Explainable and context-aware machine learning for common and imbalanced atmospheric forecasting
Açıklanabilir ve bağlamsal farkındalık sahibi makine öğrenmesi yaklaşımları ile yaygın ve ekstrem atmosferik tahmin
- Tez No: 911387
- Danışmanlar: PROF. DR. MUSTAFA TUĞRUL YILMAZ
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenmesi tabanlı son işleme yaklaşımları fiziksel sayısal hava tahmin modellerinin tahminlerini iyileştirebilseler de ekstrem olayların işlenmesi ve model açıklanabilirliği konularında zorluklar yaşayabilmektedirler. Bu çalışma, mevzubahis zorluklara yönelik olarak iki yeni yaklaşım ortaya koymaktadır. Öncelikle, kümülatif dağılımı dikkate alan ve Köppen İklim sınıfları bağlamında farkındalık sahibi bir global model eğitilerek dört farklı yüzey parametresine (yağış, sıcaklık, rüzgar ve relatif nem) yönelik tahminlerde iyileşme elde edilmiştir. Bu noktada 2,42 mm/gün'den 0,03 mm/gün'e iyileşen sık görülen yağış olaylarının korelasyonu ilgi çekicidir. Diğer modelimiz ise bölgesel ve açıklanabilir, iki aşamalı bir yağış tahmin modeli olup sınıflandırma (ikili ve çoklu) yaklaşımı ile regresyon yaklaşımını birleştirmekte, hem model geneli hem de tekil örnek seviyesinde açıklanabilirlik sağlayabilmektedir. Bu yaklaşım, en iyi fiziksel model olan IFS'e kıyasla, RMSE bağlamında %10,50, korelasyon bağlamında ise %7,50 iyileşme sağlamıştır. Ayrıca, global çalışmamız göstermiştir ki ortalama kare hata, ortalama mutlak hataya göre modeller açısından daha faydalı olup focal-loss kullanımı da model performansına olumlu etki etmektedir. Bölgesel modelimizin açıklanabilirliğine bakıldığında zamansallık içeren parametrelerin ve ilk aşamada kullanılan sınıflandırmanın önemi görülebilmektedir. Her iki yaklaşımımız da birlikte değerlendirildiğinde ekstrem (uzun kuyruklu, dengesiz) olayların tahmini konusundaki zorluklara ve hava tahmininde açıklanabilir yapay zeka kullanımı konusundaki ihtiyaca yanıt verdiğimiz görülebilmektedir. Nihayetinde, bağlamsal farkındalık sahibi modelleme ve açıklanabilir yapay zeka yaklaşımlar, hava tahminini iyileştirirken modellerin şeffaflığını ve güvenilirliğini değişken iklim ve hava koşulları altında koruyabilmektedir.
Özet (Çeviri)
Machine learning-based post-processing can enhance physics-based numerical weather prediction models' forecasts, yet challenges remain in handling extreme events and ensuring model explainability. This dissertation presents two novel approaches to address these limitations. First, a global context-aware density estimation model that considers cumulative data distribution and climate features through Koppen Climate Zones, improving forecasts for four atmospheric surface parameters (precipitation, temperature, wind, and relative humidity) is developed. Here, for instance, the MAE for common precipitation events improved from 2.42 mm/day to 0.03 mm/day. Second, a regional explainable two-stage quantitative precipitation forecast approach that combines classification (binary and multi-class) with regression, providing explainability through model-wide predictor importance and instance-level explanations, is developed. The two-stage approach reduced RMSE by 10.50% and increased correlation with observations by 7.50% compared to the best physics-based model, IFS. The global analysis reveals the effectiveness of different loss functions, with mean squared error outperforming mean absolute error, and the positive impact of focal loss inclusion on secondary losses. The explainability analysis of the regional approach highlights the importance of seasonality-related parameters and demonstrates the advantages of multi-class precipitation intensity classification as a first stage. Together, these approaches advance the field by addressing both the challenges of quantitative extreme event forecast (i.e., long-tailed, imbalanced, datasets) and the need for explainable machine learning models in weather forecasting. The combination of context-aware modeling and explainable artificial intelligence provides a comprehensive framework for improving weather forecasts while maintaining transparency and reliability across different climate zones and weather conditions.
Benzer Tezler
- CMMcihazındaki verilerden makine öğrenmesi ile parça kontrolü
Part control with machine learning from data on CMM device
ZEYNEP BİRGİN
Yüksek Lisans
Türkçe
2024
Metalurji MühendisliğiSakarya ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURAY CANİKOĞLU
- Gelişmiş makine öğrenmesi ile sermaye piyasalarında kısa vadeli yön tahmini ve dinamik TP/SL analizi
Short-term direction forecasting in capital markets with advanced machine learning and dynamic TP/SL analysis
EMRE ARI
Doktora
Türkçe
2026
İstatistikİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Tuş vuruşlarına dayalı kimlik doğrulama yöntemleri: Evrimi, zorlukları ve gelecek yönelimlerinin kapsamlı bir incelemesi
Keystroke based authentication methods: A comprehensive review of evolution, challenges, and future directions
NEBİL VURAL GÜNDOĞAN
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ ÇELİKTAŞ
- Metin verilerinde bağlam temelli açıklanabilir duygu analizi için hibrit derin öğrenme modeli geliştirme
Development of a hybrid deep learning model for context-aware explainable sentiment analysis in textual data
ERCAN ATAGÜN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR BİROĞUL
DR. ÖĞR. ÜYESİ GÜNAY TEMÜR
- Developing data-driven models for anomaly detection in automotive and additive manufacturing applications
Otomotiv ve eklemeli imalat uygulamalarında anomali tespiti için veri odaklı modeller geliştirme
SHAWQI MOHAMMED OTHMAN FAREA
Doktora
İngilizce
2025
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ÜNEL