Geri Dön

A comparative evaluation of machine learning algorithms for statistical downscaling of monthly mean temperature data over a European region

Avrupa bölgesi üzerinde aylık ortalama sıcaklık verisinin istatistiksel ölçek indirgemesine yönelik makine öğrenmesi algoritmalarının karşılaştırmalı bir değerlendirmesi

  1. Tez No: 812409
  2. Yazar: GÜNAY ESER
  3. Danışmanlar: PROF. DR. MEHMET LEVENT KURNAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Fizik ve Fizik Mühendisliği, Mühendislik Bilimleri, Physics and Physics Engineering, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 99

Özet

İklim değişikliği, bir çok ekosistemi etkilemeye başlamış en hayati çevresel değişim. Sebebi ise sanayileşme öncesinden bu yana artan sera gazı salınımları ve nüfusu yoğun bölgeler iklim değişikliği kaynaklı felaketlere karşı savunmasız durumda. IPCC ve diğer ortak çalışma grupları global iklim modellerini kullanarak kıtasal ölçekte iklim değişimlerini tahminlemektedirler. Bu modellerin daha düşük ölçeklere indirgenmesi işi bir çok iklim bilimcisi tarafından çalışılan önemli ve ilgi çekici bir konu. Ölçek indirgemesi genellikle dinamik ve istatistiksel ölçek indirgemesi olarak ikiye ayrılır. İstatistiksel ölçek indirgeme dinamik ölçek indirgeme ile karşılaştırıldığında daha düşük kaynak tüketimine sahip. Makine öğrenmesi algoritmalarının istatistiksel ölçek indirgeme için kullanılması konusu sadece son yıllarda çalışılmıştır. Bu tezde dört farklı makine öğrenmesi algoritması farklı çözünürlüklere sahip çeşitli Avrupa bölgelerini kapsayan iki farklı yüzey sıcaklığı veri seti üzerinden ölçek indirgemesi işleminde test edilmiştir. Testlerin sonuçlarına göre Gauss süreç regresyonu algoritması iki farklı yüzey sıcaklığı veri setinin de ölçek indirgemesinde 0.04 ile 0.51 arasındaki ortalama mutlak hata değerleri ile geleneksel makine öğrenmesi algoritmalarına kıyasla en iyi performansı gösteren algoritma oldu. Sonuç olarak, uzaysal ortalama sıcaklık verilerinin ölçek indirgemesi işleminde Gauss süreç regresyonu gibi makine öğrenmesi algoritmalarının kullanılması uygun bir yaklaşım olacaktır.

Özet (Çeviri)

Climate change is the most vital environmental change that has already started to affect many ecosystems. It is caused by greenhouse gas emissions which are increasing since the pre-industrial era, and populated areas become more vulnerable to disasters due to climate change. It has never been more crucial to model the climate effects on local regions. Organizations like Intergovernmental Panel on Climate Change (IPCC) use global climate models (GCMs) to project future changes in climate on a continental scale. Although these models are becoming more accurate, downscaling these models to smaller scales is an important task that is studied by climate scientists. The two main downscaling methods are dynamical and statistical downscaling. Statistical downscaling studies are more reachable and important to develop when compared to dynamical downscaling due to its lower costs. The use of machine learning algorithms in statistical downscaling is a new area. Studies that implement machine learning to make local scale projections of surface temperature are numbered. In this paper, four different machine learning algorithms were tested on downscaling of two different surface temperature datasets over a European region with different resolutions. The best performing algorithm was also tested augmenting elevation data. The results show that Gaussian process regression performs the best with MAE of 0.04 - 0.51 as compared to the other machine learning algorithms tested. In conclusion, machine learning algorithms such as Gaussian process regression can be a suitable approach when downscaling spatial monthly mean surface temperature data.

Benzer Tezler

  1. 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

    İngilizce

    2023

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    İklim ve Deniz Bilimleri Ana Bilim Dalı

    PROF. DR. MEHMET SİNAN ÖZEREN

  2. A comparative evaluation of feature selection algorithms for cancer classification through gene expression data

    Gen ifadesi verileri aracılığıyla kanser sınıflandırmasında öznitelik seçme algoritmalarının karşılaştırmalı değerlendirilmesi

    ASLI TAŞÇI

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Elektrik ve Elektronik Mühendisliğiİzmir Ekonomi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TÜRKER İNCE

    PROF. DR. CÜNEYT GÜZELİŞ

  3. Comparison of machine learning algorithms on consumer credit classification

    Tüketici kredilerinin sınıflandırması üzerinde makineöğrenimi algoritmalarının karşılaştırması

    OĞUZ KOÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    İstatistikOrta Doğu Teknik Üniversitesi

    Finansal Matematik Ana Bilim Dalı

    PROF. DR. AYŞE SEVTAP KESTEL

    PROF. DR. ÖMÜR UĞUR

  4. Pertübasyon yöntemi ile hassas veri güvenliğine yönelik çok değişkenli veriler için tahmin analizi

    Prediction analysis for multivariate data with respect to sensitive data security using the perturbation method

    İLKER İLTER

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SAFİYE SENCER

  5. Otomotiv döküm parça talep tahmininin yapay sinir ağları ile modellenmesi ve arıma yöntemi ile karşılaştırmalı analizi

    Modeling automotive casting part demand forecasting with artificial neural networks and comparative analysis with arima method

    SELİNAY KAYALI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MERVE CENGİZ TOKLU