Seul Þehri meteorolojik verileri kullanýlarak makine öðrenmesi regresyon yöntemleri ile hava sýcaklýðýnýn deðerlendirilmesi

Havanýn insan yaþamý ve faaliyetleri üzerinde önemli bir etkisi vardýr. Hava sýcaklýðýndaki ani deðiþimler günlük yaþamý ve çeþitli endüstrileri olumsuz etkilendiðinden hava tahmini doðruluðunun önemini günden güne artýrmaktadýr. Mevcut hava tahmin yöntemleri iki ana gruba ayrýlabilir: sayýsal tabanlý ve makine öðrenim tabanlý yaklaþýmlar. Sayýsal tabanlý hava tahmin yöntemleri, hesaplama maliyetini önemli ölçüde artýran karmaþýk matematiksel formüller kullanýr. Buna karþýn, makine öðrenim tabanlý yöntemler ise düþük iþlem maliyetleri nedeniyle son yýllarda daha çok tercih edilir. Bu çalýþmada, geleneksel makine öðrenmesi yöntemlerinin yaný sýra son yýllarda geliþtirilen yükseltme tabanlý makine öðrenmesi algoritmalarý ile birlikte 12 farklý regresyon yöntemi kullanýlarak Güney Kore Seul için bir sonraki günün maksimum ve minimum hava sýcaklýðý tahmin edilmektedir. Ayrýca, hiperparametrelerin ayarlanmasý, makine öðrenmesi algoritmalarýnýn iþlem süresini ve performansýný etkilediðinden, 12 yöntemin tümü zaman ve hiperparametreler açýsýndan kapsamlý bir þekilde çalýþýlmýýþtýr. Yöntemlerin performanslarýnýn karþýlaþtýrýlmasýnda literatürde sýklýkla tercih edilen kare korelasyon katsayýsý (R^2) kullanýlmaktadýr. Gözlemlenen sonuçlara göre, yükseltme tabanlý XGBoost ve LightGBM yöntemleri, hem istatistiksel test analizi hem de en yüksek R^2 puaný ile tüm yýllar için maksimum ve minimum hava sýcaklýðýný tahmin etmede en baþarýlý makine öðrenmesi algoritmalarýdýr.

Evaluation of air temperature with machine learning regression methods using Seoul City meteorological data

Weather has a significant impact on human life and activities. As abrupt changes in air temperature negatively affect daily life and various industries, the importance of weather forecast accuracy is increasing day by day. Current weather forecasting methods can be divided into two main groups: numerical-based and machine learning-based approaches. Numerical-based weather forecasting methods use complex mathematical formulas that significantly increase the computational cost. On the other hand, machine learning-based methods have been preferred more in recent years due to their lower computational costs. In this study, the next day's maximum and minimum air temperature are estimated for Seoul, South Korea by using 12 different regression methods together with the boosting-based machine learning algorithms developed in recent years, as well as traditional machine learning methods. Furthermore, since tuning of hyperparameters affects the process time and performance of machine learning algorithms, all 12 methods have been extensively studied in terms of time and hyperparameters. The square correlation coefficient (R^2), which is frequently adopted in the literature, is used to compare the performances of the methods. According to the observed results, the boosting-based XGBoost and LightGBM methods are the most successful machine learning algorithms in predicting the maximum and minimum air temperature for all years with both statistical test analysis and the highest R^2 score