AI Summary & Key Takeaways
AI InsightThe results indicate that AdaBoost and Linear Regression yielded the best performance at 30% of the stations each, while the remaining 40% were best represented by other algorithms.
📌 3 Key Takeaways
Abstract
Evaporation is a key meteorological variable in water resources planning, reservoir operation, and assessments of agricultural productivity. This study aims to evaluate the predictive accuracy of evaporation estimates obtained using machine learning algorithms and to identify the most effective algorithms through a comparative performance analysis. Eight different machine learning algorithms were employed. Although, evaporation is influenced by numerous meteorological variables, air temperature being easily accessible and more densely monitored in operational applications was selected as the sole independent variable. Models were developed using concurrent air temperature and evaporation observations recorded at 13 meteorological observation stations located in the Eastern Mediterranean Region. The results indicate that AdaBoost and Linear Regression yielded the best performance at 30% of the stations each, while the remaining 40% were best represented by other algorithms. The optimal algorithm varied spatially depending on station location, suggesting that local climatic and geographic conditions influence model performance. Nevertheless, the differences among error metrics of the best-performing models were relatively small. On a station basis, the lowest RMSE value (16.4 mm) was obtained with the AdaBoost model at the Erdemli station, whereas the highest RMSE value (39.2 mm) was observed with the Random Forest model at the Antakya station. Overall, the findings demonstrate that machine learning algorithms can be effectively used to develop evaporation prediction models based solely on air temperature data.
Özet
Buharlaşma; su kaynaklarının verimli kullanılabilmesi için yapılan planlama çalışmalarında, rezervuar alanlarının işletilmesinde ve tarımsal verimlilik konularında büyük öneme sahip meteorolojik bir değişkendir. Çalışmada, buharlaşmanın makine öğrenmesi algoritmaları kullanılarak hangi doğrulukta tahmin edilebileceği ve farklı algoritmaların verimlilikleri karşılaştırılarak en iyi buharlaşma tahminini veren algoritmaların tespiti amaçlanmıştır. Çalışmada 8 farklı makine öğrenmesi algoritması kullanılmıştır. Buharlaşmayı etkileyen birçok meteorolojik değişken olmasına rağmen, operasyonel çalışmalarda çoğunlukla kolay bir şekilde ulaşılabilen ve daha sık ölçüm noktası bulunan hava sıcaklığı değişkeni bağımsız değişken olarak kullanılmıştır. Doğu Akdeniz Bölgesi’nde yer alan 13 farklı meteoroloji gözlem istasyonunda (MGİ) aynı zaman aralığında ölçülmüş sıcaklık ve buharlaşma değerleri ile modeller kurulmuştur. İstasyonların %30’unda AdaBoost, %30’unda ise Lineer Regresyon algoritması en iyi tahminleri yapmıştır. Kalan %40’lık kısmı diğer algoritmalar oluşturmuştur. Değişen MGİ konumlarına göre farklı makine öğrenmesi algoritmaları daha iyi başarı göstermiştir. Bununla beraber, en iyi tahminleri yapan modellerin hata metrikleri arasında çok düşük farklar olduğu tespit edilmiştir. İstasyonlar bazında belirlenen en iyi modellerden en düşük RMSE hatasına (16,4 mm) AdaBoost modeli ile Erdemli MGİ, en yüksek RMSE hatasına (39,2 mm) ise Rastgele Orman modeli ile Antakya MGİ’nun sahip olduğu sonucuna varılmıştır. Makine öğrenmesi algoritmalarının sıcaklık parametresi kullanılarak buharlaşma tahminleri yapan modeller kurulmasında kullanılabilir olduğu belirlenmiştir.