Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightANN yöntemi konum bazlı sıcaklık tahmininde RF ve SVM yöntemlerine göre daha üstün performans göstermiştir.
📌 3 Maddede Bu Makale
Özet
Son yıllarda meydana gelen teknolojik gelişmeler sayesinde IoT (nesnelerin interneti) sensörleri kullanılarak elde edilen verilerin sayısı, çeşitliliği ve niteliği artmaktadır. IoT sensörlerinden elde edilen bu veriler arazi kullanımı, iklim değişikliği, bitki örtüsünün incelemesi ve hava kalitesi tahmini gibi birçok bilimsel alanda kullanılmaktadır. Bu çalışmada, IoT sensörleri üzerinden elde edilen verileri makine öğrenmesi yöntemi ile kullanılarak konum bazlı mekânsal analiz uygulaması gerçekleştirilmiştir. Bu uygulama ile Meteoroloji Genel Müdürlüğü’nden alınan gerçek veriler içerisinden Kayseri ilinet ait günlük ortalama nem, ortalama basınç ve istasyon rakım bilgisi kullanılarak istasyonun ortalama sıcaklık bilgileri Yapay sinir ağı (ANN), Rasgele orman (RF) ve Destek vektör Makineleri (SVM) algoritmaları ile tahmin edilerek yöntemlerin performansları karşılaştırılmıştır. Deneysel değerlendirmelerde ANN, RF ve SVM yöntemleri ortalama 0,83, 0,75 ve 0,50 R2 değeri elde etmiştir. ANN yöntemi konum bazlı sıcaklık tahmininde RF ve SVM yöntemlerine göre daha üstün performans göstermiştir.
Abstract
Thanks to the technological developments that have taken place in recent years, the number, variety and quality of the data obtained using IoT (Internet of Things) sensors have been increasing. Data obtained from IoT sensors have been used in many scientific fields such as land use, climate change, vegetation analysis and air quality forecasting. In this study, a location-based spatial analysis application was carried out using the data obtained from IoT sensors with machine learning. With this application, the average temperature information of the station was estimated with Artificial Neural Network (ANN), Random Forests (RF), and Support Vector Machines (SVM) methods using daily average humidity, average pressure, and station altitude information on real datas of Kayseri acquired from the Turkish State Meteorological Service, and then performances of the methods were compared. In the experimental evaluations, the ANN, RF and SVM methods obtained an average of 0.83, 0.75 and 0.50 R2 values. The ANN method outperformed the RF and SVM methods in location-based temperature estimation.