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: 179
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
- Explainable recommendations using extracted topics from item reviews and word matching
Açıklamalı önerilerin kullanıcı yorumlarından çıkarsanan kelimeler ve kelime eşleme ile üretimi
MERT TUNÇ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HANDE ALEMDAR
- Türkiye'deki mimari proje yarışmalarının değerlendirme süreçlerinde nesnellik/öznellik dengesi
The balance of objectivity/subjectivity in the assessment process of architectural project competitions in Turkey
MUSTAFA YILDIZ
Yüksek Lisans
Türkçe
2017
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
YRD. DOÇ. DR. İFFET HÜLYA ARI
- Nörobilimin mimarlıktaki kullanım alanları ve potansiyellerinin incelenmesi
Examining the uses and potentials of neuroscience in architecture
AYŞE BEYZA YAVUZ HAKSEVER
Yüksek Lisans
Türkçe
2022
MimarlıkYıldız Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. ASLI SUNGUR
- İnovasyon ve işsizlik ilişkisinin yapay zeka ile analizi: 1985-2020 dönemi için G7 ülkeleri örneği
The relationship between innovation and unemployment analyzed via artificial intelligence: the case of G7 countries for the period 1985-2020
MASOUD SHEIKHI
- İşaret ögelerinin kentsel mekânda yönlenme üzerine etkisi
The effect of landmarks on orientation in urban space
HÜSEYİN KÜÇÜKOĞLU
Yüksek Lisans
Türkçe
2021
Şehircilik ve Bölge PlanlamaYıldız Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. NİLGÜN ÇOLPAN ERKAN