Makine öğrenmesi yöntemleriyle meteorolojik parametreler kullanılarak Kapadokya bölgesinde sıcak hava balon uçuşlarının tahmini
Prediction of hot air balloon flights in Cappadocia region using meteorological parameters with machine learning methods
- Tez No: 917099
- Danışmanlar: PROF. DR. HADİ GÖKÇEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Yönetim Bilişim Sistemleri, Computer Engineering and Computer Science and Control, Management Information Systems
- Anahtar Kelimeler: Makine öğrenmesi, Machine learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünyanın en önemli balon uçuş merkezi olan Kapadokya'da, sıcak hava balon turları, bölgede turizmin gelişimine ve ekonomiye çok büyük katkılar sağlamaktadır. Bu hizmetin güvenli olarak sağlanması bölgede turizmin sürdürülebilirliği için önem arz etmektedir. Bu çalışmanın amacı, 2021-2023 yılları arasında Meteoroloji Genel Müdürlüğünün Kapadokya uçuş bölgesindeki dört meteoroloji istasyonunda ölçülen meteorolojik parametreleri ve Kapadokya Slot Hizmet Merkezi tarafından takip edilen uçuş durum bilgilerini kullanılarak, Kapadokya uçuş sahasında günlük sıcak hava balon uçuş durumunu tahmin eden bir model geliştirmektir. Çalışma neticesinde oluşturulan tahmin modelini kullanarak geliştirilecek uygulamaların, uçuş karar sürecindeki paydaşlara ve balon turları için bölgeye gitmeyi planlayan ziyaretçilere önemli kara desteği sağlaması beklenmektedir. Bu tez çalışmasında, makine öğrenmesi süreci ele alınarak; K-en yakın komşu (KNN), rastgele orman (RF), destek vektör makineleri (SVM), yapay sinir ağı (ANN) ve ekstrem gradyan güçlendirme (XGBoost) makine öğrenmesi metotları kullanılarak tahmin modelleri geliştirilmiş ve performansları kıyaslanmıştır. Hiper parametre optimizasyonu ve veri dengelemeye yönelik uygulanan aşırı örnekleme çalışmalarının model performanslarına etkisi incelenmiştir. Modellerin genelleme yeteneğini test etmek ve aşırı uyumu önlemek için eğitim ve test aşamasında K-kat çapraz doğrulama yöntemi kullanılmıştır. Elde edilen bulgulara göre, hiper parametre optimizasyonu sonrası dengeli veri seti kullanılarak XGBoost yöntemiyle kurulan model 0,90 doğruluk ve F1-Skor değeri en iyi performansı göstermiştir. Bu kriterlerde, RF metodu XGBoost'a yakın performans göstermiş olup, bunları sırasıyla KNN, SVM ve ANN metotlarının performansları takip etmiştir. Ayrıca, XGBoost en iyi tahmin süresi, KNN ise en iyi eğitim süresi performanslarını göstermiştir.
Özet (Çeviri)
In Cappadocia, one of the most important balloon flight centers in the world, hot air balloon tours make a great contribution to the development of tourism and economy in the region. Providing this service safely is important for the sustainability of tourism in the region. The aim of this study is to develop a model that predicts the daily hot air balloon flight status in the Cappadocia flight area by using the meteorological parameters measured at four meteorological stations of the Turkish State Meteorological Service in the Cappadocia flight area and the flight status information monitored by the Cappadocia Slot Service Center between 2021 and 2023. It is expected that the applications to be developed using the prediction model created as a result of the study will provide significant ground support to the stakeholders in the flight decision process and to the visitors planning to go to the region for balloon tours. In this thesis, the machine learning process is discussed and prediction models are developed and their performances are compared using K-nearest neighbor (KNN), random forest (RF), support vector machines (SVM), artificial neural network (ANN) and extreme gradient boosting (XGBoost) machine learning methods. The effects of hyper-parameter optimization and oversampling for data balancing on model performances are examined. In order to test the generalization ability of the models and to prevent overfitting, K-fold cross-validation method is used in the training and testing phase. According to the findings, the model built with the XGBoost method using the balanced data set after hyper parameter optimization showed the best performance with an accuracy and F1-Score value of 0.90. In these conditions, RF method performed close to XGBoost, followed by KNN, SVM and ANN methods respectively. In addition, XGBoost showed the best prediction time performance and KNN showed the best training time performance.
Benzer Tezler
- WRF modeli ve makine öğrenmesi kullanılarak rüzgar enerjisi üretiminin tahmini: Akhisar bölgesi uygulaması
Wind energy production forecasting using WRF model and machine learning: A case study for the Akhi̇sar region
MELİKE ANDUV
Yüksek Lisans
Türkçe
2026
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRAN SİBEL MENTEŞ
- Güç trafolarındaki plansız kesintileri önlemek için örnek bir kestirimci bakım tabanlı anomali tahminleme yöntemi geliştirilmesi
Development of a predictive maintenance-based anomaly prediction method to prevent unscheduled outages in power transformers
TUGAY EREN GÜZELYOL
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiManisa Celal Bayar ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAVUZ ATEŞ
- Context-aware remote sensing data processing for improvement of agricultural predictions
Bağlam farkındalıklı uzaktan algılama veri entegrasyonu ile tarımsal tahminlerin iyileştirilmesi
AYDA FITRIYE AKTAŞ
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Makine öğrenmesi yöntemiyle yenilenebilir güneş enerjisi üretiminin meteorolojik veriler kullanılarak tahmin analizi
Prediction of renewable solar energy production from meteorological data using machine learning methods
NACİYE MACİT SEZİKLİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gelişim ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT ALKAN
PROF. DR. METİN ZONTUL
- InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği
Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport
NUR YAĞMUR
Doktora
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
PROF. DR. ERDAL ŞAFAK