Derin öğrenme yöntemleri ile tokat iline ait iklim verilerinin tahmin edilmesi
Forecasting climate data for tokat region with deep learning methods
- Tez No: 957341
- Danışmanlar: DOÇ. DR. ÖZKAN İNİK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Tokat iline ait 25 yıllık detaylı meteorolojik veriler kullanılarak farklı zaman ölçeklerinde (günlük, haftalık ve aylık) sıcaklık tahmini yapan derin öğrenme modelleri geliştirilmiştir. Zaman serisi verilerinin karmaşık yapısını öğrenmek ve geleceğe yönelik öngörülerde bulunmak amacıyla LSTM (Uzun Kısa Süreli Bellek), GRU (Kapı Kontrollü Tekrarlayan Birim) ve BiLSTM (Çift Yönlü LSTM) gibi gelişmiş tekrarlayan sinir ağı mimarileri kullanılmıştır. Modelleme süreci boyunca veri ön işleme, eksik veri tamamlama, normalizasyon ve özellik seçimi gibi adımlar dikkatle yürütülmüştür. Eksik veriler doğrusal enterpolasyon ve hareketli ortalama gibi tekniklerle tamamlanmış, model girişinde kullanılacak değişkenler doluluk oranı ve istatistiksel tutarlılık temelinde belirlenmiştir. Her bir model farklı mimari yapı, giriş değişkeni kombinasyonu ve zaman adımı senaryoları ile eğitilmiş; performansları RMSE (Kök Ortalama Kare Hata), MAE (Ortalama Mutlak Hata) ve R² (Açıklık Katsayısı) gibi istatistiksel ölçütlerle değerlendirilmiştir. Çalışma sonucunda, çok değişkenli girişlerle oluşturulan modellerin, sadece sıcaklık değerini kullanan tek değişkenli modellere kıyasla daha düşük hata oranlarıyla daha başarılı tahminler sunduğu görülmüştür. Ayrıca, haftalık ve özellikle aylık zaman dilimlerinde yapılan tahminlerin kısa vadeli günlük tahminlere göre daha dengeli ve genellenebilir çıktılar ürettiği belirlenmiştir. Son aşamada, tüm meteorolojik değişkenleri eşzamanlı olarak tahmin edebilen çok çıktılı bir BiLSTM modeli geliştirilerek, çoklu hedefli tahminlerin başarımı da analiz edilmiştir. Bu çalışma, farklı derin öğrenme mimarilerinin meteorolojik zaman serileri üzerindeki etkinliğini sistematik bir şekilde incelemekte ve Türkiye'deki yerel iklim verileriyle uzun vadeli tahminler yapılabileceğini göstermektedir. Elde edilen bulgular, iklim modellemesi, erken uyarı sistemleri ve sürdürülebilir çevresel planlama alanlarında gelecekte yapılacak çalışmalara ışık tutabilecek niteliktedir.
Özet (Çeviri)
In this thesis, deep learning models were developed to forecast temperature at different time scales—daily, weekly, and monthly—using 25 years of comprehensive meteorological data from Tokat, Turkey. To capture the complex temporal patterns in the data and generate future predictions, advanced recurrent neural network architectures such as Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Bidirectional LSTM (BiLSTM) were employed. The modeling process involved meticulous steps including data preprocessing, missing value imputation, normalization, and feature selection. Missing data were filled using linear interpolation and moving average techniques, and input variables were selected based on their completeness and statistical consistency. Each model was trained with different architectural configurations, input feature sets, and time-step scenarios. Their performances were evaluated using key statistical metrics such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and the Coefficient of Determination (R²). Results revealed that multivariate models, which incorporate multiple meteorological features as inputs, achieved significantly lower error rates compared to univariate models that rely solely on temperature. Furthermore, forecasts at weekly and especially monthly time scales produced more stable and generalizable outputs than those at the daily scale. Finally, a multi-output BiLSTM model capable of simultaneously predicting all meteorological variables was developed to assess the potential of multi-target forecasting. This study systematically explores the effectiveness of different deep learning architectures in meteorological time series forecasting and demonstrates that long-term predictions can be made using local climate data in Turkey. The findings have the potential to inform future research in climate modeling, early warning systems, and sustainable environmental planning.
Benzer Tezler
- Sınıf öğretmenlerinin hayat bilgisi dersinde yararlandıkları öğretim materyalleri, strateji, yöntem ve tekniklerine ilişkin kullanma durumları ve görüşleri
The status of classroom teachers' use of teaching materials, strategies, methods and techniques they utilize in life sci̇ences course and their opinions about them
AHMET TÜRKÖZ
Yüksek Lisans
Türkçe
2018
Eğitim ve ÖğretimTokat Gaziosmanpaşa ÜniversitesiTemel Eğitim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEVİM GÜVEN
- Sosyal bilgiler öğretiminde Eğitim Bilişim Ağı'nı (EBA) kullanmak: Nasıl ve ne kapsamda?
Using Educational Informatics Network in social sciences teaching: How and what extent?
AHMET İNANOĞLU
Yüksek Lisans
Türkçe
2019
Eğitim ve ÖğretimMarmara ÜniversitesiTürkçe ve Sosyal Bilimler Eğitimi Ana Bilim Dalı
PROF. DR. YÜCEL KABAPINAR
- Tokat gaziosmanpaşa ünıversitesi hastanesi için hibrit derin öğrenme (CNN-LSTM) modeli ile enerji talep tahminlemesi
Energy demand forecasting for tokat gaziosmanpaşa university hospital with hybrid deep learning (CNN-LSTM) model
ORHAN YILDIZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZAFER DOĞAN
- Derin öğrenme modelleri ile beş farklı ceviz cinsinin sınıflandırılması
Classification of five different varieties of walnut with deep learning models
CİHAT ÖZİL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MÜRSEL ÖNDER
- Derin öğrenme tabanlı hibrit tahminleme modeli kullanarak rüzgar hızı tahminlemesi
Wind speed forecasting using a deep learning-based hybrid forecasting model
MUHAMMED MUSA FINDIK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEM EMEKSİZ