Sivas iline ait meteorolojik parametrelerin Arima ve LSTM yöntemleri kullanılarak modellenmesi ve tahmini

AYDIN OZAN ÇETİNTAŞ

Sivas iline ait meteorolojik parametrelerin Arima ve LSTM yöntemleri kullanılarak modellenmesi ve tahmini

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, TARIMSAL YAPILAR VE SULAMA ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: AYDIN OZAN ÇETİNTAŞ

Danışman: Halit Apaydın

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Meteorolojik parametrelerin modellenmesi, tarımsal açıdan su ihtiyacı ve kurak dönemlerin belirlenmesi konusuna ışık tutmaktadır. Yağış ve dolayısıyla kuraklık tahmini yapılabilmesinin, su kaynaklarının daha iyi yönetimi, böylece verim artışı ve ürün kayıplarını önlemek gibi çeşitli faydaları bulunmaktadır. Tarımsal üretimle geçimini sürdüren kırsal nüfusun bu faydalardan yararlanmaları büyük önem taşımaktadır. Geçmişten günümüze birçok istatistik model ve makine öğrenmesi metodu ile meteorolojik parametrelerin tahmini yapılmıştır. Bu çalışmada, Sivas ilinin ilçelerinde ölçülmüş olan meteorolojik veriler kullanılarak ARIMA ve LSTM modellerinin tahmin başarısının ölçülmesi hedeflenmiştir. ARIMA modeli uzun yıllardır kullanılmakta olan yaygın bir model olmasına karşın LSTM modeli son yıllarda geliştirilen derin öğrenme metotlarından biridir. ARIMA modeli daha sınırlı çalışma alanına ve geliştirme alanına sahiptir. LSTM modeli ise nöron kontrolü, veri genişliği kontrolü, optimizatörler ve düzenleme katmanları ile çeşitliliğe sahip bir çalışma alanıdır. LSTM modelinde ağ yapısı ve bileşenleri, değişkenlerin çeşitliliği ve kontrol edilebilirliği ile ARIMA modeline göre üstünlük sağlamakta, daha başarılı sonuçlar elde edilmektedir. Çalışmada ARIMA modellerinde tek bir parametre kullanılırken, LSTM modellerinde parametreler hem tek hem de bir arada kullanılmıştır. Her iki yöntemde de Sivas ilinin büyük klima özelliğine sahip olan Zara, Suşehri, Ulaş, Kangal, Gemerek, Divriği istasyonlarına ait meteorolojik veriler kullanılmıştır. ARIMA modellerinde R2, 0.06-0.94 arasında değişirken, LSTM modellerinde 0.63-0.96 arasında R2 başarısı elde edilmiştir. Elde edilen sonuçlara göre bölgede meteorolojik parametrelerin tahmin edilmesinde her katmanda ReLu aktivasyonunun kullanıldığı, 8-16-32 aralığında nörona sahip LSTM katmanı, 100-300 aralığında epoch değeri, 5e-4 ve 146e-5 learning rate, 1e-2 – 1e-6 aralığında decay, Adam optimizasyonu, 8-256 aralığında batch size konfigürasyonuna sahip LSTM yönteminin en uygun alternatif olduğu belirlenmiştir.