Upload
others
View
11
Download
0
Embed Size (px)
Citation preview
GÜNLÜK GÜNEŞLENME SÜRESİNİN
DESTEK VEKTÖR MAKİNELERİ İLE
TAHMİN EDİLMESİ
Kazım KABA
Çukurova Üniversitesi, Fizik Bölümü
Adana
A. Emre Tekeli
Çankırı Karatekin Üniversitesi, İnşaat Müh.
Çankırı
H. Mustafa KANDIRMAZ
Çukurova Üniversitesi, Fizik Bölümü
Adana
Bu çalışmada, destek vektör makineleri (DVM) yöntemiyle uydu görüntüleri ve coğrafik veriler
kullanılarak Türkiye için günlük güneşlenme süresi (GS) tahmin edilmiştir. Çalışmada ilk
olarak GS’ni etkileyen atmosferik ve coğrafik parametrelerin günlük veri seti oluşturulmuştur.
Bu veri seti, Meteosat uydusuna ait SEVIRI sensörünün termal kanalları, Suomi-NPP VIIRS
sensörünün solar kanalları ile atmosfer dışı güneş ışınımı, gün uzunluğu, güneş saat açısı,
deklinasyon açısı, julien günü, konum (enlem, boylam, yükseklik) ve zaman (yıl, ay, gün) olmak
üzere 27 farklı parametreyi içermektedir. Bu değişkenler arasından en uygun seçimler
yapılarak modelin girdileri tespit edilmiştir. DVM için en uygun fonksiyon ve parametreleri
kullanılarak Türkiye’yi 600 m yersel çözünürlükteki pikseller ile kapsayacak şekilde her piksel
için GS tahminleri yapılarak GS haritaları oluşturulmuştur. Modelin eğitim ve test sonuçları
için hata hesaplamaları yer gözlemleri kullanılarak yapılmıştır. Çalışmada modelin eğitim
sonuçları için R2 0.8059 ve MAE 1.0801 ve test sonuçları için R2 0.7572 ve MAE 1.3427 olarak
bulunmuştur.
Anahtar Kelimeler: Destek vektör makineleri, Güneşlenme süresi, Meteosat SEVIRI, Suomi-
NPP VIIRS, Türkiye
1. GİRİŞ
Güneşlenme süresi (GS) iklim, tarım, enerji, hidroloji gibi alanlardaki çalışmalar için en önemli
verilerden biridir [1, 2]. Yüzeye gelen güneş enerjisinin hesaplanmasında birçok meteorolojik ve
coğrafik parametre kullanılmasına rağmen en önemli veri GS’dir [3]. GS bitkilerin ne kadar
süreyle güneş enerjisine maruz kaldığı bilgisine bağlı olarak ürün tahminlerinde sıkça kullanılan
bir veridir [4]. İklim değişikliğinin belirlenmesinde GS kritik önem taşır [5]. Fotovoltaik
panellerin yerleştirileceği alanlar için yıllık GS belirli saatin üzerinde olan yerlerin tespit edilmesi
önemli rol oynamaktadır [6]. GS’nin alansal ve zamansal dağılımının ölçüm yapılamayan alanlar
için doğru tahmin edilmesi yukarıda sayılan uygulamalar için büyük önem taşır.
Ülkemizde GS ölçümleri Meteoroloji Genel Müdürlüğü (MGM) tarafından yer istasyonlarında
uzun yıllardır helyograf ile ve son yıllarda yeni dijital cihazlarla (Sunshine Duration Meter)
yapılmaktadır. Ölçüm yapılan noktalar arasında kalan bölgeler için bu ölçüm değerlerini kullanan
ekstrapolasyon ve interpolasyon yöntemleriyle tahmin yapılır. Uygulanan bu yöntemlerin
sonuçları yüksek oranda hata içermektedir.
Bir bölgeye ait GS o bölge üzerinde atmosferdeki değişkenlerden özellikle bulut, sıcaklık, aerosol,
su buharı ve coğrafik konum ile yakından ilgilidir. Günümüzde bunlar gibi atmosferik değişkenler
uydu kayıtlarından türetilmektedir. Uydu veri sağlayıcıları tarafından kullanıcılara sunulan ilk
seviye veri radyans verisidir. Üretilen bütün ürünlerin temelinde bu radyans verisi bulunmaktadır.
Uydu kanalının kayıt yaptığı dalga boyu aralığına göre radyans verisinden öncelikle yansıma (r)
ve parlaklık sıcaklığı (BT) hesaplanmaktadır. Bu çalışmada günlük GS’ni tahmin etmek amacıyla
r ve BT verilerini kullanan model geliştirilmiştir.
Son yıllarda birçok alanda makine öğrenme algoritmaları kullanılmaktadır [7-13]. Özellikle yapay
sinir ağları (YSA) birçok alanda kullanıldığı gibi güneş enerjisi ve GS tahminlerinde de
kullanılmakta ve tatmin edici sonuçlar vermektedir [14-18]. Araştırmacılar, özellikle enerji
hesaplamalarında çeşitli makine öğrenme algoritmalarının sonuçlarını karşılaştırmışlardır. Yapılan
çalışmalarda nispeten yeni bir yöntem olan DVM’nin diğer algoritmalardan daha iyi sonuçlar
verdiği belirtilmiştir [7, 19, 20]. Bu çalışmada da diğer makine öğrenme algoritmalarına göre
avantajlarından dolayı DVM kullanılmıştır.
2. MATERYAL VE METOD
2.1. Çalışma Alanı ve Kullanılan Veriler
Bu çalışmada Türkiye’nin günlük GS’ni tahmin etmek amacıyla farklı yöntemlerle elde edilmiş
veriler ile çalışılmıştır. Bu veriler 2013 ile 2015 yılları arasındaki üç yıllık zaman dilimini ve 35-
43 kuzey enlemleri ile 25-46 doğu boylamları arasını kapsamaktadır. Çalışmada kullanılan verileri
başlıca dört grupta toplamak mümkündür. Yer verisi olarak MGM tarafından gözlem
istasyonlarında ölçülen GS kullanılmıştır. Coğrafik veriler ise zaman (yıl, ay, gün), konum (enlem,
boylam, yükseklik), julien günü, deklinasyon açısı, güneş saat açısı, gün uzunluğu ve atmosfer dışı
güneş ışınımından oluşmaktadır. Sabit yörüngeli uydu verileri için, Meteosat uydusundaki SEVIRI
sensörüne ait yedi adet termal kanal verileri kullanılmıştır. Kutupsal yörüngeli uydu verileri ise
Suomi-NPP uydusundaki VIIRS sensörüne ait dokuz adet solar kanal verisinden oluşmaktadır.
Dünya Meteoroloji Örgütünün (WMO, 2010) tanımına göre, GS verilen bir periyod boyunca birim
alana ulaşan direkt güneş radyasyonunun 120 W/m2 eşik değerine eşit veya geçtiği sürelerin
toplamıdır. Julien gün sayısı (j) yılın günlerine verilen sayısal değerleri ifade etmektedir.
Deklinasyon açısı (δ) güneş ışınlarının ekvator düzlemi ile yaptığı açıdır. δ j’ye bağlı olup eşitlik 1
ile hesaplanır. Güneş saat açısı (ωs) güneş ışınlarının bulunduğu boylam ile gözlemcinin
bulunduğu boylam arasındaki açıdır. Φ enlem açısı olmak üzere eşitlik 2 ile hesaplanır. Güneşin
doğuş saati ile batış saati arsındaki zaman dilimi gün uzunluğu (S0) veya maksimum güneşlenme
süresi olarak tanımlanır. Gün uzunluğu eşitlik 3 ile hesaplanır. Atmosfer dışı güneş ışınımı (𝐺,
MJ/m2/gün biriminde) eşitlik 4 ile hesaplanır. 𝐺𝑠𝑐 güneş sabiti olup 0.0820 MJ/ m2/dakika
değerindedir. Denklemde d ters bağıl Dünya-Güneş uzaklığı olup eşitlik 5 ile hesaplanır [21].
δ = 0.409 ∗ sin[(2 ∗ π ∗ j 365⁄ ) − 1.39] (1)
ωs = cos−1(−tan Φ ∗ tan δ) (2)
S0 = 24 ∗ ωs π⁄ (3)
G = (24∗60
π) ∗ Gsc ∗ d ∗ [ωs sin φ sin δ + cos φ cos δ sin ωs] (4)
d = 1 + 0.033 cos(2πj/365) (5)
SEVIRI Level 1.5 verisi, uydu ham verisinden (Level 1.0) üretilen MSG’nin başlıca ürünlerinden
birini oluşturur. Level 1.5 verisi istenmeyen tüm radyometrik ve geometrik etkilerin düzeltildiği,
standartlaşmış bir projeksiyon kullanılarak konumlandırıldığı ve kalibrasyon ile radyans
lineerleştirilmesinin yapıldığı bir görüntüdür. Bu veri meteorolojik ürün türetmek ve daha fazla
meteorolojik işlem için temel veridir. VIIRS SDR (Level 1B) radyometrik kalibrasyon
algoritması, RDR içerisindeki VIIRS algılayıcısının kayıtlarından elde edilen sayı değerlerini
(Digital Number - DN) radyans ile reflektans ya da parlaklık sıcaklığına dönüştürür. SDR radyans
ile reflektans ya da parlaklık sıcaklığı verilerinin yanı sıra, piksel jeolokasyonu ile arazi
yüksekliği, uydu-yer aralığı gibi ilgili jeolokasyon verilerini de içermektedir.
2.2. Yinelemeli öznitelik eleme
Regresyon veya sınıflandırma amaçlı olsun bir uygulamada, bilgi değeri yüksek olduğu düşünülen
tüm gözlem veya ölçme verileri girdi olarak alınır. Öte yandan geliştirilecek modelin karmaşıklığı
girdi sayısına bağlıdır. Girdi sayısı modeli eğitmenin zaman ve uzay karmaşıklığını ve gerekli
öğrenme örneği sayısını belirleyen bir unsurdur. Çoğu öğrenme algoritmasında karmaşıklık, veri
örneklemi büyüklüğüne ve girdi boyutuna bağlıdır. Eğer bir girdinin ayırt edici olmadığı bilinirse
onu elde etmek veya ölçmek için gereken uğraş ve bedelden tasarruf edilebilir. Küçük veri
setlerinde daha basit modeller daha güvenilir olur. Veri seti daha az değişkenle açıklandığında
bilgi çıkarımı daha kolay, kontrol edilebilirliği daha yüksek olur [22]. Bu nedenlerle bu çalışmada
yinelemeli öznitelik eleme (YÖE) yöntemi kullanılmıştır. YÖE Guyon [23] tarafından geliştirilmiş
öznitelik seçim algoritmasıdır. N boyutlu veri setinde r<N olmak üzere r boyutlu en iyi alt kümeyi
bulmayı amaçlamaktadır. YÖE lineer DVM kullanan bir algoritmadır. Algoritma DVM’nin
düzenleme terimi olan 1
2∥ 𝜔 ∥2 ifadesini özellik sıralama kriteri olarak kullanmaktadır. Her bir
iterasyonda, ağırlık vektörüne (𝜔) ait katsayılar tüm özniteliklerin sıralama puanının
hesaplanmasında kullanılır. En küçük sıralama puanına sahip özellik elenir.
2.3. Destek Vektör Makineleri
DVM Vapnik tarafından geliştirilmiş eğitimli öğrenmeye dayanan yapay öğrenme algoritmasıdır.
Ortaya konulduğu zamandan beri örüntü tanıma, sınıflandırma ve regresyon problemlerinde
yaygın olarak kullanılmaktadır. Öncelikle sınıflandırma için geliştirilen yöntem daha sonra Cortes
ve Vapnik tarafından regresyon problemlerinin çözümü için genişletilmiştir. DVM öğrenmesi
genel hatanın üst sınırını minimize eden yapısal risk minimizasyonu prensibine dayanır [24, 25].
DVM lineer ve lineer olmayan problemlere uygulanabilir. Doğrusal ayrılamayan veri
problemlerinde daha yüksek boyutlu özellik uzayı lineer olmayan bir kernel metoduyla
değerlendirilir [7, 26]. Eğitim verisi kuadratik programlama yardımıyla doğrudan yüksek boyutlu
özellik uzayına haritalanır. Bu uzayda bir veya daha fazla hiperdüzlem oluşturulur. Bu
hiperdüzlemler destek vektörleri olarak adlandırılan seçilmiş veriler dikkate alınarak oluşturulan
maksimum aralığa (marjin) sahiptir. Yüksek boyutlu uzaydaki çözüm bir dışbükey optimizasyona
dönüştürülür. Bu nedenle yerel minimum problemleri yoktur. YSA gibi çok katmanlı
algılayıcıların tersine, DVM çözümü tektir. Kernel metotları özellikle regresyon problemlerinde
büyük öneme sahiptir. DVM’nin bu avantajları ve verimliliği onu mühendislik ve bilimsel
problemler için popüler bir metot yapmaktadır [27].
Vapnik teorisine dayanan DVM denklemleri eşitlik 6’dan 10’a kadar ifade edilmiştir [7, 28, 29].
Örnek verinin girdi uzay vektörü 𝑥𝑖, çıktı değerler 𝑑𝑖 ve eğitim veri sayısı 𝑙 olmak üzere {𝑥𝑖, 𝑑𝑖}𝑖𝑙
şeklinde bir veri seti ele alalım. DVM eşitlik 6 ile verilen fonksiyona yakınsamayı amaçlar.
𝑓(𝑥) = ⟨𝜔, 𝑥⟩ + 𝑏 (6)
𝑅𝑆𝑉𝑀𝑠(𝐶) =1
2∥ 𝜔 ∥2+ 𝐶
1
𝑙∑ 𝐿𝜀(𝑥𝑖, 𝑑𝑖)𝑙
𝑖=1 (7)
Eşitlik 7’de 𝑅𝑆𝑉𝑀𝑠(𝐶) düzenlenmiş risk fonksiyonunu, 1
2∥ 𝜔 ∥2 düzenleme terimini ve
𝐶1
𝑙∑ 𝐿𝜀(𝑥𝑖, 𝑑𝑖)𝑛
𝑖=1 ampirik hatayı ifade eder. 𝐿𝜀(𝑥𝑖, 𝑑𝑖) kayıp fonksiyonu ve 𝐶 düzenleme terimi
ile ampirik hata arasındaki farkı ayarlamak için kullanılan hata ceza faktörüdür. Hiper düzlemin
iki yanında sapma olabileceği için kenardan sapmayı gösteren 𝜉𝑖, 𝜉𝑖∗ ≥ 0 artık değişkenleri
tanımlanır. 𝜉𝑖, 𝜉𝑖∗ değişkenlerinin denkleme girmesiyle eşitlik 8’deki düzenlenmiş risk fonksiyonu
elde edilir [7, 30]. Eşitlik 8’e Lagrange çarpanlarının eklenmesi ve optimum kısıtlamalar ile eşitlik
9 elde edilir [28, 31].
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑒 𝑅𝑆𝑉𝑀𝑠(𝜔, 𝜉𝑖, 𝜉𝑖∗) =
1
2∥ 𝜔 ∥2+ 𝐶 ∑ (𝜉𝑖 + 𝜉𝑖
∗)𝑙
𝑖=1 (8)
Kısıtlamalar; {
𝑑𝑖 − ⟨𝜔, 𝑥𝑖⟩ − 𝑏 ≤ 𝜀 + 𝜉𝑖
⟨𝜔, 𝑥𝑖⟩ + 𝑏 − 𝑑𝑖 ≤ 𝜀 + 𝜉𝑖∗
𝜉𝑖, 𝜉𝑖∗ ≥ 0, 𝑖 = 1,2,3, … , 𝑙
𝐿 = 1
2∥ 𝜔 ∥2+ 𝐶 ∑ (𝜉𝑖 + 𝜉𝑖
∗)𝑙
𝑖=1− ∑ 𝛼𝑖(𝜀 + 𝜉𝑖 − 𝑑𝑖 + ⟨𝜔, 𝑥𝑖⟩ + 𝑏)𝑙
𝑖=1 − ∑ 𝛼𝑖∗(𝜀 + 𝜉𝑖
∗ + 𝑑𝑖 −𝑙
𝑖=1
⟨𝜔, 𝑥𝑖⟩ − 𝑏) − ∑ (𝜂𝑖𝜉𝑖 + 𝜂𝑖∗𝜉𝑖
∗)𝑙
𝑖=1 (9)
burada 𝛼𝑖, 𝛼𝑖∗, 𝜂𝑖 ve 𝜂𝑖
∗ ≥ 0 ve bu katsayılara Lagrange çarpanları denir. 𝜔, 𝑏, 𝜉𝑖 ve 𝜉𝑖∗
değişkenlerine göre 𝐿 denkleminin minimize edilmesiyle 𝜔 ve eşitlik 10 elde edilir. [28, 31].
Eşitlik 10’da ⟨𝑥𝑖, 𝑥𝑗⟩ çarpımı yerine bir 𝐾(𝑥𝑖 , 𝑥𝑗) çekirdeği ve (𝑥, 𝑥𝑖) yerine 𝐾(𝑥, 𝑥𝑖) =
𝜑(𝑥) 𝜑(𝑥𝑖) çekirdek (kernel) fonksiyonu kullanılarak lineer olmayan regresyon işlemi
gerçekleştirilir. Denklemdeki diğer bilinmeyen 𝑏 (bias) katsayısı Karush-Kuhn-Tucker (KKT)
şartları ile bulunur [28]. KKT koşullarından iki sonuç çıkarılır. Birincisi örnek veriler sadece 𝛼𝑖 =
𝐶 ve 𝛼𝑖∗ = 𝐶 iken 𝜀 tüpü içinde bulunur. İkincisi ise 𝛼𝑖 ∗ 𝛼𝑖
∗ = 0, aynı anda sıfırdan farklı 𝛼𝑖 ile
𝛼𝑖∗ değişkenleri bulunmaz.
𝜔 = ∑ (𝛼𝑖 − 𝛼𝑖∗)𝑥𝑖
𝑙
𝑖=1
𝑓(𝑥, 𝛼𝑖, 𝛼𝑖∗) = ∑ (𝛼𝑖 − 𝛼𝑖
∗)⟨𝑥𝑖, 𝑥⟩𝑙
𝑖=1+ 𝑏 (10)
{𝑏 = 𝑑𝑖 − ⟨𝜔, 𝑥𝑖⟩ − 𝜀, 𝛼𝑖 𝜖 (0, 𝐶)𝑖𝑠𝑒
𝑏 = 𝑑𝑖 − ⟨𝜔, 𝑥𝑖⟩ + 𝜀, 𝛼𝑖∗ 𝜖 (0, 𝐶)𝑖𝑠𝑒
DVM’nde yaygın kullanılan çekirdek fonksiyonlarından RBF, lineer, polinom, ve sigmoid
fonksiyonlarının denklemleri aşağıda verilmiştir.
RBF: exp (−𝛾|𝑥 − 𝑥𝑖|2) Polinom: (𝛾⟨𝑥, 𝑥𝑖⟩ + 𝑟)𝑑
Lineer: ⟨𝑥, 𝑥𝑖⟩ Sigmoid: tanh(𝛾⟨𝑥, 𝑥𝑖⟩ + 𝑟)
2.4. Hata hesaplamaları
Kullanılan modelin başarısını tespit etmek ve sonuçları değerlendirmek için MBE (Mean Bias
Error), MAE (Mean Absolute Error), RMSE (Root Mean Square Error) ve R2 (Determination of
coeficient) eşitlik 11’den 14’e kadar verilen denklemlerle hesaplanırlar. MBE değeri yapılan
tahminin eksik veya fazla olduğu bilgisini içerir. Eğer MBE negatif ise yapılan tahminin gerçek
değerden az, pozitif ise yapılan tahminin gerçek değerden fazla olduğunu ifade eder. MAE ve
RMSE değerleri ise ortalama hatanın büyüklüğünü verirler. R2 iki nicelik arasındaki ilişkinin
büyülüğünü ifade eder. Bu formüllerde n örnek sayısını, Ei tahmin edilen değerleri, Oi ölçülen
değerleri, Ē tahmin edilen değerlerin ortalamasını, Ō ölçülen değerlerin ortalamasını ifade
etmektedir. Bu çalışmada Ei tahmin edilen güneşlenme süresine, Ē tahmin edilen güneşlenme
sürelerinin ortalamasına, Oi meteorolojik istasyonlarda ölçülen güneşlenme süresine, Ō ise
meteorolojik istasyonlarda ölçülen güneşlenme sürelerinin ortalamasına karşılık gelmektedir.
MBE =∑ (Ei−Oi)n
i=1
n (11)
MAE =∑ |Ei−Oi|n
i=1
n (12)
RMSE = √∑ (Ei−Oi)2n
i=1
n (13)
R2 =[∑ (Ei−E̅)n
i=1 (Oi−O̅)]2
∑ (Ei−E̅)2ni=1 ∑ (Oi−O̅)n
i=12 (14)
3. BULGULAR VE TARTIŞMA
GS’nin tahmini için günlük veri seti içerisindeki 27 adet nitelik önem sırasına göre sıralanmıştır.
Bu sıralı parametrelerden en önemli 11 tanesi seçilmiş ve sıralı parametreler içinde önemli sırada
bulunmamasına rağmen, modelin hata değerlerini iyileştirdiği ve bir pikseli tanımlayan bilgi
olduğu için enlem boylam parametreleri de modele girdi olarak eklenmiştir. Böylece günlük
değerlerin tahmini için en başarılı modelin girdi sayısı 13 olarak belirlenmiştir. Bu girdiler önem
sırasına göre Tablo 1’de verilmiştir. Belirlenen girdiler ile 𝛾 ve 𝐶 parametreleri araştırılarak en iyi
tahmin için 𝛾 = 0.8 ve 𝐶 = 1.5 olarak bulunmuş ve 𝜀 = 0.1 değeri ile fonksiyonda kullanılmıştır.
Bulunan bu parametreler ile günlük model eğitilerek test edilmiştir. İşlemler sonucunda karar
fonksiyonundaki 𝑏 (bias) sabiti 4.4123 olarak bulunmuştur.
Tablo 1. Modelin girdi parametreleri
Önem Sırası Girdi İsmi Önem Sırası Girdi İsmi
1 SEVIRI 7. Kanal (8.7 µm) 8 VIIRS 7. Kanal (0.865 µm)
2 SEVIRI 9. Kanal (10.8 µm) 9 VIIRS 8. Kanal (1.240 µm)
3 SEVIRI 10. Kanal (12 µm) 10 VIIRS 5. Kanal (0.672 µm)
4 SEVIRI 11. Kanal (13.4 µm) 11 Ay
5 Atmosfer Dışı Güneş Işınımı 12 Boylam
6 Deklinasyon Açısı 13 Enlem
7 VIIRS 4. Kanal (0.555 µm)
Şekil 1’de üsteki grafik eğitim sonuçlarını, alttaki grafik ise test sonuçlarını göstermektedir. Yatay
eksen veri sayısını düşey eksen ise GS’ni ifade etmektedir. Grafiklerdeki mavi kesikli çizgiler yer
istasyonlarında ölçülen GS değerleri, kırmızı kesikli çizgiler ise yapılan tahminlerin değerleridir.
Şekil 2’de modelin dağlım grafikleri verilmiştir. Soldaki grafik eğitim sonuçlarını, sağdaki grafik
test sonuçlarını göstermektedir. Grafiklerde yatay eksenler yer ölçümlerine, düşey eksenler ise
yapılan tahmin değerlerine karşılık gelmektedir. Bu grafiklerde veri dağılımına uygulanan doğru
ve denklemi ile belirleme katsayısı R2 verilmiştir. Eğitim aşaması için R2 = 0.8059 ve test aşaması
için R2 = 0.7572 olarak bulunmuştur.
Şekil 1. Modelin eğitim ve test aşamalarının simülasyonu
Şekil 2. Günlük modelin eğitim ve test aşamalarının dağlım grafikleri
Şekil 3’te üretilen GS haritası ve aynı günün uydu görüntüsü verilmiştir. Üstteki görüntü VIIRS 4.
kanal verisidir. Haritada Ege, iç Anadolu ve Akdeniz bölgesi yüksek güneşlenme değerlerine
sahip iken Türkiye’nin doğusu ve Karadeniz kıyıları düşük güneşlenme değerlerine sahiptir.
VIIRS kanal görüntüsü incelendiğinde Karadeniz kıyıları ve doğu bölgemizin bulutlu olduğu ve
bu bölgeler için GS haritasındaki düşük değerler üretildiği görülebilir. Ayrıca Marmara denizinin
doğusundaki bulutlanma gibi çok küçük bulut etkileri de GS haritasına yansımıştır. Tablo 2’de
günlük modeli değerlendirmek için yapılan hata hesapları verilmiştir. Bu tablo incelendiğinde
MBE değerleri eğitim aşaması için -0.2340 saat ve test aşaması için -0.2337 saat bulunmuştur.
Ortalama hatanın büyüklüğünü veren MAE ve RMSE eğitim aşaması için 1.0801 ve 1.9067 saat,
test aşaması için ise 1.3427 ve 2.1282 saat olarak bulunmuştur. RMSE değerleri biraz yüksek
olmakla beraber sonuçlar bu konuda yapılan çalışmalar ile uyumludur.
Şekil 3. 18-07-2015 tarihli yansıma ve günlük güneşlenme süresi görüntüleri
Tablo 2. Modelin istatistiksel sonuçları
MBE MAE RMSE R2
Eğitim -0.2340 1.0801 1.9067 0.8059
Test -0.2337 1.3427 2.1282 0.7572
4. SONUÇLAR
Girdiler incelendiğinde (Tablo 1), SEVIRI algılayıcısının kanal verileri önem sırası bakımından
diğer girdilerden önemli çıkmıştır. Yer ve atmosferimize dair günlük değişen bilgi içeren bu kanal
verileri, GS tahmininin doğruluğuna coğrafik parametrelerden ve VIIRS verilerinden daha fazla
katkı yapmaktadır. SEVIRI kanallarından yeryüzü ve bulutlar hakkında bilgi veren yedi ve
dokuzuncu kanal tahminde en önemli ilk iki girdi olmuştur. Yeryüzü, bulutlar ve atmosferik
karasızlık hakkında bilgi içeren SEVIRI 10. kanal ve sirrus bulutları ile atmosferik kararsızlık
hakkında bilgi veren SEVIRI 11. kanal üç ve dördüncü girdiler olmuştur. SEVIRI kanal
verilerinden sonraki önemli girdi atmosfer dışı güneş ışınımı ve deklinasyon açısı olmuştur. VIIRS
algılayıcısının öncelikli olarak okyanus ve aerosol konularında uygulama alanı bulan görünür
bölge de kayıt yapan dört, beş ve yedinci kanalları ile bulut parçacık boyutu bilgisini veren
sekizinci kanal verileri modelin girdileri olarak bulunmaktadır. Bu girdilere ek olarak ay, enlem,
ve boylam bilgisi hata değerlerini düşürerek modellerin başarısını yükselttiği için tahmin
modelinin girdilerine eklenmiştir. Modelin girdileri incelendiğinde SEVIRI termal kanal
verilerinden dalga boyu büyük olan kanallar tahmin için daha önemlidir. VIIRS algılayıcısından
alınan solar kanal verilerinden ise görünür bölge ve yakın kızılötesinde kayıt yapan kısa dalga
boylu kanallar GS tahmini için önemli çıkmıştır. Coğrafik verilerde ise çok sayıda parametreye
bağlı olarak hesaplanan atmosfer dışı güneş ışınımı GS tahmini için önemli çıkmıştır.
KAYNAKLAR
[1] Suehrcke, H., R.S. Bowden, and K.G.T. Hollands, Relationship between sunshine duration and solar
radiation. Solar Energy, 2013. 92: p. 160-171.
[2] Wild, M., et al., From dimming to brightening: Decadal changes in solar radiation at Earth's surface.
Science, 2005. 308(5723): p. 847-850.
[3] Trnka, M., et al., Global solar radiation in Central European lowlands estimated by various empirical formulae. Agricultural and Forest Meteorology, 2005. 131(1-2): p. 54-76.
[4] Devanathan, M., Weather and the yield of a crop. Experimental Agriculture, 1975. 11(03): p. 183-186.
[5] Sanchez-Lorenzo, A., et al., Dimming/brightening over the Iberian Peninsula: Trends in sunshine
duration and cloud cover and their relations with atmospheric circulation. Journal of Geophysical
Research-Atmospheres, 2009. 114.
[6] Jain, A., R. Mehta, and S.K. Mittal, Modeling impact of solar radiation on site selection for solar PV
power plants in India. International Journal of Green Energy, 2011. 8(4): p. 486-498.
[7] Ch, S., et al., A Support Vector Machine-Firefly Algorithm based forecasting model to determine malaria transmission. Neurocomputing, 2014. 129: p. 279-288.
[8] Ding, F.L. and L.M. Sun, Prediction of Tobacco Sales Based on Support Vector Machine. Liss 2014,
2015: p. 891-896.
[9] Sen, Z., Fuzzy algorithm for estimation of solar irradiation from sunshine duration. Solar Energy,
1998. 63(1): p. 39-49.
[10] Tehrany, M.S., B. Pradhan, and M.N. Jebur, Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. Journal of Hydrology, 2014. 512: p.
332-343.
[11] Unal, Y., T. Kindap, and M. Karaca, Redefining the climate zones of Turkey using cluster analysis. International Journal of Climatology, 2003. 23(9): p. 1045-1055.
[12] Zheng, B.J., et al., A support vector machine to identify irrigated crop types using time-series Landsat
NDVI data. International Journal of Applied Earth Observation and Geoinformation, 2015. 34: p. 103-
112.
[13] Chapelle, O., P. Haffner, and V.N. Vapnik, Support vector machines for histogram-based image classification. Ieee Transactions on Neural Networks, 1999. 10(5): p. 1055-1064.
[14] Al-Alawi, S.M. and H.A. Al-Hinai, An ANN-based approach for predicting global radiation in
locations with no direct measurement instrumentation. Renewable Energy, 1998. 14(1-4): p. 199-204.
[15] Eissa, Y., et al., Artificial neural network based model for retrieval of the direct normal, diffuse
horizontal and global horizontal irradiances using SEVIRI images. Solar Energy, 2013. 89: p. 1-16.
[16] Kandirmaz, H.M., K. Kaba, and M. Avci, Estimation of Monthly Sunshine Duration in Turkey Using
Artificial Neural Networks. International Journal of Photoenergy, 2014.
[17] Rahimikhoob, A., Estimating sunshine duration from other climatic data by artificial neural network for ET0 estimation in an arid environment. Theoretical and Applied Climatology, 2014. 118(1-2): p. 1-
8.
[18] Yadav, A.K. and S.S. Chandel, Solar radiation prediction using Artificial Neural Network techniques: A review. Renewable & Sustainable Energy Reviews, 2014. 33: p. 772-781.
[19] Javadi, F., M.M. Ahmadi, and K. Qaderi, Estimation of River Bedform Dimension Using Artificial Neural Network (ANN) and Support Vector Machine (SVM). Journal of Agricultural Science and
Technology, 2015. 17(4): p. 859-868.
[20] Kaytez, F., et al., Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines. International Journal of Electrical Power &
Energy Systems, 2015. 67: p. 431-438.
[21] Allen, R.G., et al., Crop evapotranspiration-Guidelines for computing crop water requirements-FAO
Irrigation and drainage paper 56. FAO, Rome, 1998. 300(9): p. D05109.
[22] Alpaydın, E., Yapay Öğrenme. 2013, Boğaziçi Üniversitesi Yayınevi: İstanbul.
[23] Guyon, I., et al., Gene selection for cancer classification using support vector machines. Machine
learning, 2002. 46(1-3): p. 389-422.
[24] Cortes, C. and V. Vapnik, Support-Vector Networks. Machine Learning, 1995. 20(3): p. 273-297.
[25] Vapnik, V., S.E. Golowich, and A. Smola, Support vector method for function approximation,
regression estimation, and signal processing. Advances in Neural Information Processing Systems 9,
1997. 9: p. 281-287.
[26] Vapnik, V.N. and S. Mukherjee, Support vector method for multivariate density estimation. Advances
in Neural Information Processing Systems 12, 2000. 12: p. 659-665.
[27] Kaba, K., H. Kandirmaz, and M. Avci, Estimation of Daily Sunshine Duration Using Support Vector
Machines. International Journal of Green Energy, 2016(just-accepted).
[28] Smola, A.J. and B. Schölkopf, A tutorial on support vector regression. Statistics and computing, 2004.
14(3): p. 199-222.
[29] Kim, S., J. Shiri, and O. Kisi, Pan evaporation modeling using neural computing approach for
different climatic zones. Water Resources Management, 2012. 26(11): p. 3231-3249.
[30] Chen, J.-L., et al., Estimation of monthly solar radiation from measured temperatures using support
vector machines–a case study. Renewable Energy, 2011. 36(1): p. 413-420.
[31] Basak, D., S. Pal, and D.C. Patranabis, Support vector regression. Neural Information Processing-
Letters and Reviews, 2007. 11(10): p. 203-224.