KaydedilenlerDerginizi ekleyin

Dergiler / International Journal of 3D Printing Technologies and Digital Industry / 2019 / Cilt: 3 - Sayı: 3

YAPAY ZEKÂ YÖNTEMLERİ İLE HAVA SICAKLIĞI TAHMİNİ İÇİN SİSTEM TASARIMI VE UYGULAMASI

Aydın TURGUT
Atılgan TEMİR
Bekir AKSOY
Koray ÖZSOY
Sayfa
244–253
Yayın Tarihi
2019-12-31
DOI
—
🏛️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)

Böylece sistem giriş parametreleri nem, rüzgâr yönü ve şiddeti temel alınarak sistem çıkış parametresi olan hava sıcaklığının tahmini gerçekleştirilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Hava parametrelerinin tahmini için sıcaklık, nem, yağış, ışınım, rüzgâr yönü, rüzgâr şiddeti vb. giriş parametreleri enerji, sağlık, coğrafya, tarım vb. birçok alanda büyük önem taşımaktadır.
📊
Temel Bulgular & Veri:Günümüzde hava parametrelerinin tahminlenmesi için meteorolojik formüllerden yararlanılmakta ancak bu formüller çok fazla hesap gerektirmektedir.
💡
Sonuç & Katkı:Böylece sistem giriş parametreleri nem, rüzgâr yönü ve şiddeti temel alınarak sistem çıkış parametresi olan hava sıcaklığının tahmini gerçekleştirilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:yapay zeka · yapay sinir ağları · hava sıcaklığı

Özet

Hava parametrelerinin tahmini için sıcaklık, nem, yağış, ışınım, rüzgâr yönü, rüzgâr şiddeti vb. giriş parametreleri enerji, sağlık, coğrafya, tarım vb. birçok alanda büyük önem taşımaktadır. Günümüzde hava parametrelerinin tahminlenmesi için meteorolojik formüllerden yararlanılmakta ancak bu formüller çok fazla hesap gerektirmektedir. Bu nedenle hava parametre tahminleri için meteorolojik tahminlere göre daha hızlı hesap modellerinin tercih edilmesi daha kullanışlı olacaktır. Çalışmada mikrodenetleyiciye bağlı olan sıcaklık, nem, rüzgâr şiddeti ve rüzgâr yönü gibi analog bilgiler sensörler tarafından elde edilip veri tabanına kaydedilmektedir. Verilerin kaydedilmesi, gerçek zamanlı olarak mikrodenetleyiciye bağlı olan ölçülen verileri herhangi bir kayba uğramadan hızlı bir biçimde veri tabanına aktarabilen ethernet modülü ile sayesinde gerçekleştirilmiştir. Oluşturulan veri tabanı yapay zekâ konusunun bir alt başlığı olan yapay sinir ağ modelleri tarafından işlenmiş ve ağ modelleri oluşturulmuştur. Böylece sistem giriş parametreleri nem, rüzgâr yönü ve şiddeti temel alınarak sistem çıkış parametresi olan hava sıcaklığının tahmini gerçekleştirilmiştir.

🔖

Bu Makaleye Atıf Yap

TURGUT, A., TEMİR, A., AKSOY, B., ÖZSOY, K. (2019). YAPAY ZEKÂ YÖNTEMLERİ İLE HAVA SICAKLIĞI TAHMİNİ İÇİN SİSTEM TASARIMI VE UYGULAMASI. International Journal of 3D Printing Technologies and Digital Industry, Cilt: 3 - Sayı: 3, 244–253. https://ajindex.com/articles/672303

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Şahin, M., “Modelling of air temperature using remote sensing and artificial neural network in Turkey”, Advances in Space Research, Vol. 50, Issue 7, Pages 973-985, 2012
  2. Bian, L., Li, L., Yan, G., “Combining global and local estimates for spatial distribution of mosquito larval habitats”, GIScience & Remote Sensing, Vol.43, Issue 2, Pages 128– 141, 2006
  3. Türkeş, M., “Küresel iklim değişikliği nedir? Temel kavramlar, nedenleri, gözlenen ve öngörülen değişiklikler”, İklim Değişikliği ve Çevre Dergisi, Cilt 1, Sayı 1, Sayfa 26-37, 2008
  4. Ustaoğlu B., “Giresun’da İklim Koşulları’nın Fındık (Corylus Avellana) Verimliliği Üzerine Etkisi”, Marmara Coğrafya Dergisi, Cilt 0, Sayı 26, Sayfa 302-323, 2012
  5. Şenol, R., “An analysis of solar energy and irrigation systems in Turkey”, Energy Policy, Volume 47, Pages 478–486, 2012
  6. Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H., & Aerts, H. J. Artificial intelligence in radiology. Nature Reviews Cancer, Vol.18, Issue 8, Pages 500-510,2018
  7. Greenspan, H., Van Ginneken, B., & Summers, R. M., Guest editorial deep learning in medical imaging: Overview and future promise of an exciting new technique. IEEE Transactions on Medical Imaging,Vol. 35, Issue 5, Pages 1153-1159,2016
  8. Krittanawong, C., Zhang, H., Wang, Z., Aydar, M., & Kitai, T., Artificial intelligence in precision cardiovascular medicine. Journal of the American College of Cardiology, Vol. 69, Issue 21, Pages 2657-2664,2017
  9. Johnson, K. W., Soto, J. T., Glicksberg, B. S., Shameer, K., Miotto, R., Ali, M.,. & Dudley, J. T., Artificial intelligence in cardiology. Journal of the American College of Cardiology, Vol. 71, Issue 23,Pages 2668-2679, 2018
  10. Littman, M. L., Reinforcement learning improves behaviour from evaluative feedback. Nature, Vol. 71 521, Issue 7553, Pages 445-451, 2015
  11. Mutha,R.V., Kumar,N. and Pareek,P., “Real Time Standalone Data Acquisition System for Environmental Data”, IEEE International Conference on Power Electronics, Intelligent Control and Energy Systems (ICPEICES), 4-6 July 2016, Delhi, India 12. O. Güngör, “Kaçak Elektrik Kullanımının GSM Aracılığıyla Takibi”, T, Vol. 4, Issue 8, Pages 29-33, 2015
  12. Beken, M., Günhan, H. M., Akbulut, E., & Çapraz, T. (2017). Climate Control System For Cold Storage Depots. International Journal of Engineering Science and Application, Vol. 4 1, Issue 2, Pages 42-45, 2017
  13. Rodríguez Angarita, J. P., & Soto Herrera, C. Y. Desarrollo de un Sistema Meteorológ