Farklı makine öğrenmesi yaklaşımları ile Türkiye'nin solar radyasyon tahmini

Year 2024, Volume: 9 Issue: 1, 106 - 122, 15.04.2024

Taha Demirgül , Vahdettin Demir , Mehmet Faik Sevimli

https://doi.org/10.29128/geomatik.1374383

Cited By: 1

Abstract

Solar radyasyon (SR), enerji dönüşümü, yeşil bina konsepti, meteoroloji, küresel iklim değişikliği, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametrenin çeşitli yöntemlerle tahmin edilmesi gerekmektedir. Bu çalışmada, Türkiye’nin 3600 grid noktasının 2004-2021 yıllarına ait yıllık ortalama solar radyasyon değerleri (kWsa/m²) kullanılarak ülke çapında farklı test noktaları için solar radyasyon tahmini gerçekleştirilmiştir. Solar radyasyon değerleri, çok değişkenli uyarlanabilir regresyon eğrileri (MARS) ve en küçük kareler destek vektör regresyonu (LSSVR) olmak üzere 2 farklı makine öğrenmesi tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. Solar radyasyon haritaları için ise ters mesafe ağırlıklı enterpolasyon tekniği kullanılmıştır. Tahmin edilen veriler ArcMap ortamında haritalandırılmıştır. Solar radyasyon, komşu ölçüm grid noktalarına ait konum bilgileri kullanılarak tahmin edilmiştir. Modellerde kullanılan veriler, Meteoroloji Genel Müdürlüğü’nden (MGM) temin edilmiş uydu tabanlı model olan heliospheric optical satellite model (HELIOSAT) verileridir. Farklı kombinasyonlar kullanılarak test noktalarından elde edilen SR tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, karekök ortalama karesel hata, ortalama mutlak hata, ortalama mutlak bağıl hata, Nash-Sutcliffe modeli verimlilik katsayısı ve determinasyon katsayısı yöntemleri kullanılmıştır. Tahmin edilen SR değerlerine ait gidiş, saçılma grafikleri, Taylor ve Violin diyagramları oluşturulmuştur. Ayrıca Kruskal-Wallis testi ile Wilcoxon testi uygulanmıştır. Makine öğrenmesi yöntemlerinden LSSVR çok başarılı tahmin sonuçları vermiştir. Böylece, makine öğrenme algoritmalarının literatürde yer alan kabul görmüş geleneksel yöntemlere göre daha kolay ve alternatif bir yöntem olabileceği gösterilmiştir.

Keywords

Solar Radyasyon, HELIOSAT, Makine Öğrenmesi, 3600 Grid, Türkiye

Supporting Institution

KTO Karatay Üniversitesi

Project Number

10042305

Thanks

Yazarlar desteklerinden dolayı KTO Karatay Üniversitesine teşekkür etmektedir. Bu makale, 10042305 numaralı KTO Karatay Üniversitesi Bilimsel Araştırma Projesi (BAP) desteğiyle yapılmıştır. Proje kodu: 10042305

References

• Ağbulut, Ü., Gürel, A. E., & Biçen, Y. (2021). Prediction of daily global solar radiation using different machine learning algorithms: Evaluation and comparison. Renewable and Sustainable Energy Reviews, 135, 110114. https://doi.org/10.1016/j.rser.2020.110114
• Ahmad, M. J., & Tiwari, G. N. (2011). Solar radiation models—A review. International Journal of Energy Research, 35(4), 271-290. https://doi.org/10.1002/er.1690
• Alan, A., & Karabatak, M. (2020). Veri seti-sınıflandırma ilişkisinde performansa etki eden faktörlerin değerlendirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 531-540. https://doi.org/10.35234/fumbd.738007
• Alizamir, M., Kim, S., Kisi, O., & Zounemat-Kermani, M. (2020). A comparative study of several machine learning based non-linear regression methods in estimating solar radiation: Case studies of the USA and Turkey regions. Energy, 197, 117239. https://doi.org/10.1016/j.energy.2020.117239
• Aydın, H., & Düzen, H. (2011). Comparison of measured and calculated evaporation values of open water surface: The case of Lake Van (Turkey). 5th Atmospheric Science Symposium, 275-284.
• Bayram, S., & Çıtakoğlu, H. (2023). Modeling monthly reference evapotranspiration process in Turkey: application of machine learning methods. Environmental Monitoring and Assessment, 195(1), 67. https://doi.org/10.1007/s10661-022-10662-z
• Bhardwaj, S., Sharma, V., Srivastava, S., Sastry, O. S., Bandyopadhyay, B., Chandel, S. S., & Gupta, J. R. P. (2013). Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model. Solar Energy, 93, 43-54. https://doi.org/10.1016/j.solener.2013.03.020
• Bora, E., Tekeli, M., & Etöz, M. (2015). Menemen Ovasında Referans Bitki Su İhtiyacı ve Ölçülen Solar Radyasyonun Zamansal Değişimi. Anadolu Ege Tarımsal Araştırma Enstitüsü Dergisi, 25(2), 65-76.
• Citakoglu, H. (2015). Comparison of artificial intelligence techniques via empirical equations for prediction of solar radiation. Computers and Electronics in Agriculture, 118, 28-37. https://doi.org/10.1016/j.compag.2015.08.020
• Cornejo-Bueno, L., Casanova-Mateo, C., Sanz-Justo, J., & Salcedo-Sanz, S. (2019). Machine learning regressors for solar radiation estimation from satellite data. Solar Energy, 183, 768-775. https://doi.org/10.1016/j.solener.2019.03.079
• Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20, 273-297. https://doi.org/10.1007/BF00994018
• Çıtakoğlu, H., & Demir, V. (2021). Solar Radyasyonun Derin Öğrenme Kullanılarak Tahmin Edilmesi: Türkiye Örneği. International World Energy Conference, 167-175.
• De Andrés, J., Lorca, P., de Cos Juez, F. J., & Sánchez-Lasheras, F. (2011). Bankruptcy forecasting: A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines (MARS). Expert Systems with Applications, 38(3), 1866-1875. https://doi.org/10.1016/j.eswa.2010.07.117
• Demir, V., & Yaseen, Z. M. (2023). Neurocomputing intelligence models for lakes water level forecasting: a comprehensive review. Neural Computing and Applications, 35(1), 303-343. https://doi.org/10.1007/s00521-022-07699-z
• Demirgül T. (2023). Farklı makine öğrenmesi yaklaşımlarını kullanarak Türkiye'de HELİOSAT tabanlı güneş radyasyonunun modellenmesi. [Yüksek Lisans Tezi. KTO Karatay Üniversitesi].
• Demirgül, T., Demir, V., & Sevimli, M. F. (2023). Model-Ağacı (M5-tree) yaklaşımı ile HELIOSAT tabanlı güneş radyasyonu tahmini. Geomatik, 8(2), 124-135. https://doi.org/10.29128/geomatik.1137687
• Doğan, A., Başeğmez, M., & Aydın, C. C. (2023). Geniş çalışma alanlarında jeofizik ve jeoteknik ölçümlerin yerine geçebilecek vekil özelliklerin CBS ile belirlenmesi. Geomatik, 8(3), 293-305. https://doi.org/10.29128/geomatik.1161434
• Enerji İşleri Genel Müdürlüğü (2023). https://enerji.gov.tr/eigm-yenilenebilir-enerji-kaynaklar-gunes
• Friedman, J. H. (1991). Multivariate adaptive regression splines. The annals of statistics, 19(1), 1-67. https://doi.org/10.1214/aos/1176347963
• Guermoui, M., Melgani, F., Gairaa, K., & Mekhalfi, M. L. (2020). A comprehensive review of hybrid models for solar radiation forecasting. Journal of Cleaner Production, 258, 120357. https://doi.org/10.1016/j.jclepro.2020.120357
• Gül, M., & Çelik, E. (2017). ANFIS kullanılarak Tunceli ili için global güneş radyasyonu tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8(4), 891-899.
• Güzel, B., Sevli, O., & Okatan, E. (2023). Predicting Solar Radiation Based on Meteorological Data Using Machine Learning Techniques: A Case Study of Isparta. International Journal of Engineering Research and Development, 15(2), 704-713. https://doi.org/10.29137/umagd.1268055
• Jiang, Y. (2009). Computation of monthly mean daily global solar radiation in China using artificial neural networks and comparison with other empirical models. Energy, 34(9), 1276-1283. https://doi.org/10.1016/j.energy.2009.05.009
• Kılıç, B., & Kumaş, K. (2019). Burdur ili güneşlenme değerlerinin yapay sinir ağlari metodu ile tahmini. Teknik Bilimler Dergisi, 6(1), 38-44.
• Krige, D. G. (1951). A statistical approach to some basic mine valuation problems on the Witwatersrand. Journal of the Southern African Institute of Mining and Metallurgy, 52(6), 119-139.
• Kuncan, F., & Şahin, M. (2017, September). Yapay sinir aği ve uydu datalari kullanilarak güneş radyasyonunun tahmini. In 2017 International Artificial Intelligence and Data Processing Symposium (IDAP), 1-10. https://doi.org/10.1109/IDAP.2017.8090288
• Meteoroloji Genel Müdürlüğü. (2022). https://mgm.gov.tr/kurumici/radyasyon_iller.aspx
• Nash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through conceptual models part I—A discussion of principles. Journal of Hydrology, 10(3), 282-290. https://doi.org/10.1016/0022-1694(70)90255-6
• Ozgoren, M., Bilgili, M., & Sahin, B. (2012). Estimation of global solar radiation using ANN over Turkey. Expert systems with applications, 39(5), 5043-5051. https://doi.org/10.1016/j.eswa.2011.11.036
• Sharda, V. N., Patel, R. M., Prasher, S. O., Ojasvi, P. R., & Prakash, C. (2006). Modeling runoff from middle Himalayan watersheds employing artificial intelligence techniques. Agricultural Water Management, 83(3), 233-242. https://doi.org/10.1016/j.agwat.2006.01.003
• Shepard, D. (1968). A two-dimensional interpolation function for irregularly-spaced data. Proceedings of the 1968 23rd ACM national conference, 517-524. https://doi.org/10.1145/800186.810616
• Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14, 199-222. https://doi.org/10.1023/B:STCO.0000035301.49549.88
• Sozen, A., & Arcaklioglu, E. (2005). Solar potential in Turkey. Applied Energy, 1(80), 35-45. https://doi.org/10.1016/j.apenergy.2004.02.003
• Suykens, J. A. (2001). Support vector machines: a nonlinear modelling and control perspective. European Journal of Control, 7(2-3), 311-327. https://doi.org/10.3166/ejc.7.311-327
• Suykens, J. A., & Vandewalle, J. (1999). Least squares support vector machine classifiers. Neural processing letters, 9, 293-300. https://doi.org/10.1023/A:1018628609742
• Şeker, M. (2021). Yapay Sinir Ağı (YSA) Kullanılarak Meteorolojik Verilere Dayalı Solar Radyasyon Tahmini. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(69), 923-935. https://doi.org/10.21205/deufmd.2021236920
• Taylan, E. D., & Damçayırı, D. (2016). Isparta bölgesi yağış değerlerinin IDW ve Kriging enterpolasyon yöntemleri ile tahmini. Teknik Dergi, 27(3), 7551-7559.
• Uncuoglu, E., Citakoglu, H., Latifoglu, L., Bayram, S., Laman, M., Ilkentapar, M., & Oner, A. A. (2022). Comparison of neural network, Gaussian regression, support vector machine, long short-term memory, multi-gene genetic programming, and M5 Trees methods for solving civil engineering problems. Applied Soft Computing, 129, 109623. https://doi.org/10.1016/j.asoc.2022.109623
• Wang, L., Kisi, O., Zounemat‐Kermani, M., Zhu, Z., Gong, W., Niu, Z., ... & Liu, Z. (2017). Prediction of solar radiation in China using different adaptive neuro‐fuzzy methods and M5 model tree. International Journal of Climatology, 37(3), 1141-1155. https://doi.org/10.1002/joc.4762
• Yaseen, Z. M. (2021). An insight into machine learning models era in simulating soil, water bodies and adsorption heavy metals: Review, challenges and solutions. Chemosphere, 277, 130126. https://doi.org/10.1016/j.chemosphere.2021.130126
• Yaseen, Z. M., Kisi, O., & Demir, V. (2016). Enhancing long-term streamflow forecasting and predicting using periodicity data component: application of artificial intelligence. Water resources management, 30, 4125-4151. https://doi.org/10.1007/s11269-016-1408-5
• Yilmaz, C. B., Bodu, H., Yüce, E. S., Demir, V., & Sevimli, M. F. (2023). Türkiye’nin uzun dönem ortalama sıcaklık (°C) değerlerinin üç farklı enterpolasyon yöntemi ile tahmini. Geomatik, 8(1), 9-17. https://doi.org/10.29128/geomatik.984310
• Yüksel, S. (2016). Türkiye’de cari işlemler açığının belirleyicileri: Mars yöntemi ile bir inceleme. Bankacılar Dergisi, 96(27), 102-121.