LSTM ve Hibrit CNN–LSTM Derin Öğrenme Yaklaşımları ile Isparta İli İçin Zaman Serisi Tabanlı Sıcaklık Tahmini

Authors : Erdem Çoban

Pages : 104-117

Doi:10.71445/umbd.1761095

View : 144 | Download : 138

Publication Date : 2025-11-29

Article Type : Research Paper

Abstract :Günlük hava sıcaklığı, tarım, enerji, sağlık ve su yönetimi gibi pek çok sektörü doğrudan etkileyen kritik bir meteorolojik parametredir. Küresel iklim değişikliğiyle birlikte sıcaklık rejimlerindeki dalgalanmalar ve uzun vadeli artışlar, bölgesel tahmin modellerinin geliştirilmesini daha da önemli hale getirmiştir. Bu çalışmada, Isparta ili için günlük hava sıcaklığı tahmini amacıyla dört farklı modelin (XGBoost, LSTM, CNN ve CNN–LSTM) karşılaştırmalı analizi gerçekleştirilmiştir. Geçmiş yıllara ait günlük sıcaklık verileri kullanılarak yapılan tahminlerde, modeller hem eğitim hem de test setleri üzerinde MAE, MSE, R², NSE ve Willmott d gibi istatistiksel ölçütlerle değerlendirilmiştir. Elde edilen sonuçlar, test verisi üzerinde LSTM modelinin en yüksek doğruluğu sunduğunu göstermiştir (MAE 1,139, MSE 2,334, R² 0,966, NSE 0,965, Willmott d 0,991). CNN–LSTM modeli ise LSTM’e çok yakın değerlerle (MAE 1,236, MSE 2,661, R² 0,962, NSE 0,960, Willmott d 0,990) istikrarlı bir alternatif olarak öne çıkmıştır. CNN modeli rekabetçi performans sergilemiş (MAE 1,228, MSE 2,688, R² 0,961, NSE 0,960, Willmott d 0,989), XGBoost modeli ise diğer modellere kıyasla daha zayıf kalmıştır (MAE 2,526, MSE 10,63, R² 0,855, NSE 0,843, Willmott d 0,960). Genel olarak, LSTM modeli uzun vadeli bağımlılıkları yakalama başarısıyla öne çıkarken, CNN–LSTM modeli kısa dönemli örüntüleri de dikkate alarak güvenilir ve kararlı bir tahmin yaklaşımı sunmuştur. Bu bulgular, derin öğrenme modellerinin yerel ölçekli sıcaklık tahminlerinde karar vericilere daha doğru öngörüler sağlayabileceğini ortaya koymaktadır.
Keywords : CNN, Derin öğrenme, LSTM, Sıcaklı Tahmini, XGBoost, Zaman Serisi

ORIGINAL ARTICLE URL