KaydedilenlerDerginizi ekleyin

Dergiler / Firat University Journal of Experimental and Computational Engineering / 2026 / Cilt: 5 Sayı: 3

Türkiye’de Kırsal GES Aday Noktalarının Enerji–Iklim Ön Taraması: GHI ve Model-Türevi AC Özgül Üretim Sıralamaları Ile Kısa Liste Kararlılığı

Energy–Climate Pre-Screening Of Rural PV Candidate Points In Türkiye: GHI And Model-Derived AC Specific-Yield Rankings and Shortlist Stability

Mehmet Sena Kaşka(İstanbul Gelişim Üniversitesi)0009-0000-2700-6873
Sayfa
765–794
Yayın Tarihi
2026-10-25
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular, GHI’nin geniş ölçekli ön taramada kullanılabileceğine; kısa listelerin ise iklim-düzeltilmiş model çıktıları, sıralama belirsizliği ve şebeke, arazi, hukuk, çevre, zemin, erişim, izin ve ekonomi açısından yerel incelemelerle desteklenmesi gerektiğine işaret etmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Küresel yatay ışınım (GHI), fotovoltaik kaynak ön taramasında yararlı olmakla birlikte, alternatif akım (AC) üretim modellerinde temsil edilen panel düzlemi ışınımı, çalışma sıcaklığı, rüzgârla soğuma, inverter dönüşümü ve sistem kayıplarını yansıtmaz.
📊
Temel Bulgular & Veri:Türkiye’nin 81 ilinin her birinde algoritmik olarak 1 kırsal aday nokta seçilmiş; 2001–2025 dönemine ait saatlik NASA POWER girdileri, 30° sabit eğimli ve 1 MWp DC gücündeki ortak bir Perez–SAPM–PVWatts zincirinde işlenmiştir.
💡
Sonuç & Katkı:Bulgular, GHI’nin geniş ölçekli ön taramada kullanılabileceğine; kısa listelerin ise iklim-düzeltilmiş model çıktıları, sıralama belirsizliği ve şebeke, arazi, hukuk, çevre, zemin, erişim, izin ve ekonomi açısından yerel incelemelerle desteklenmesi gerektiğine işaret etmektedir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:2001–2025 Verileri
⚙️Değişkenler:Anahtar kelimeler: Fotovoltaik enerji · NASA POWER · AC özgül üretim

Özet

Küresel yatay ışınım (GHI), fotovoltaik kaynak ön taramasında yararlı olmakla birlikte, alternatif akım (AC) üretim modellerinde temsil edilen panel düzlemi ışınımı, çalışma sıcaklığı, rüzgârla soğuma, inverter dönüşümü ve sistem kayıplarını yansıtmaz. Bu çalışma, GHI’ye dayalı ve iklim-düzeltilmiş model-türevi AC özgül üretim sıralamalarını enerji–iklim ön taramasında karşılaştırmaktadır; yatırım yapmaya hazır sahalar belirlememekte ve enerji üretimini bağımsız saha verileriyle doğrulamamaktadır. Türkiye’nin 81 ilinin her birinde algoritmik olarak 1 kırsal aday nokta seçilmiş; 2001–2025 dönemine ait saatlik NASA POWER girdileri, 30° sabit eğimli ve 1 MWp DC gücündeki ortak bir Perez–SAPM–PVWatts zincirinde işlenmiştir. GHI’yi içeren betimsel yardımcı model için ayarlanmış R²=0,940 bulunmuş; hava sıcaklığı, rüzgâr ve yükseltinin eklenmesi örneklem içi RMSE’yi %50,61 azaltmıştır. Pearson ve Spearman katsayıları sırasıyla r=0,9697 ve ρ=0,9283 olmasına karşın, ortalama mutlak sıra farkı 6,12, en büyük fark 27 basamak ve ilk 10 adaylık listedeki üye değişim oranı %40’tır. GHI ile seçilen ilk 10 adayın ortalama model-türevi AC özgül üretimi, AC sıralamasıyla seçilen listenin yalnızca %0,70 altında kalmıştır. Ortak-yıl bootstrap analizi 6 aday için ilk 10’a dâhil edilme sıklığını en az %99,3 olarak verirken, bölgeyi dışarıda bırakan duyarlılık sonuçları heterojen bulunmuştur. Bu sıklıklar, gözlenen 2001–2025 meteorolojik yıllarının yeniden örneklenmesi altında model zincirine koşullu kararlılığı göstermekte olup gelecekteki yatırım başarısı olasılıkları değildir. Bulgular, GHI’nin geniş ölçekli ön taramada kullanılabileceğine; kısa listelerin ise iklim-düzeltilmiş model çıktıları, sıralama belirsizliği ve şebeke, arazi, hukuk, çevre, zemin, erişim, izin ve ekonomi açısından yerel incelemelerle desteklenmesi gerektiğine işaret etmektedir.

Abstract

Global horizontal irradiance (GHI) is useful for broad photovoltaic resource pre-screening, but it does not alone represent plane-of-array irradiance, operating temperature, wind cooling, inverter conversion, and system losses embedded in alternating-current (AC) yield models. This study compares GHI-based and climate-adjusted, model-derived AC specific-yield rankings as an energy–climate pre-screening exercise; it neither identifies investment-ready sites nor independently validates energy yield. One rural candidate point was algorithmically selected in each of Türkiye’s 81 provinces. Hourly NASA POWER inputs for 2001–2025 were processed through a common south-facing Perez–SAPM–PVWatts chain with a fixed 30° tilt and 1 MWp DC capacity. The GHI-only descriptive auxiliary model yielded an adjusted R²=0.940, and adding air temperature, wind, and elevation reduced in-sample RMSE by 50.61%. Pearson and Spearman coefficients were r=0.9697 and ρ=0.9283, respectively; however, the mean absolute rank difference was 6.12 positions, the maximum difference was 27, and the Top-10 replacement rate was 40%. Nevertheless, the mean model-derived AC specific yield of the GHI-selected Top-10 was only 0.70% below that of the AC-selected Top-10. A common-year bootstrap produced Top-10 inclusion frequencies of at least 99.3% for six candidates, whereas leave-one-region-out sensitivity results were heterogeneous. These frequencies describe model-conditional stability under resampling of the observed 2001–2025 meteorological years, not probabilities of future investment success. The findings support GHI for broad pre-screening while indicating that shortlists should be supplemented with climate-adjusted model outputs, ranking uncertainty, and site-specific assessment of grid, land, legal, environmental, geotechnical, access, permitting, and economic conditions.

🔖

Bu Makaleye Atıf Yap

Kaşka, M. S. (2026). Türkiye’de Kırsal GES Aday Noktalarının Enerji–Iklim Ön Taraması: GHI ve Model-Türevi AC Özgül Üretim Sıralamaları Ile Kısa Liste Kararlılığı. Firat University Journal of Experimental and Computational Engineering, Cilt: 5 Sayı: 3, 765–794. https://doi.org/10.62520/fujece.1995442

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (47)

  1. E. Kabir, P. Kumar, S. Kumar, A. A. Adelodun, and K.-H. Kim, “Solar energy: Potential and future prospects,” Renew. Sustain. Energy Rev., vol. 82, pp. 894–900, 2018.
  2. T. Huld, R. Gottschalg, H. G. Beyer, and M. Topic, “Mapping the performance of PV modules, effects of module type and data averaging,” Sol. Energy, vol. 84, no. 2, pp. 324–338, 2010.
  3. E. Skoplaki and J. A. Palyvos, “On the temperature dependence of photovoltaic module electrical performance: A review of efficiency/power correlations,” Sol. Energy, vol. 83, no. 5, pp. 614–624, 2009.
  4. K. S. Anderson, C. W. Hansen, W. F. Holmgren, A. R. Jensen, M. A. Mikofski, and A. Driesse, “pvlib python: 2023 project update,” J. Open Source Softw., vol. 8, no. 92, Art. no. 5994, 2023.
  5. W. F. Holmgren, C. W. Hansen, and M. A. Mikofski, “pvlib python: A Python package for modeling solar energy systems,” J. Open Source Softw., vol. 3, no. 29, Art. no. 884, 2018.
  6. R. Perez, R. Seals, P. Ineichen, R. Stewart, and D. Menicucci, “A new simplified version of the Perez diffuse irradiance model for tilted surfaces,” Sol. Energy, vol. 39, no. 3, pp. 221–231, 1987.
  7. D. L. King, W. E. Boyson, and J. A. Kratochvil, “Photovoltaic array performance model,” Sandia National Laboratories, Albuquerque, NM, USA, Rep. SAND2004-3535, 2004.
  8. A. P. Dobos, PVWatts Version 5 Manual. Golden, CO, USA: National Renewable Energy Laboratory, Rep. NREL/TP-6A20-62641, 2014.
  9. M. Uyan, “GIS-based solar farms site selection using analytic hierarchy process (AHP) in Karapinar region, Konya/Turkey,” Renew. Sustain. Energy Rev., vol. 28, pp. 11–17, 2013.
  10. S. Türk, A. Koç, and G. Şahin, “Multi-criteria of PV solar site selection problem using GIS-intuitionistic fuzzy based approach in Erzurum province/Turkey,” Sci. Rep., vol. 11, Art. no. 5034, 2021.
  11. S. S. Akay, “Investigating land suitability for PV farm and existing sites using a multi-criteria decision approach in Gaziantep, Türkiye,” Appl. Sci., vol. 15, no. 5, Art. no. 2441, 2025.
  12. Ö. P. Akkaş, M. Y. Erten, E. Çam, and N. İnanç, “Optimal site selection for a solar power plant in the Central Anatolian Region of Turkey,” Int. J. Photoenergy, 2017, Art. no. 7452715.
  13. O. Soydan, “Solar power plants site selection for sustainable ecological development in Nigde, Turkey,” SN Appl. Sci., vol. 3, Art. no. 41, 2021.
  14. M. Uyan and O. L. Dogmus, “An integrated GIS-based ANP analysis for selecting solar farm installation locations: Case study in Cumra Region, Turkey,” Environ. Model. Assess., vol. 28, no. 1, pp. 105–119, 2023.
  15. C. Kocabaldır and M. A. Yücel, “GIS-based multicriteria decision analysis for spatial planning of solar photovoltaic power plants in Çanakkale province, Turkey,” Renew. Energy, vol. 212, pp. 455–467, 2023.
  16. G. Rediske, J. C. M. Siluk, N. G. Gastaldo, P. D. Rigo, and C. B. Rosa, “Determinant factors in site selection for photovoltaic projects: A systematic review,” Int. J. Energy Res., vol. 43, no. 5, pp. 1689–1701, 2019.
  17. J. M. Sánchez-Lozano, J. Teruel-Solano, P. L. Soto-Elvira, and M. S. García-Cascales, “Geographical information systems (GIS) and multi-criteria decision making (MCDM) methods for the evaluation of solar farms locations: Case study in south-eastern Spain,” Renew. Sustain. Energy Rev., vol. 24, pp. 544–556, 2013.
  18. NASA POWER Project, “POWER data methodology, Release 9 and hourly API documentation,” NASA Langley Research Center. [Online]. Available: https://power.larc.nasa.gov/docs/. Accessed: Jul. 14, 2026.
  19. L. A. Monteiro, P. C. Sentelhas, and G. U. Pedra, “Assessment of NASA/POWER satellite-based weather system for Brazilian conditions and its impact on sugarcane yield simulation,” Int. J. Climatol., vol. 38, no. 3, pp. 1571–1581, 2018.
  20. A. D. Quansah et al., “Assessment of solar radiation resource from the NASA-POWER reanalysis products for tropical climates in Ghana towards clean energy application,” Sci. Rep., vol. 12, Art. no. 10684, 2022.
  21. G. C. Rodrigues and R. P. Braga, “Evaluation of NASA POWER reanalysis products to estimate daily weather variables in a hot summer Mediterranean climate,” Agronomy, vol. 11, no. 6, Art. no. 1207, 2021.
  22. A. H. Halimi, C. Karaca, and D. Büyüktaş, “Evaluation of NASA POWER climatic data against ground-based observations in the Mediterranean and continental regions of Turkey,” J. Tekirdag Agric. Fac., vol. 20, no. 1, pp. 104–114, 2023.
  23. D. Palmer and R. E. Blanchard, “Evaluation of high-resolution satellite-derived solar radiation data for PV performance simulation in East Africa,” Sustainability, vol. 13, no. 21, Art. no. 11852, 2021.
  24. K. E. Pilario, J. A. Ibañez, and X. N. Penisa, “Spatio-temporal solar–wind complementarity assessment in the Province of Kalinga-Apayao, Philippines using canonical correlation analysis,” Sustainability, vol. 14, no. 6, Art. no. 3253, 2022.
  25. D. Faiman, “Assessing the outdoor operating temperature of photovoltaic modules,” Prog. Photovolt.: Res. Appl., vol. 16, no. 4, pp. 307–315, 2008.
  26. E. Kaplani and S. Kaplanis, “Thermal modelling and experimental assessment of the dependence of PV module temperature on wind velocity and direction, module orientation and inclination,” Sol. Energy, vol. 107, pp. 443–460, 2014.
  27. T. Huld and A. Gracia Amillo, “Estimating PV module performance over large geographical regions: The role of irradiance, air temperature, wind speed and solar spectrum,” Energies, vol. 8, no. 6, pp. 5159–5181, 2015.
  28. A. Babatunde and S. Abbasoğlu, “Predictive analysis of photovoltaic plants specific yield with the implementation of multiple linear regression tool,” Environ. Prog. Sustain. Energy, vol. 38, no. 4, Art. no. e13098, 2019.
  29. L. Deville, M. Theristis, B. H. King, T. L. Chambers, and J. S. Stein, “Open-source photovoltaic model pipeline validation against well-characterized system data,” Prog. Photovolt.: Res. Appl., vol. 32, no. 5, pp. 291–303, 2024.
  30. M. Theristis et al., “Blind photovoltaic modeling intercomparison: A multidimensional data analysis and lessons learned,” Prog. Photovolt.: Res. Appl., vol. 31, no. 11, pp. 1144–1157, 2023.
  31. M. J. Prilliman, C. W. Hansen, J. M. F. Keith, S. Janzou, M. Theristis, A. Scheiner, and E. Ozakyol, “Quantifying uncertainty in PV energy estimates: Final report,” National Renewable Energy Laboratory, 2023.
  32. M. Ispir, M. H. Aksoy, and M. Kalyoncu, “Estimation of solar radiation and photovoltaic power potential of Türkiye using ANFIS,” J. King Saud Univ. Eng. Sci., vol. 37, Art. no. 2, 2025.
  33. D. Runfola et al., “geoBoundaries: A global database of political administrative boundaries,” PLOS ONE, vol. 15, no. 4, Art. no. e0231866, 2020.
  34. D. Zanaga et al., “ESA WorldCover 10 m 2021 v200,” Zenodo, 2022.
  35. European Space Agency, “Copernicus DEM,” 2022.
  36. N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore, “Google Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens. Environ., vol. 202, pp. 18–27, 2017.
  37. S. Lindig et al., “Review of technical photovoltaic key performance indicators and the importance of data quality routines,” Sol. RRL, vol. 8, no. 24, Art. no. 2400634, 2024.
  38. J. G. MacKinnon and H. White, “Some heteroskedasticity-consistent covariance matrix estimators with improved finite sample properties,” J. Econometrics, vol. 29, no. 3, pp. 305–325, 1985.
  39. D. R. Roberts et al., “Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure,” Ecography, vol. 40, no. 8, pp. 913–929, 2017.
  40. B. Efron and R. J. Tibshirani, An Introduction to the Bootstrap. New York, NY, USA: Chapman & Hall/CRC, 1993.
  41. W. H. Kruskal and W. A. Wallis, “Use of ranks in one-criterion variance analysis,” J. Amer. Stat. Assoc., vol. 47, no. 260, pp. 583–621, 1952.
  42. O. J. Dunn, “Multiple comparisons using rank sums,” Technometrics, vol. 6, no. 3, pp. 241–252, 1964.
  43. S. Holm, “A simple sequentially rejective multiple test procedure,” Scand. J. Stat., vol. 6, no. 2, pp. 65–70, 1979.
  44. G. Makrides, B. Zinsser, M. Schubert, and G. E. Georghiou, “Energy yield prediction errors and uncertainties of different photovoltaic models,” Prog. Photovolt.: Res. Appl., vol. 21, no. 4, pp. 500–516, 2013.
  45. D. Moser, M. Del Buono, U. Jahn, M. Herz, M. Richter, and K. De Brabandere, “Identification of technical risks in the photovoltaic value chain and quantification of the economic impact,” Prog. Photovolt.: Res. Appl., vol. 25, no. 7, pp. 592–604, 2017.
  46. B. Müller, W. Heydenreich, N. H. Reich, C. Reise, and B. Farnung, “Investment risks of utility-scale PV: Opportunities and limitations of risk mitigation strategies to reduce uncertainties of energy yield predictions,” in Proc. 42nd IEEE Photovolt. Spec. Conf. (PVSC), 2015, pp. 1–5.
  47. B. Müller, L. Hardt, A. Armbruster, K. Kiefer, and C. Reise, “Yield predictions for photovoltaic power plants: Empirical validation, recent advances and remaining uncertainties,” Prog. Photovolt.: Res. Appl., vol. 24, no. 4, pp. 570–583, 2016.