SavedAdd your journal

Journals / Ordu Üniversitesi Bilim ve Teknoloji Dergisi / 2026 / Cilt: 13 Sayı: 1

Clustering of Black Sea Region Meteorology Observation Stations Using Wind Speed Values

Karadeniz Bölgesi Meteoroloji Gözlem İstasyonlarının Rüzgâr Hızı Değerleri Kullanılarak Kümelenmesi

Gürkan Kır(ONDOKUZ MAYIS UNIVERSITY)0000-0001-8156-9431
Aslı Ülke Keskin(ONDOKUZ MAYIS UNIVERSITY)0000-0002-9676-8377
Utku Zeybekoğlu(SİNOP ÜNİVERSİTESİ)0000-0001-5307-8563
Pages
44–58
Publication Date
2023-06-30
🏛️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)

The most suitable classification for the wind speed series was obtained by the K-Means method by choosing the number of clusters as 5.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In recent years, there has been a noticeable increase in the number of disasters caused by the effects of global climate change.
📊
Key Findings & Data:Thus, a correct strategy will be determined in the studies to be carried out in order to reduce the effects of climate change.
💡
Conclusion & Impact:The most suitable classification for the wind speed series was obtained by the K-Means method by choosing the number of clusters as 5.
🔬Design:Research Article
📍Scope:2020 Verileri
⚙️Variables:kümeleme · rüzgar hızı · k-ortalamalar

Abstract

In recent years, there has been a noticeable increase in the number of disasters caused by the effects of global climate change. In this context, various studies are carried out in our country and in the world in order to reduce the effects of climate change. The classification of regions affected by climate change into similar classes in terms of climate parameters is important in terms of applying similar methods in studies to be carried out in these regions. Thus, a correct strategy will be determined in the studies to be carried out in order to reduce the effects of climate change. Observation records evaluated within the scope of the study, annual average wind speed observations from 31 stations in the Black Sea Region belonging to the General Directorate of Meteorology, covering the period between 1982 and 2020, were used. Cluster analysis was carried out using the Fuzzy C-Means and K-Means methods. As a result of the study, the optimum number of clusters was determined by Silhouette index analysis. The most suitable classification for the wind speed series was obtained by the K-Means method by choosing the number of clusters as 5.

Özet

Son yıllarda küresel iklim değişikliği etkilerinden kaynaklanan afet sayılarında hissedilebilir bir artış görülmektedir. Bu kapsamda iklim değişikliği etkilerini azaltmak amacıyla ülkemizde ve dünyada çeşitli çalışmalar yapılmaktadır. İklim değişikliğinden etkilenen bölgelerin iklim parametreleri bakımından benzer sınıflara ayrılması bu bölgelerde yapılacak olan çalışmalarda benzer yöntemlerin uygulanması açısından önemlidir. Böylece iklim değişikliğinin etkilerini azaltmak amacıyla yapılacak olan çalışmalarda doğru bir stratejinin belirlenmesi sağlanacaktır. Çalışma kapsamında değerlendirilen gözlem kayıtları Meteoroloji Genel Müdürlüğüne ait Karadeniz Bölgesinde yer alan 31 istasyondan periyodu 1982-2020 yılları arasını kapsayacak şekilde yıllık ortalama rüzgâr hızı gözlemleri kullanılmıştır. Bulanık C-Ortalamalar ve K-Ortalamalar yöntemleri kullanılarak kümeleme analiz çalışması gerçekleştirilmiştir. Çalışma sonucunda optimum küme sayısı Siluet indeks analizi ile tespit edilmiştir. Rüzgâr hızı serileri için en uygun sınıflandırma, küme sayısı 5 seçilerek K-Ortalamalar yöntemi ile elde edilmiştir.

🔖

Cite This Article

Kır, G., Keskin, A. Ü., Zeybekoğlu, U. (2023). Clustering of Black Sea Region Meteorology Observation Stations Using Wind Speed Values. Ordu Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 13 Sayı: 1, 44–58. https://doi.org/10.54370/ordubtd.1275677

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (29)

  1. Bezdek, J. C. (1980). A convergence theorem for the Fuzzy ISODATA clustering algorithms. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2(1), 1-8. http://doi.org/10.1109/TPAMI.1980.4766964
  2. Bezdek, J. C., Ehrlich, R., ve Full, W. (1984). FCM: The Fuzzy C-Means Clustering Algorithm. Computers and Geosciences, 10(2-3), 191-203. https://doi.org/10.1016/0098-3004(84)90020-7
  3. Demircan, M., Arabacı, H., Coşkun, M., Türkoğlu, N. ve Çiçek, İ. (2017, Temmuz, 5-7). İklim değişikliği ve halk takvimi: Maksimum sıcaklık desenleri ve değişimi [Sözlü sunum]. IV. Türkiye İklim Değişikliği Kongresi, İstanbul, Türkiye. https://www.mgm.gov.tr/FILES/iklim/yayinlar/2017/3.pdf
  4. Dikbas, F., Firat, M., Koc, A. C. ve Gungor, M. (2011). Classication of precipitation series using fuzzy cluster method. International Journal of Climatology, 32(10). 1596-1603. https://doi.org/10.1002/joc.2350
  5. Erinç, S. (1949). The climates of Turkey according to Thornthwaite’s classifications. Annals of the Association of American Geographers, 39, 26–46. https://doi.org/10.2307/2561098
  6. Fırat, M., Dikbaş, F., Koç, A. C. ve Güngör, M. (2012). Classification of annual precipitations and identification of homogeneous regions using k-means Method. Teknik Dergi, 23(115), 1609-1622. https://dergipark.org.tr/en/pub/tekderg/issue/12744/155143
  7. Günay Atbaş, A. C. (2008). Kümeleme analizinde küme sayısının belirlenmesi üzerine bir çalışma [Yayımlanmamış yüksek lisans tezi]. Ankara Üniversitesi.
  8. Gunduz, F. ve Zeybekoglu U. (2022, Aralık 2-3). Classification of Zara droughts by different drought indices [Sözlü Sunum]. 2. International Congress on Environment, Disaster and Forest, Adana.
  9. İyigün, C., Türkeş, M., Batmaz, İ., Yozgatlıgil, C., Purutçuoğlu, V., Kartal Koç, E. ve Öztürk, M. Z. (2013). Clustering current climate regions of Turkey by using a multivariate statistical method. Theoretical and Applied Climatology, 114. 95-106. https://doi.org/10.1007/s00704-012-0823-7
  10. Karahan H. (2011). Bölgesel yağış-şiddet-süre-frekans bağıntılarının diferansiyel gelişim algoritması kullanılarak elde edilmesi. (TÜBİTAK Proje No. 108Y299). https://search.trdizin.gov.tr/tr/yayin/detay/611672/
  11. Karahan H. (2019). Determination of homogeneous sub-regions by using intensity-duration-frequency relationships and cluster analysis: An application for the Aegean region. Pamukkale Univ Muh Bilim Derg., 25(8), 998-1013. https://doi.org/10.5505/pajes.2019.09365
  12. Kır, G. (2021). Kümeleme Analiz Yöntemleri İle Karadeniz Bölgesi Meteorolojik Verilerinin Değerlendirilmesi [Yayımlanmamış yüksek lisans tezi]. Ondokuz Mayıs Üniversitesi.
  13. Kite, G., (1991, April 12–15). Looking for Evidence of Climatic Change in Hydrometeorological Time Series. Western Snow Conference. Washington.
  14. Kulkarni, A. ve Kripalani, R. (1998). Rainfall patterns over India: Classification with fuzzy c-means method. Theoretical and Applied Climatology, 59. 137–146. https://doi.org/10.1007/s007040050019
  15. Özkoca, T. (2015). Orta Karadeniz kıyı illerinin hidrometeorolojik verilerinin trend analizi [Yayımlanmamış yüksek lisans tezi]. Ondokuz Mayıs Üniversitesi.
  16. Pal, N. R. ve Bezdek, J. C. (1995). On Cluster validity fort he fuzzy c-means model. IEEE Transactions On Fuzzy Systems, 3, 370-379. https://doi.org/10.1109/91.413225
  17. Rau, P., Bourrel, L., Labat, D., Melo, P., Dewitte, B, Frappart, F., Lavado, W. ve Felipe, O. (2017). Regionalization of rainfall over the Peruvian Pacific slope and coast. International Journal of Climatology, 37(1). 143-158. https://doi.org/10.1002/joc.4693
  18. Rousseuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. https://doi.org/10.1016/0377-0427(87)90125-7
  19. Soltani, S. ve Modarres, R. (2006). Classification of spatio temporal pattern of rainfall in Iran using a hierarchical and divisive cluster analysis. Journal of Spatial Hydrology, 6(2), 1-12. https://scholarsarchive.byu.edu/josh/vol6/iss2/1/
  20. Sönmez, İ. ve Kömüşcü, A. (2008). Redefinition rainfall regions using k-means clustering methodology and changes of sub period. İklim Değişikliği ve Çevre, 1, 38–49. https://dergipark.org.tr/tr/download/article-file/518063
  21. Şahin, S. (2009). Yapay sinir ağlarının iklim bölgelerinin belirlenmesinde kullanılması ve Ward metodu ile karşılaştırılması [Yayımlanmamış doktora Lisans tezi]. İstanbul Teknik Üniversitesi.
  22. Şahin, S. ve Cığızoğlu, H. K. (2012). The sub-climate regions and the sub-precipitation regime regions in Turkey. Journal of Hydrology, 450(451), 180-189. https://doi.org/10.1016/j.jhydrol.2012.04.062
  23. Türkeş, M. (1996). Spatial and temporal analysis of annual rainfall variations in Turkey. Int. J. Climatol, 16(9), 1057-1076. https://doi.org/10.1002/(SICI)1097-0088(199609)16:9 3.0.CO;2-D
  24. Türkeş, M. (2010). Küresel iklim değişikliği: Başlıca Nedenleri, gözlenen ve öngörülen değişiklikler ve etkileri [Sözlü Sunum] Uluslararası Katılımlı 1. Meteoroloji Sempozyumu, Devlet Meteoroloji İşleri Genel Müdürlüğü.
  25. Ünal, Y., Kındap, T. ve Karaca. M. (2003). Redefining the climate zones of Turkey using cluster analysis. Int. J. Climatol, 23, 1045–1055. https://doi.org/10.1002/joc.910
  26. Vani, H.Y., Anusuya, M. A. ve Chayadevi, M. L. (2019). Fuzzy Clusterıng Algorıthms-Comparatıve Studıes For Noısy Speech Sıgnals. Ictact Journal On Soft Computıng, 9(3), 1920-1926. https://doi.org/10.21917/ijsc.2019.0267
  27. Xin, G. L., Min, F. Y. ve Wen, T. H. (2011). Speech Recognition based on K-Means Clustering and Neural Network Ensembles. 2011 Seventh International Conference on Natural Computation, 12268384, 614-617, https://doi.org/10.1109/ICNC.2011.6022159
  28. Zeybekoğlu, U. ve Ülke Keskin, A. (2020). Defining rainfall intensity clusters in Turkey by using the fuzzy c-means algorithm. Geofizika, 37(2), 181–195. https://doi.org/10.15233/gfz.2020.37.8
  29. Zhang, Y., Wang, W., Zhang, X. ve Li, Y. (2008). A cluster validity index for fuzzy clustering. Information Sciences, 178, 1205–1218. https://doi.org/10.1016/j.ins.2007.10.004