Application of statistical and deep learning models in predicting current and future global mean sea level rise
İstatiksel ve derin öğrenme modellerinin mevcut ve gelecekteki küresel ortalama deniz seviyesi artışını tahmin etmedeki uygulaması
- Tez No: 972071
- Danışmanlar: DR. ÖĞR. ÜYESİ SERGEN TÜMSE
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Derin öğrenme, küresel ısınma, GRU, LSTM, SARIMA, deniz seviyesi artışı, Deep learning, global warming, GRU, LSTM, SARIMA, Sea level rise
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda okyanuslarda ve atmosfer sıcaklığının yükselmesinde etkili olan iklim değişikliği önemli bir sorun haline gelmiştir. Bu eğilim deniz seviyesinin gelecekte mevcut deniz seviyesine kıyasla daha da hızlı bir oranda yükselmesinin beklendiğini göstermektedir. Deniz seviyesindeki artış potansiyel olarak ani gelişen büyük doğal afetlere sebebiyet verebilir. Bu sebeple deniz seviyesinin artışı insanların yaşadıkları çevre şartları, sel baskınlarının önlenmesi ve kıyı gelişimi gibi alanlarda gelecek planlaması için çok önemlidir. Bu çalışma geleneksel ve derin öğrenmeli zaman serisi metodlarını (mevsimsel otoregresif entegre hareketli ortalama (SARIMA)), derin öğrenme yöntemlerinden uzun kısa süreli bellek (LSTM) sinir öğrenmesi ve kapılı yinelemeli (GRU) sinir öğrenmesini kullanarak şu anda ve gelecekteki deniz seviyesi artışını değerlendirmeye odaklanmaktadır. Modeller 1993 ve 2023 aylık deniz seviyesi artış bilgileri kullanılarak eğitilmiş ve test edilmiş daha sonrasında ise 2050'ye kadar deniz seviyesi artışı tahmin edilmiştir. Toplamda 366 adet deniz seviyesi artış verisi kullanılmıştır. Bunların 288 adedi yani Ocak 1993'den Aralık 2016'ya kadar olan verisi (%78'i) eğitim aşamasında kullanılmış ve Ocak 2017'den Haziran 2023'e kadar 78 adet deniz seviyesi artış verisi (22'si) test aşamasında kullanılmıştır. Bulgular göstermektedir ki deniz seviyesi artışı tahmini test aşamasında bütün geliştirilmiş modellerde gerçek verilere yakın olarak gerçekleşmiştir fakat uzun kısa süreli bellek modeli (LSTM) en yakın tahminleri sağlamıştır. Ortalama deniz seviyesi yükselmesi ortalama mutlak yüzde hata, ortalama mutlak hata ve kök ortalama kare hata parametreleri uzun kısa süreli bellek (LSTM) modeli için sırasıyla %0.0631, 0.0958 cm ve 0.0073 cm, kapılı yinelemeli (GRU) model için ise %0.0899, 0.0084 cm ve 0.0109 cm olarak gözlemlenmiştir. Test aşamasında en az gerçek tahmine yaklaşan model ise %0.1335 ortalama mutlak yüzde hata ile, 0.0058 ortalama mutlak hata ve 0.0073 cm kök ortalama kare hata ile mevsimsel otoregresif entegre hareketli ortalama (SARIMA) modeli olmuştur. 1993 Ocak ayı temel olarak alındığında en iyi sonucu veren LSTM modeline göre 2040 yılında deniz seviyesi 17.218 cm ve 2050 Haziran ayında ise 21.236 cm olacağı tahmin edilmektedir. Bu sebeplerle bu tez içerisinde geliştirilen algoritmalar deniz seviyesi tahmininde etkili bir model olarak öne çıkmaktadır ve bu çalışma iklim değişimi sebepli deniz seviyesi artış oranını azaltma stratejilerinde karar vericiler için gelişmiş modeller kullanılması sebebiyle önemli olacaktır.
Özet (Çeviri)
In recent decades, climate change has emerged as a significant issue, causing ongoing increases in ocean and atmospheric temperatures. This trend indicates that sea levels are expected to rise at faster rates in the future compared to the present sea level. Ongoing increases in sea levels could potentially trigger catastrophic natural disasters worldwide. So that reason, predicting sea level rise (SLR) is crucial for future planning in areas such as human living conditions, flood prevention, and coastal development. This study focuses on evaluating the ability of conventional and deep learning time series methods such as seasonal autoregressive integrated moving average (SARIMA), long short-term (LSTM) neural network, and gated recurrent unit (GRU) in estimating the current and future global mean SLR. The models were trained and tested using monthly SLR data collected between 1993 and 2023 and then future predictions were made until 2050. A total of 366 monthly SLR data were used where 288 SLR data (78%) from January 1993 to December 2016 were utilized in the training phase and 78 SLR data (22%) from January 2017 to June 2023 were utilized in the testing phase. The findings demonstrate that although the SLR values estimated with the all developed models are closely compromised with real SLR values in the testing phase, the LSTM model provides more precise predictions than the others. While MAPE, MAE and RMSE parameters for the prediction of SLR data with the LSTM model are observed as 0.0631%, 0.0058 cm and 0.0073 cm, respectively, they are detected as 0.0899%, 0.0084 cm and 0.0109 cm with GRU model. On the other hand, in the testing stage, the worst estimation is performed with the SARIMA model with a MAPE of 0.1335 %, MAE of 0.0123 cm and RMSE of 0.0155 cm. Furthermore, the LSTM algorithm which is observed as the best accurate model, predicts the SLR values as 17.218 cm by July 2040 and 21.236 cm by July 2050 when the global average sea level at the beginning of 1993 is taken as reference. Therefore, the developed algorithms show potential as effective tools for modeling and predicting global mean sea level rise in the future and this study will be highly valuable for decision-makers in creating mitigation strategies for sea level rise associated with climate change, utilizing the developed models.
Benzer Tezler
- CFRP plakalarda delaminasyon hasarının makina öğrenmesi ile tahmin edilmesi
Predicting delamination failure in CFRP composite plates with machine learning algorithms
AMMAR TARIK DİNÇER
Yüksek Lisans
Türkçe
2024
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BAKKAL
- Makine öğrenme algoritmaları ile su tüketim miktarlarının tahmini: Kocaeli örneği
Estimation of water consumption amounts using machine learning algorithms: The case study of Kocaeli
KASIM GÖRENEKLİ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ALİ GÜLBAĞ
- Veri merkezleri için makine öğrenmesi temelli izleme sistemi tasarımı
Machine learning based monitoring system design for data centers
METEHAN HAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAH SEVİN
- Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition
Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım
MASTANEH TORKAMANI AZAR
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
Prof. Dr. SELİM SAFFET BALCISOY
- Kısa dönemli fotovoltaik güç tahmini için geliştirilen yenilikçi bir hibrit modelin analizi ve uygulaması
Application and analysis of innovative hybrid model for short-term photovoltaic power forecasting
ALİ RİZA GÜN
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KURBAN
DOÇ. DR. EMRAH DOKUR