Avrupa bölgesi üzerinde aylık ortalama sıcaklık verisinin istatistiksel ölçek indirgemesine yönelik makine öğrenmesi algoritmalarının karşılaştırmalı bir değerlendirmesi

İklim değişikliği, bir çok ekosistemi etkilemeye başlamış en hayati çevresel değişim. Sebebi ise sanayileşme öncesinden bu yana artan sera gazı salınımları ve nüfusu yoğun bölgeler iklim değişikliği kaynaklı felaketlere karşı savunmasız durumda. IPCC ve diğer ortak çalışma grupları global iklim modellerini kullanarak kıtasal ölçekte iklim değişimlerini tahminlemektedirler. Bu modellerin daha düşük ölçeklere indirgenmesi işi bir çok iklim bilimcisi tarafından çalışılan önemli ve ilgi çekici bir konu. Ölçek indirgemesi genellikle dinamik ve istatistiksel ölçek indirgemesi olarak ikiye ayrılır. İstatistiksel ölçek indirgeme dinamik ölçek indirgeme ile karşılaştırıldığında daha düşük kaynak tüketimine sahip. Makine öğrenmesi algoritmalarının istatistiksel ölçek indirgeme için kullanılması konusu sadece son yıllarda çalışılmıştır. Bu tezde dört farklı makine öğrenmesi algoritması farklı çözünürlüklere sahip çeşitli Avrupa bölgelerini kapsayan iki farklı yüzey sıcaklığı veri seti üzerinden ölçek indirgemesi işleminde test edilmiştir. Testlerin sonuçlarına göre Gauss süreç regresyonu algoritması iki farklı yüzey sıcaklığı veri setinin de ölçek indirgemesinde 0.04 ile 0.51 arasındaki ortalama mutlak hata değerleri ile geleneksel makine öğrenmesi algoritmalarına kıyasla en iyi performansı gösteren algoritma oldu. Sonuç olarak, uzaysal ortalama sıcaklık verilerinin ölçek indirgemesi işleminde Gauss süreç regresyonu gibi makine öğrenmesi algoritmalarının kullanılması uygun bir yaklaşım olacaktır.