Comparison of regional and general machine learning models for reference evapotranspiration prediction in Turkey
Türkiye'de referans evapotranspirasyon tahmini için genel ve bölgesel makine öğrenme modellerinin karşılaştırılması
- Tez No: 745921
- Danışmanlar: DOÇ. DR. HATİCE ÇITAKOĞLU
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Referans evapotranspirasyon, makine öğrenmesi, istasyonlar arası değerlendirme, bölgesel model, destek vektör regrasyonu, Gauss süreçleri, rastgele ormanlar, Reference evapotranspiration, machine learning, cross-station evaluation, regional model, support vector regression, Gaussian processes, random forests
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Sulamada aşırı su kullanımı Türkiye'de önemli bir sorundur ve bu sorun evapotranspirasyon (ET) ölçümleri kullanılarak bitkilerin su ihtiyacına göre sulama planlaması yapılarak azaltılabilir. Doğrudan ET ölçümünün pratik olmaması, araştırmacıları bu değeri meteorolojik değişkenlerden tahmin etmeye yöneltmiştir. Son yıllarda, makine öğrenmesi (MÖ) bu amaçla yaygın olarak kullanılmış ve sınırlı değişkenlerden referans evapotranspirasyonun (𝐸𝑇) tahmin edilmesindeki potansiyelini göstermiştir. Bu çalışmada, Türkiye'de bulunan 165 meteoroloji istasyonundan elde edilen ve 1967 ile 2020 yılları kapsayan veriler, iki modelleme senaryosunu karşılaştırarak 𝐸𝑇 tahmini için kullanılan MÖ modellerinin mekansal genelleştirilebilirliğini araştırmak için kullanılmıştır: (1) Tüm ülke için bir model (2) Türkiye'deki her coğrafi bölge için bir model. Bu amaçla üç makine öğrenme algoritması kullanılmıştır: Destek Vektör Regresyonu (DVR), Rastgele Ormanlar (RO) ve Gauss Süreci Regresyonu (GSR). Ayrıca, istasyonlar arası değerlendirme gerçekleştirmek için istasyonlar eğitme ve test istasyonlarına ayrılmıştır. Modeller 16 girdi değişkeni kombinasyonu kullanılarak test edilmiştir. Genel olarak, DVR ve GSR modelleri, aşırı uyma eğilimli olan RO modellerinden daha iyi performans göstermiştir. DVR ve GSR modelleri için, iki senaryo arasındaki ortalama mutlak hata değişimi -%16,3 ile -%0,4 arasında ve kök ortalama kare hata değişimi -%17,0 ile %1,1 arasında değişmiştir; burada negatif değerler bölgesel modellerin senaryosunda daha düşük bir tahmin hatasına işaret etmektedir. Son olarak, girdi kombinasyonlarından dördü üzerinde yapılan bir rastgeleleştirme testi, bölgesel modeller kullanıldığında tahmin hatasındaki azalmanın istatistiksel olarak anlamlı olduğunu göstermiştir.
Özet (Çeviri)
Excessive freshwater usage in irrigation is an important issue in Turkey, which can be reduced by using evapotranspiration (ET) measurements to schedule irrigation based on crops' exact water need. The infeasibility of direct ET measurement has driven researchers to estimate its value from meteorological variables. In recent years, machine learning (ML) has been widely used for this purpose and showcased its potential in estimating reference evapotranspiration (𝐸𝑇) from limited variables. In this study, data collected from 165 weather stations in Turkey ranging between the years 1967 and 2020 was used to explore the spatial generalizability of ML models used for 𝐸𝑇 estimation by comparing two modelling scenarios: (1) One model for the entire country (2) One model for each geographic region in Turkey. Three ML algorithms were used for this purpose: Support Vector Regression (SVR), Random Forests (RF), and Gaussian Process Regression (GPR). Furthermore, stations were split into train and test stations to allow for conducting a cross-station evaluation. The models were tested using 16 input variable combinations. In general, SVR and GPR models performed better than RF models, which were prone to overfit. For SVR and GPR models, the change in mean absolute error (MAE) between the two scenarios ranged between -16.3% and -0.4% and the change in root mean squared error (RMSE) was between -17.0% and 1.1%, where negative values indicate a lower prediction error in the regional models' scenario. Finally, a randomization test conducted on four of the input combinations showed that the reduction in prediction error when using regional models is statistically significant.
Benzer Tezler
- Yapay sinir ağlarıyla Türkiye'deki yenilenebilir enerji potansiyeline bağlı olarak uzun süreli elektrik üretim tahmini
Estimatation on long-term electricity generation depending on renewable energy potential in Turkey with artificial neural networks
MERVE GÜLER
Yüksek Lisans
Türkçe
2023
EnerjiSivas Cumhuriyet ÜniversitesiEnerji Bilimleri ve Teknoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA BETÜL ÜNSAL ÇELİMLİ
- DSSAT bitki simülasyon modeli ve uzaktan algılama verilerinden elde edilen indisler kullanılarak buğday verim tahmini: İslahiye ve Nurdağı örneği
Wheat yield estimation using DSSAT crop simulation model and indices obtained from remote sensing: Islahiye and Nurdagi case
ÖMER VANLI
Doktora
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BURAK BERK ÜSTÜNDAĞ
- Yaya caddelerinde mikro hareketin nicel analizi: İstiklal caddesi örneği
Quantitative analysis of micro movement on pedestrian streets: The case of İstiklal street
ALİ YILMAZ
Yüksek Lisans
Türkçe
2022
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL EREN KÜRKÇÜOĞLU
- Sanayi kümelerinin başarısında sosyal sermayenin rolü: Ankara ve Konya makine imalat sanayi örneği
Role of social capital in success of industrial clusters: the case of mechanical engineering industry of Ankara and Konya
ÖZER KARAKAYACI
Doktora
Türkçe
2011
CoğrafyaYıldız Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. İCLAL DİNÇER
- Avrupa Birliği ile Gümrük Birliğinin Türk Demir Çelik Sanayine etkileri
The Effects of custom unlon aggrement to Turkish iron steel industry
SAİT ERDAL DİNÇER