• Energy Research

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.

Floods are among the most devastating disasters in terms of socio-economics and casualties. However, these natural disasters can be managed and their effects can be minimized by flood modeling performed before the occurrence of a flood. In this study, flood modeling was developed for the Göksu River Basin, Mersin, Türkiye. Flood hazard and risk maps were prepared by using GIS, HEC-RAS, and HEC-HMS. In hydraulic modeling, Manning’s n values were obtained from 2018 CORINE data, return period flow rates (Q25, Q50, Q100, Q500) were obtained from HEC-HMS, and the application was carried out on a 5 m resolution digital surface model. In the study area, the water depths could reach up to 10 m, and water speeds were approximately 0.7 m/s. Considering these values and the fact that the study area is an urban area, hazard maps were obtained according to the UK Department for Environment, Food and Rural Affairs (DEFRA) method. The results indicated that possible flood flow rates from Q25 to Q500, from 1191.7 m3/s to 1888.3 m3/s, were detected in the study area with HEC-HMS. Flooding also occurred under conditions of the Q25 flow rate (from 4288 km2 to 5767 km2), and the impacted areas were classified as extremely risky by the DEFRA method.

Hourly solar radiation (SR) forecasting is a vital stage in the efficient deployment of solar energy management systems. Single and hybrid machine learning (ML) models have been predominantly applied for precise hourly SR predictions based on the pattern recognition of historical heterogeneous weather data. However, the integration of ML models has not been fully investigated in terms of overcoming irregularities in weather data that may degrade the forecasting accuracy. This study investigated a strategy that highlights interactions that may exist between aggregated prediction values. In the first investigation stage, a comparative analysis was conducted utilizing three different ML models including support vector machine (SVM) regression, long short-term memory (LSTM), and multilayer artificial neural networks (MLANN) to provide insights into their relative strengths and weaknesses for SR forecasting. The comparison showed the proposed LSTM model had the greatest contribution to the overall prediction of six different SR profiles from numerous sites in Morocco. To validate the stability of the proposed LSTM, Taylor diagrams, violin plots, and Kruskal–Wallis (KW) tests were also utilized to determine the robustness of the model’s performance. Secondly, the analysis found coupling the models outputs with aggregation techniques can significantly improve the forecasting accuracy. Accordingly, a novel aggerated model that integrates the forecasting outputs of LSTM, SVM, MLANN with Sugeno λ-measure and Sugeno integral named (SLSM) was proposed. The proposed SLSM provides spatially and temporary interactions of information that are characterized by uncertainty, emphasizing the importance of the aggregation function in mitigating irregularities associated with SR data and achieving an hourly time scale forecasting accuracy with improvement of 11.7 W/m2.

Solar radyasyon (SR), enerji dönüşümü, meteoroloji, tarım ve hayvancılık ile ilgili çalışmalar için önemli bir parametredir. Solar radyasyonun belirlenebilmesi için gereken alıcıların tüm noktalar için temin edilememesinden dolayı bu parametre çeşitli yöntemlerle tahmin edilebilir. Bu çalışmada, Türkiye’nin aylık ortalama SR değerleri (kWsa/m²) M5 model ağacı (M5-tree), sezgisel regresyon tekniği kullanılarak MATLAB platformunda tahmin edilmiştir. SR modellemesinde komşu ölçüm istasyonlarına ait konum bilgileri ve periyodiklik bileşeni olan ay değerleri kullanılarak tahminler gerçekleştirilmiştir. Modellerde 2004-2018 yıllarını kapsayan uzun dönem aylık ortalama SR verileri kullanılmıştır. Bu veriler Meteoroloji Genel Müdürlüğü’nden temin edilen ve uydu tabanlı hibrit bir model olan HELIOSAT model verileridir. Çalışmada Türkiye’nin 81 iline ait ölçüm ortalamaları kullanılmıştır. 81 noktadan alınan 12 aylık verilerin %75’i eğitim sürecinde kullanılırken %25’i test sürecinde kullanılmıştır. Rastgele seçilen test istasyonlarından elde edilen solar radyasyon tahminleri gözlenen verilerle karşılaştırılmıştır. Bu karşılaştırmalarda, Karekök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (OMH), Ortalama Mutlak Bağıl Hata (OMBH) ve Determinasyon Katsayısı (R2) kullanılmıştır. M5-tree kullanılarak elde edilen modellerde en başarılı sonuçlar; KOKH= 0.3604, OMH= 0.1451, OMBH= 3.6029 ve R²= 0.9879 olarak elde edilmiştir. Böylece M5-tree yönteminin literatürde yer alan yöntemlere alternatif bir yöntem olabileceği ortaya konmuştur.