Journals / Geomatik / 2023 / Cilt: 8 - Sayı: 2

Model-Ağacı (M5-tree) yaklaşımı ile HELIOSAT tabanlı güneş radyasyonu tahmini

Journal
Geomatik
Pages
124–135
Publication Date
2023-08-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Böylece M5-tree yönteminin literatürde yer alan yöntemlere alternatif bir yöntem olabileceği ortaya konmuştur.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Solar radyasyon (SR), enerji dönüşümü, meteoroloji, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir.
📊
Key Findings & Data:Bu çalışmada, Türkiye’nin aylık ortalama SR değerleri (kWsa/m²) M5 model ağacı (M5-tree), sezgisel regresyon tekniği kullanılarak MATLAB platformunda tahmin edilmiştir.
💡
Conclusion & Impact:Böylece M5-tree yönteminin literatürde yer alan yöntemlere alternatif bir yöntem olabileceği ortaya konmuştur.
🔬Design:Review & Systematic Survey
📍Scope:2004-2018 Verileri
⚙️Variables:Solar Radyasyon · HELIOSAT · M5-Tree

Özet

Solar radyasyon (SR), enerji dönüşümü, meteoroloji, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametre çeşitli yöntemlerle tahmin edilebilir. Bu çalışmada, Türkiye’nin aylık ortalama SR değerleri (kWsa/m²) M5 model ağacı (M5-tree), sezgisel regresyon tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. SR modellemesinde komşu ölçüm istasyonlarına ait konum bilgileri ve periyodiklik bileşeni olan ay değerleri kullanılarak tahminler gerçekleştirilmiştir. Modellerde 2004-2018 yıllarını kapsayan uzun dönem aylık ortalama SR verileri kullanılmıştır. Bu veriler Meteoroloji Genel Müdürlüğü’nden temin edilen ve uydu tabanlı hibrit bir model olan HELIOSAT model verileridir. Çalışmada Türkiye’nin 81 iline ait ölçüm ortalamaları kullanılmıştır. 81 noktadan alınan 12 aylık verilerin %75’i eğitim sürecinde kullanılırken %25’i test sürecinde kullanılmıştır. Rastgele seçilen test istasyonlarından elde edilen solar radyasyon tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, Karekök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (OMH), Ortalama Mutlak Bağıl Hata (OMBH) ve Determinasyon Katsayısı (R2) kullanılmıştır. M5-tree kullanılarak elde edilen modellerde en başarılı sonuçlar; KOKH= 0.3604, OMH= 0.1451, OMBH= 3.6029 ve R²= 0.9879 olarak elde edilmiştir. Böylece M5-tree yönteminin literatürde yer alan yöntemlere alternatif bir yöntem olabileceği ortaya konmuştur.

🔖

Cite This Article

DEMİRGÜL, T., DEMİR, V., SEVİMLİ, M. F. (2023). Model-Ağacı (M5-tree) yaklaşımı ile HELIOSAT tabanlı güneş radyasyonu tahmini. Geomatik, Cilt: 8 - Sayı: 2, 124–135. https://ajindex.com/articles/886113

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Ağbulut, Ü., Gürel, A. E., & Biçen, Y. (2021). Prediction of daily global solar radiation using different machine learning algorithms: Evaluation and comparison. Renewable and Sustainable Energy Reviews, 135, 110114. Ahmad, M. J., & Tiwari, G. N. (2011). Solar radiation models—A review. International Journal of Energy Research, 35(4), 271-290.
  2. Aksoy, S., & Bolat, M. (2017). Akdeniz Bölgesinin Noaa/Avhrr Uydu Verileri Kullanılarak Solar Radyasyonun YSA Metodu ile Hesaplanması. International Conference on Multidisciplinary, Science, Engineering and Technology (IMESET’17 Bitlis), 654–660.
  3. Alizamir, M., Kim, S., Kisi, O., & Zounemat-Kermani, M. (2020). A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions. Energy, 197, 117239. Bahadırlı, Z. M. (2021). Yeraltı suyu seviye değişiminin M5 karar ağacı ve yapay sinir ağları yöntemleriyle belirlenmesi (Master's thesis, İskenderun Teknik Üniversitesi/Lisansüstü Eğitim Enstitüsü/İnşaat Mühendisliği Ana Bilim Dalı). Bhardwaj, S., Sharma, V., Srivastava, S., Sastry, O. S., Bandyopadhyay, B., Chandel, S. S., & Gupta, J. R. P. (2013). Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model. Solar Energy, 93, 43-54.
  4. Bonakdar, L., & Etemad-Shahidi, A. (2011). Predicting wave run-up on rubble-mound structures using M5 model tree. Ocean Engineering, 38(1), 111-118.
  5. Bora, E., Tekelli, M., & Etöz, M. (2015). Menemen Ovasında Referans Bitki Su İhtiyacı ve Ölçülen Solar Radyasyonun Zamansal Değişimi. Anadolu Ege Tarımsal Araştırma Enstitüsü Dergisi, 24(2), 65-76.
  6. Cornejo-Bueno, L., Casanova-Mateo, C., Sanz-Justo, J., & Salcedo-Sanz, S. (2019). Machine learning regressors for solar radiation estimation from satellite data. Solar Energy, 183, 768–775.
  7. Citakoglu, H. (2015). Comparison of artificial intelligence techniques via empirical equations for prediction of solar radiation. Computers and Electronics in Agriculture, 118, 28-37.
  8. Çıtakoğlu, H., & Demir, V. (2021). Solar Radyasyonun Derin Öğrenme Kullanılarak Tahmin Edilmesi: Türkiye Örneği. International World Energy Conference, 167–175.
  9. Demirci, M. (2019). Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(3), 1113-1124. https://doi.org/10.24012/dumf.525658
  10. Demirgül, T., Yılmaz, C. B., Zıpır, B. N., Kart, F. S., Pehriz,