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
- Tez No: 812409
- Danışmanlar: PROF. DR. MEHMET LEVENT KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Fizik ve Fizik Mühendisliği, Engineering Sciences, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Optimizasyon tabanlı bir su kaynakları sistemi modelleme aracının geliştirilmesi ve çok amaçlı sektörel tahsise uygulanması
Development of an optimization-based modeling tool for water resources systems and application to multi-objective sectoral allocation
SALİM YAYKIRAN
Doktora
Türkçe
2025
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPASLAN EKDAL
- 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
2016
Elektrik ve Elektronik Mühendisliğiİzmir Ekonomi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TÜRKER İNCE
PROF. DR. CÜNEYT GÜZELİŞ
- 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
- Makine öğrenme algoritmalarıyla ülkelerin milli güç bağlamında sıralanmasına yönelik endeks önerisi
An index proposal for ranking countries in terms of national power using machine learning algorithms
SERDAR ÖZTÜRK
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İNCİ ZAİM GÖKBAY
- Kronik hepatit b hastalarında sağlık okuryazarlığı ölçeği geliştirilmesi ve düzeyinin istatistiksel ve makine öğrenmesi yöntemleriyle modellenmesi
Development of a health literacy scale in patients with chronic hepatitis b and modeling of health literacy levels using statistical and machine learning methods
BARIŞ ELALTUNTERİN
Yüksek Lisans
Türkçe
2026
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİNE YAYLALI