Geri Dön

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

PDF İndir

  1. Tez No: 842476
  2. Yazar: NAHİT ÇATMADIM
  3. Danışmanlar: PROF. DR. MEHMET SİNAN ÖZEREN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Deniz Bilimleri, Meteoroloji, Science and Technology, Marine Science, Meteorology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İklim ve Deniz Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Yer Sistem Bilimi Bilim Dalı
  13. Sayfa Sayısı: 81

Özet

Aşırı konvektif olaylara bağlı dolu hasarı iklim değişikliğiyle birlikte sürekli artan bir risktir. NOAA'ya göre, yalnızca 2021 yılında ABD'de meydana gelen dolu hasarı toplam değeri bir milyar doları aşmıştır. Ayrıca, boyutlarına bağlı olarak dolu taşları, küçük tanelerden çapı birkaç inç olan büyük parçalara kadar değişebilir ve insanlar ve hayvanlar için ciddi tehlike oluşturabilir. Tarımsal ürünlere verdiği açık hasarın yanı sıra, birikmiş dolunun hızlıca erimesi durumunda elektrik hatları düşmesi, ani sel veya tehlikeli yol koşulları gibi ikincil tehlikelere neden olabilir. Bu tür hasarlar, yakın gelecekte daha da artabilir. İklim modellerinin güncel tahminlerine göre, 2100 yılına kadar ciddi fırtınaların oluşma sıklığında %60 artış olabileceği belirlenmiştir. Konvektif fırtınalar hızla gelişme eğilimindedir, bu da sayısal modellerin gerçek zamanlı olarak davranışlarını doğru bir şekilde tahmin etmesini zorlaştırır. Konvektif fırtına gelişiminde yer alan karmaşık dinamikler ve karmaşık termodinamik süreçler, sayısal modellerin bu fırtınalar içinde meydana gelen tüm ince ayrıntıları ve değişiklikleri yakalamasını zorlaştırır. Sonuç olarak, sayısal modeller, konvektif fırtınaların hızlı evrimine ayak uydurmakta zorlanabilir ve özellikle bu hava olaylarının tahmin edilmesinde sınırlamalar ortaya çıkabilir. Bu nedenle, ciddi konvektif fırtınaların anlık tahmini meteorologlar için bir zorluktur. Ciddi konvektif olayların ve süper hücrelerin gelişme süresi değişebilir, ancak genellikle birkaç saat içinde gerçekleşir. Tam süre, atmosferdeki istikrarsızlık, nem durumu, rüzgar kesimi ve belirli fırtına sistemi dinamikleri gibi çeşitli faktörlere bağlıdır. İstanbul gibi deniz kıyısında bulunan bir şehirde bu açıkça gelecekte büyük bir hava durumu tahmini zorluğudur. 2017 İstanbul yağış ve dolu felaketi, gelecekteki ciddi risklere ilişkin bir uyarı niteliği taşımaktadır. Dolu tahmininde sayısal modellemeye alternatif bir metodoloji açıkça gereklidir. Derin öğrenme yöntemleri, bilgi içeriği perspektifinden yaklaşarak sayısal modellere kıyasla daha hızlı olabileceği için mantıklı bir yol olarak görülmektedir. Bu yüksek lisans tezi, dolu fırtınaların tespiti ve tahmininde meteorolojik radar görüntülerinin ve derin öğrenme algoritmalarının potansiyelini araştırmayı amaçlamaktadır. Dolu fırtınaları, dolu tanelerinin oluşumu ve düşmesiyle karakterize edilen şiddetli hava olaylarıdır. Dolu taneleri, güçlü yükseliş akımları ve süpersoğutulmuş su damlacıklarıyla birlikte gök gürültülü fırtına bulutları içinde oluşan katı buz taneleridir. Bu araştırmanın temel amaçları iki aşamalıdır: (1) Konvolüsyonel Sinir Ağları (CNN) ve Uzun Kısa Dönemli Hafıza (LSTM) algoritmalarını kullanarak dolu fırtınalarının tespiti ve tahmini için gelişmiş bir çerçeve geliştirmek ve (2) MAX, PPI ve CAPPI dahil olmak üzere farklı radar ürünlerinin CNN ve LSTM modelleri içindeki doğruluk ve öğrenme hızlarını karşılaştırmak. Dolu fırtınaları doğru bir şekilde tespit etmek ve zamanında tahmin etmek, insan hayatı, altyapı, tarım ve ekonomi açısından önemli riskler oluşturması açısından öneme sahiptir. Son yıllarda, meteorolojik radar teknolojisindeki ilerlemeler ve derin öğrenme algoritmalarının ortaya çıkması, dolu fırtınaların tespit ve tahmin yeteneklerini geliştirmek için yeni fırsatlar sunmuştur. Bu araştırma, meteorolojik radar görüntülerini ve derin öğrenme tekniklerini birleştirerek dolu fırtınası tahmin yöntemlerini geliştirmeyi ve farklı bir tespit ve tahmin modeli oluşturmayı amaçlamaktadır. Literatür taraması, dolu fırtınaları, radar görüntüleme tekniklerini ve derin öğrenme metodolojilerini kapsamlı bir şekilde incelemektedir. Dolu fırtınaların özelliklerini, oluşum mekanizmalarını ve dolu taşı büyümesini etkileyen faktörleri araştırır. Ayrıca, MAX, PPI ve CAPPI gibi meteorolojik radar sistemlerinin prensiplerine ve dolu fırtınası tespiti ve tahmini için uygulanabilirliklerine değinir. Bunun yanı sıra, özellikle CNN ve LSTM gibi derin öğrenme algoritmalarındaki son gelişmeleri ve meteorolojik radar görüntüleri üzerine uygulamalarını inceler. Araştırma metodolojisi, çeşitli dolu fırtınası olaylarını içeren önemli bir meteorolojik radar görüntüsü veri setinin toplanmasını içerir. Veri seti, Türkiye'deki çeşitli havalimanı meteoroloji ofislerinde 2012 ve 1022 yılları arasında üretilen METAR ve SPECI gözlem raporları kullanılıp dolu yağışı kaydedilen günlerin tespit edilerek daha sonra meteorolojik radar arşivinden bu günlare ait MAX, PPI ve CAPPI görüntülerinin elde edilmesini ve gruplanmasını kapsar. Toplanan radar görüntüleri, gürültüyü gidermek, fazla işlem yükünü azaltmak ve işlem süresini azaltarak daha doğru ve tutarlı sonuçlar almak için ön işlemden geçirilir. Ek olarak, veri etiketlenerek CNN ve LSTM modellerinin eğitim ve değerlendirme sürecini kolaylaştırır. İlk hedefe ulaşmak için, dolu fırtınaların tespiti ve tahmini için CNN ve LSTM algoritmalarını kullanan uygun kodlar geliştirilir. Algoritmalar eğitim ve test için önceden hazırlanmış ve gruplanmış radar görüntülerini analiz eder ve dolu fırtınası faaliyetiyle ilişkili belirgin görsel özellikleri tanımlar. CNN modeli özellik çıkarma ve desen tanıma sonrasında tespit için kullanılırken, LSTM modeli radar verisindeki zamansal bağımlılıkları öğrenerek süreç analizi yaparak sürece dayalı tahmin yapmak için kullanılır. Modeller, etiketlenen veri seti kullanılarak eğitilir ve uygun kayıp fonksiyonları ve optimizasyon algoritmaları kullanılarak optimize edilir. Algoritmanın performansı öğrenme oranı, doğruluk ve kayıp oranı gibi metrikler temelinde değerlendirilir. İkinci hedefi ele almak için, MAX, PPI ve CAPPI gibi aynı andaki meteorolojik olayın farklı şekilde gösterimini sağlayan radar ürünlerini kullanarak CNN ve LSTM modellerinin doğruluğunu ve öğrenme hızlarını karşılaştırmalı bir analiz yapılır. Her radar ürünü, modelleri eğitmek ve değerlendirmek için ayrı ayrı kullanılır, böylece dolu fırtınaların tespiti ve tahmini için performansları ve uygunlukları kapsamlı bir şekilde değerlendirilebilir. Karşılaştırmalı analiz, algoritmanın performansını ölçen öğrenme oranı, doğruluk ve kayıp oranı gibi metrikleri kullanarak radar ürünleri arasındaki performans farklarını nicel olarak değerlendirmektedir. Bu bölümde, çalışmanın sonuçları sunulur ve tartışılır. Geliştirilen çerçevenin dolu fırtınalarının tespiti ve tahmini konusundaki performansı farklı radar ürünleri üzerinde analiz edilir ve karşılaştırılır. Değerlendirme metrikleri ve istatistiksel ölçüler, CNN ve LSTM modellerinin doğruluk ve etkinlikleri hakkında bilgi sağlar. Bulgular, derin öğrenme algoritmalarının karmaşık görsel özellikleri ve dolu fırtınalarının zamansal dinamiklerini yakalama yeteneklerini vurgular, böylece tespit ve tahmin doğruluğunu artırır. Ayrıca, karşılaştırmalı analiz, radar ürünleri arasında performans farklılıklarını ortaya koyarak, dolu fırtınası analizi için en uygun radar verisinin seçiminin önemini vurgular. Bu araştırma, meteorolojik radar görüntülerinin ve derin öğrenme algoritmalarının kullanımıyla dolu fırtınası tespit ve tahmin yeteneklerinin geliştirilmesine katkıda bulunur. Geliştirilen çerçeve, dolu fırtınalarını doğru bir şekilde tespit etme ve zaman içindeki gelişimini tahmin etme konusunda yeni yöntemlerin kullanılabileceğini göstermektedir. Bulgular, dolu fırtınası riski taşıyan bölgelerde hazırlık ve azaltma stratejilerini geliştirmede önemli etkileri bulunmaktadır. Sonraki araştırmalar, ek meteorolojik veri kaynaklarının entegrasyonunu ve model parametrelerinin optimize edilmesini ve farklı makine ve derin öğrenme yöntemlerinin meteorolojik olay tespit ve tahminlerini geliştirmek için kullanımını inceleyebilir, böylece dolu fırtınası tespit ve tahmin sistemlerinin doğruluğu ve verimliliği artırılabileceği gibi farklı meteorolojik olayların tespit ve tahmini için de benzer yöntemler geliştirilebilir.

Özet (Çeviri)

The increasing risk of hail damage resulting from severe convective events is a significant concern in the context of climate change. Recent data from the National Oceanic and Atmospheric Administration (NOAA) indicates that hail damage in the United States exceeded one billion USD in 2021 alone. Hailstones, varying in size from small pellets to large chunks measuring several inches in diameter, pose substantial threats to both humans and animals. In addition to the direct harm caused to agricultural crops, hail can give rise to secondary hazards such as downed power lines, flash flooding, and hazardous road conditions when accumulated hail rapidly melts. The potential for these damages to intensify in the near future is a significant concern. Climate models suggest a projected 60 percent increase in the occurrence of severe storms by 2100. However, the rapid development of convective storms presents challenges for numerical models to accurately predict their real-time behavior. The intricate thermodynamic processes and complex dynamics involved in the development of convective storms make it challenging for numerical models to capture all the nuanced characteristics and changes within these storms. Consequently, numerical models may struggle to keep pace with the rapid evolution of convective storms, limiting their forecasting capabilities for these specific weather events. This poses a significant challenge for meteorologists in accurately nowcasting severe convective storms. The duration of severe convective events and supercells can vary, but typically occurs over a few hours. The specific duration depends on various factors, including atmospheric instability, moisture availability, wind shear, and the dynamics of the storm system. This variability in time scale presents a substantial future nowcasting challenge, particularly in a maritime city like Istanbul, which is susceptible to the influence of three different seas. The catastrophic rain and hail event that occurred in Istanbul in 2017 serves as a stark reminder of the grave risks associated with such extreme weather phenomena. It is evident that an alternative methodology, distinct from numerical modeling, is necessary for accurate hail nowcasting. Deep learning methods offer a promising approach as they can focus solely on information content, enabling faster processing compared to traditional numerical models. This master's thesis aims to investigate the potential of meteorological radar images and deep learning algorithms in the detection and prediction of hailstorms. The primary objectives of this research are twofold: (1) to develop an enhanced framework for the detection and prediction of hailstorms using Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) algorithms, and (2) to compare the accuracy and learning rates of different radar products, including MAX, PPI, and CAPPI, within the CNN and LSTM models. In recent years, advancements in meteorological radar technology and the emergence of deep learning algorithms have provided new opportunities to enhance the detection and prediction capabilities of hailstorms. This research aims to improve hailstorm prediction methods by combining meteorological radar images and deep learning techniques, creating a novel detection and prediction model. The literature review extensively examines hailstorms, radar imaging techniques, and deep learning methodologies. It investigates the characteristics of hailstorms, their formation mechanisms, and factors influencing hailstone growth. It also discusses the principles of meteorological radar systems, such as MAX, PPI, and CAPPI, and their applicability to hailstorm detection and prediction. Additionally, it explores recent developments in deep learning algorithms, particularly CNN and LSTM, and their applications to meteorological radar images. The research methodology involves collecting a significant dataset of meteorological radar images, including various hailstorm events. The dataset is generated by using METAR and SPECI observation reports from various airport meteorology offices in Turkey between the years 2012 and 2022 to identify days with recorded hail precipitation and subsequently obtaining MAX, PPI, and CAPPI images from the meteorological radar archive for those days. The collected radar images undergo preprocessing to remove noise, reduce processing load, and decrease processing time, thereby obtaining more accurate and consistent results. Furthermore, the data is labeled to facilitate the training and evaluation processes of CNN and LSTM models. To achieve the first objective, codes are developed using CNN and LSTM algorithms for the detection and prediction of hailstorms. The algorithms analyze preprocessed and grouped radar images prepared for training and testing, identifying distinct visual features associated with hailstorm activity. While the CNN model is used for detection after feature extraction and pattern recognition, the LSTM model learns temporal dependencies in radar data, enabling process-based predictions. The models are trained using the labeled dataset and optimized using appropriate loss functions and optimization algorithms. The performance of the algorithm is evaluated based on metrics such as learning rate, accuracy, and loss rate. To address the second objective, a comparative analysis is conducted, comparing the accuracy and learning rates of CNN and LSTM models using radar products such as MAX, PPI, and CAPPI, which provide different representations of the same meteorological event. Each radar product is separately used to train and evaluate the models, allowing for comprehensive assessment of their performance and suitability for hailstorm detection and prediction. The comparative analysis quantitatively evaluates performance differences between radar products using metrics such as learning rate, accuracy, and loss rate, measuring the algorithm's performance. This section presents and discusses the results of the study. The performance of the developed framework for the detection and prediction of hailstorms is analyzed and compared across different radar products. Evaluation metrics and statistical measures provide insights into the accuracy and effectiveness of CNN and LSTM models. The findings emphasize the ability of deep learning algorithms to capture complex visual features and temporal dynamics of hailstorms, thereby enhancing detection and prediction accuracy. Additionally, the comparative analysis highlights the importance of selecting the most suitable radar data for hailstorm analysis by revealing performance differences among radar products. This research contributes to the improvement of hailstorm detection and prediction capabilities through the use of meteorological radar images and deep learning algorithms. The developed framework demonstrates the potential for employing novel methods to accurately detect hailstorms and predict their evolution over time. The findings have significant implications for the development of preparedness and mitigation strategies in areas prone to hailstorm risks. Further research could explore the integration of additional meteorological data sources, optimization of model parameters, and the use of different machine and deep learning methods to enhance the detection and prediction of meteorological events. This could lead to improved accuracy and efficiency of hailstorm detection and prediction systems, as well as the development of similar methods for detecting and predicting different meteorological events.

Benzer Tezler

  1. Tez No

    652611

    Deep learning approaches for MRI image classifications

    Başlık çevirisi yok

    MUHAMMAD ZUBAIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SHAHRAM TAHERI

  2. Tez No

    678927

    Deep learning approaches for the localization of capsule endoscope

    Kapsül endoskopi lokalizasyonu için derin öğrenme yaklaşımları

    KUTSEV BENGİSU ÖZYÖRÜK

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. BORA GARİPCAN

    DR. MEHMET TURAN

  3. Tez No

    667693

    Deep learning approaches for vocal tract boundary segmentation in rtMRI

    MRI videolarında ses yolu kontur bölütlemesi için derin öğrenme yaklaşımları

    SASAN ASADIABADI

    Doktora

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    Prof. Dr. ENGİN ERZİN

  4. Tez No

    761230

    Deep learning approaches for multi-site wind power forecasting in the West Aegean region of Turkey

    Türkiye'nin Batı Ege bölgesinde çok sahalı rüzgar enerjisi tahmini için derin öğrenme yaklaşımları

    MERT SARIKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri MühendisliğiBoğaziçi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA GÖKÇE BAYDOĞAN

  5. Tez No

    816241

    Deep learning approaches for autism spectrum dis-order diagnosis: Ensemble archtectures and multi-modal analysis

    Otizm spektrum bozukluğu teşhisi için derin öğrenme yaklaşımları: Topluluk mimarileri ve multimodal analiz

    ASSIL JABY

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    PROF. DR. MD BAHARUL ISLAM

Geri Dön