Derin öğrenme kullanılarak Bilecik ili rüzgar hızı tahmini

Son zamanlarda yapılan çalışmalarda, rüzgâr hızının kısa vadeli tahmininde derin öğrenme tabanlı modeller yaygın olarak kullanılmaktadır. Bu tez kapsamında rüzgâr hızları zaman serisi tipinde olduğundan buna en uygun derin öğrenme yöntemlerinden biri olan LSTM (Long Short-Term Memory) modeli kullanılmıştır. LSTM sinir ağı, derin öğrenme RNN ağının tüm avantajlarına sahip olmakla birlikte aynı zamanda RNN ağının kaybolan gradyan sorununun üstesinden geldiğnden güçlü doğrusal olmayan işlem yapma yeteneğine sahiptir ve sabit olmayan rüzgar hızı tahmini için uygundur. Çalışmada ilk olarak, Bilecik Meteoroloji Müdürlüğü'nden alınan saatlik rüzgar hızı ham verilerindeki eksik rüzgar hızı verileri ön işlemeden geçirilerek tamamlanmıştır. Daha sonra, Bilecik Meteoroloji Müdürlüğü'nden alınan 10 yıllık (2010-2019) işlenmiş saatlik rüzgâr hızı verileri çeşitli giriş büyüklükleri için tasarlanan derin öğrenme modelimizde eğitime sokularak belirli zaman aralıklarındaki rüzgar hızlarının en iyi doğruluklarda tahminini gerçekleştirilmiştir. Bunun için 10 yıllık saatlik rüzgar hızı verileri, oluşturduğumuz 3 katmanlı LSTM modelinde verilerin %67'si eğitim ve %33'ü test için kullanılarak eğitilmiş daha sonra 2020 yılının aralık ayına ait modelin hiç görmediği saatlik rüzgar hızı verileri test olarak alınarak iki tip LSTM modelinde Ocak ayının 1 gün, 2 gün, 1 hafta ve 1 aylık tahminleri yapılmıştır. Daha iyi tahmin değerleri elde etmek amacıyla, yapı olarak farklı iki tip LSTM modeli, tek değişkenli çift yönlü (Univarate Bidirectional) ve çok adımlı vektör çıkışlı (Multi-Step Vector Output) kullanılmış ve belirli aralıklarda saatlik rüzgar hızı tahmininde hangisinin daha uygun olduğu araştırılmıştır. Çalışmanın diğer bir sonucu ise LSTM modellerinde kullanılan farklı büyüklükteki 1 ve 10 yıllık saatlik rüzgar hızları verilerinin modellerin doğruluğuna etkisi incelenmiş ve sonuçlar karşılaştırılmıştır.