloud cover, were obtained from ERA5. The 10 m wind speed was calculated using the horizontal wind components. The reference measurement data used are ASCAT L3 satellite wind observations provided through the Copernicus Marine Service. Satellite pass times corresponding to ERA5 hourly time steps have been matched using the nearest-hour rule. It has been verified that the temporal difference does not exceed 30 minutes in theory. This approach demonstrates that selecting a time tolerance of ±60 minutes instead of ±30 minutes does not cause any change in the matching set. The input data sets for the machine learning models developed consist of features that represent the fluidity of wind, carrying not only statistical but also physical meaning. These include the square of wind speed, lag and rolling mean terms, trigonometric time encodings representing seasonal and daily cycles, and proxy variables representing atmospheric mixing. The data was divided temporally into training from 2012 to 2018, validation in 2019, and testing in 2020 to build machine learning algorithms. Random splitting was not used, thus preventing temporal leakage. Elastic Net, Classification and Regression Trees (CART), Random Forests (RF), light gradient boosting machine (LightGBM), and extreme gradient boosting (XGBoost) algorithms were run. Among the models studied, the XGBoost algorithm was observed to achieve the highest performance. Model performance metrics were evaluated by using root mean square error (RMSE), mean absolute error (MAE), bias, and correlation coefficient. Model performance was also compared with the raw ERA5 baseline model. The obtained 10 m calibrated wind series was scaled to a 150 m hub height using the power law. Here, α = 0.14 was considered as a constant, and sensitivity analyses were also performed for α = 0.11 and α = 0.18. Air density was calculated as an average of 1.21 kg/m³ using the ideal gas law with ERA5 surface pressure and temperature data. In the energy calculation, wind power density was calculated as a metric, and the block bootstrap and Monte Carlo approaches were applied for uncertainty analysis. A P99 trimming test was performed to assess whether extreme values occurring at the extremes artificially inflated the energy results. Additionally, the fit of the 150 m wind speed distribution to the Weibull distribution was examined using the Kolmogorov-Smirnov (KS) test and quantile-quantile (Q-Q) plots. Raw data obtained from ERA5 showed a systematic negative bias, particularly in the mid- and high-speed regimes, when compared with ASCAT observations. Before XGBoost-based calibration, the RMSE value for raw ERA5 during the test period was calculated to be approximately 2.29 m/s, while after calibration, the test RMSE value decreased to 1.35 m/s. The model provided a relative improvement of approximately 41% compared to the raw ERA5 base model. The average bias remained at -0.24 m/s. Error analysis was performed according to wind speeds and seasons to evaluate model performance. In particular, it was observed that model performance was more balanced in the 5–15 m/s range, while error magnitude increased at speeds above 15 m/s. This situation reveals that high-speed tails are more difficult to represent in terms of both observational uncertainty and model generalization capacity. The calibration performed using a machine learning algorithm resulted in an approximate 29% increase in the average wind speed at 10 m. Since wind power is proportional to the cube of the wind speed, this corresponds to an increase of approximately 90% in the average wind power density at 150 m. The average WPD value for a height of 150 m was calculated to be approximately 1444 W/m². The P99 trimming test revealed that the energy increase was not caused by an inflation resulting from extreme values. Even when outliers were removed from the model, only a 2–3% decrease in energy values was observed. Although limited deviations were observed in high-speed tails at 150 m, the Weibull distribution generally represented wind speed well. KS test results showed that the distribution was statistically consistent with the Weibull model. The α sensitivity analysis conducted revealed that the wind shear coefficient produces higher uncertainty in energy estimates compared to machine learning calibration. This indicates that vertical profile uncertainty is a critical component in offshore wind resource assessment. This study has demonstrated that ERA5 reanalysis data exhibit systematic bias in the Bozcaada offshore area and that a physics-informed machine learning approach established using satellite measurements can significantly reduce the existing bias. Analysis of the results reveals that the current improvement in speed creates a nonlinear amplification in energy metrics. However, the absolute value of the energy potential is particularly sensitive to the wind shear coefficient, and this parameter is one of the fundamental uncertainty components of energy estimates. Furthermore, this study does not include turbine-specific power curves or long-term extreme wind analysis, and the results are based on a wind power density-based evaluation framework. As a complementary physics-based component, the Weather Research and Forecasting (WRF) model was configured and run on the Turkish National Science e-Infrastructure (TRUBA) high-performance computing infrastructure. The WRF Preprocessing System (WPS)/WRF workflow was completed using ERA5 as the large-scale initial and lateral boundary forcing, and the corrected bozcaada_test02 nested-domain configuration was adopted after verifying that the official Bozcaada YEKA polygon was located within the innermost 1 km domain. Representative seasonal sensitivity experiments were conducted using Yonsei University (YSU) and Mellor-Yamada-Nakanishi-Niino (MYNN) planetary boundary layer configurations. Based on hub-height wind behavior, boundary-layer diagnostics and physical consistency, the MYNN configuration was selected for the full-year 2020 WRF production simulations. The completed WRF d03 outputs provided monthly fields of 10 m wind speed, planetary boundary layer height, friction velocity and 2 m temperature throughout 2020. In this component, 150 m AGL wind speed was derived from three-dimensional WRF U and V wind components and geopotential height fields rather than relying only on 10 m wind speed extrapolation. Overall, the WRF results were used as an independent physical benchmark that complements the ERA5–ASCAT machine learning calibration framework and supports the interpretation of offshore wind variability around Bozcaada within a higher-resolution atmospheric modelling context.

Benzer Tezler

  1. Tez No

    257

    Kuyruk modelleri ve analizi üzerine bir uygulama

    Başlık çevirisi yok

    DİDEM ÖZPULAT

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İstatistikEge Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FİKRET İKİZ

  2. Tez No

    265

    İki katlı pamuk ipliklerinden dokunan kumaşlarda örgüye bağlı olarak maksimum atkı sıklığının değişimi üzerinde bir araştırma

    Başlık çevirisi yok

    MELTEM ASLI NARTER

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Tekstil ve Tekstil MühendisliğiEge Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜNGÖR BAŞER

  3. Tez No

    271

    Değişik derim zamanı ve önsoğutmanın Bursa siyahı incir çeşidinin meyve kalitesi ve pazarlama süresi üzerine etkileri

    Effects of haruest time and precooling on fruit quality and shelf-life of the fig variety“Bursa siyahı”

    FÜSUN GÜRSEL ÇELİKEL

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Gıda MühendisliğiEge Üniversitesi

    Bahçe Bitkileri Ana Bilim Dalı

  4. Tez No

    277

    Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması

    Başlık çevirisi yok

    MÜRŞİDE KESEROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    İşletmeEge Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA NAZMİ ERCAN

  5. Tez No

    33

    New algorithms and techniques for microprocessor-controlled PWM induction drives

    Başlık çevirisi yok

    OSMAN KÜKRER

    Doktora

    İngilizce

    İngilizce

    1987

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. H. BÜLENT ERTAN

Geri Dön