Leveraging historical climate data and machine learningfor extreme precipitation forecasting
Geçmiş iklim verilerini ve makine öğrenmesi yöntemlerini kullanarak aşırı yağış tahmini
- Tez No: 909307
- Danışmanlar: PROF. DR. MEHMET LEVENT KURNAZ, PROF. DR. ŞEBNEM ÖZÜPEK PODNOS, DOÇ. DR. TUĞBA ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler Ana Bilim Dalı
- Bilim Dalı: Hesaplamalı Bilim ve Mühendislik Bilim Dalı
- Sayfa Sayısı: 191
Özet
Bu çalışma, 1850'den 2014'e kadar olan CMIP6 tarihsel iklim model verilerini kullanarak aşırı yağış olaylarının tahminini incelemekte ve olayları bir gün önceden tahmin etmek için hem denetimsiz hem de denetimli makine öğrenimi yaklaşımlarını kullanmaktadır. Isolation Forest, K-means, DBSCAN, Lojistik Regresyon, Naive Bayes, Karar Ağaçları, Rastgele Ormanlar, XGBoost, LightGBM ve CatBoost dahil olmak üzere çeşitli algoritmaları karşılaştırdık. Bulgularımız, özellikle hiperparametre optimizasyonlu XGBoost'un diğer yaklaşımlardan daha iyi performans gösterdiğini, 0.4433 F0.5 skoru ve 0.9109 ROC AUC değerine ulaştığını ortaya koymaktadır. Boosting algoritmaları genellikle çeşitli metrikler açısından üstün performans sergiledi. Ayrıca, hiperparametre ayarlamasının modeller üzerindeki etkisini analiz ettik ve bazı durumlarda önemli iyileştirmeler gözlemledik. Özellik önem analizi, yerel ve komşu yağış ölçümlerini en etkili tahmin ediciler olarak belirledi. Makine öğrenimi yaklaşımımız, çeşitli özelliklerin etkilerinin ve coğrafi etkilerin ölçülmesine olanak tanıyarak, aşırı yağış olaylarının arkasındaki mekanizmalar hakkında değerli bilgiler sağlamaktadır. Bu araştırma, aşırı yağış olaylarını tahmin etme yeteneğimizi geliştirmede makine öğrenimi tekniklerinin potansiyelini göstermekte, gelişmiş tahmin yeteneklerine ve altta yatan atmosferik dinamiklerin daha iyi anlaşılmasına katkıda bulunmakta, böylece değişen bir iklimde aşırı yağışların etkilerini azaltmak için daha etkili erken uyarı sistemleri ve adaptasyon stratejileri geliştirilmesine yardımcı olmaktadır.
Özet (Çeviri)
This study investigates the prediction of extreme precipitation events using CMIP6 historical climate model data from 1850 to 2014, employing both unsupervised and supervised machine learning approaches to predict events one day in advance. We compared various algorithms, including Isolation Forest, K-means, DBSCAN, Logistic Regression, Naive Bayes, Decision Trees, Random Forests, XGBoost, LightGBM, and CatBoost. Our findings reveal that supervised models, particularly XGBoost with hyperparameter optimization, outperformed other approaches, achieving the highest F0.5 score of 0.4433 and ROC AUC of 0.9109. Boosting algorithms generally demonstrated superior performance across various metrics. We also analyzed the effect of hyperparameter tuning on the models, observing significant improvements in some cases. Feature importance analysis identified local and neighboring precipitation measurements as the most influential predictors. Our machine learning approach allows for quantification of various features' effects and geographical influences, providing valuable insights into the mechanisms behind extreme precipitation events. This research demonstrates the potential of machine learning techniques in advancing our ability to predict extreme precipitation events, contributing to improved forecasting capabilities and enhanced understanding of underlying atmospheric dynamics, ultimately aiding in the development of more effective early warning systems and adaptation strategies to mitigate the impacts of extreme precipitation in a changing climate.
Benzer Tezler
- Economic comparison of new built internal combustion gas engine power plant in Uzbekistan and Europe based on levelized cost of electricity (LCOE) method
Özbekistan ve Avrupa'da yeni inşa edilen içten yanmalı gaz motorlu elektrik santralının seviyelendirilmiş elektrik maliyeti (LCOE) yöntemine göre ekonomik karşılaştırması
SERKAN TOPLAK
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. MEHMET ÖZGÜR KAYALICA
- Antalya Manavgat bölgesinde CBS ve makine öğrenmesi destekli orman yangını risk bilgi sistemi oluşturulması
Creating a forest fire risk information system supported by GIS and machine learning in Antalya Manavgat region
İZZET ERSOY
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriSivas Cumhuriyet ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER GÜRSOY
DR. ÖĞR. ÜYESİ EMRE ÜNSAL
- Dolusavak plaka boşlukları boyunca akım ve türbülans karakteristiği
Flow and turbulent characteristic over spillways slab gaps
MUHAMMED FATİH ÖZÜN
Yüksek Lisans
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEVKET ÇOKGÖR
- Kuzey Ege Kıyı bandının peyzaj mimarlığı bağlamındaki zamansal-mekansal değişimi
Spatio-temporal change of the North Aegean Coastal area in the context of landscape architecture
BİRSEN UZUN AYDIN
Yüksek Lisans
Türkçe
2024
Peyzaj Mimarlığıİstanbul Teknik ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
PROF. DR. FATMA AYÇİM TÜRER BAŞKAYA
- Cultural heritage circular governance for the integrated conservation of historic cities: The case of the Medina of Munis
Tarihi şehirlerin bütünleşik korunmasına yönelik kültürel miras'ın döngüsel yönetişimi: Tunus Medine örneği
YASMINE TIRA
Doktora
İngilizce
2024
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiMimarlık, Planlama ve Tasarım Ana Bilim Dalı
PROF. DR. HANDAN TÜRKOĞLU