Research Article
BibTex RIS Cite

Daily dew point temperature estimation with artificial neural networks method

Year 2021, Volume: 11 Issue: 4, 1154 - 1163, 15.10.2021
https://doi.org/10.17714/gumusfenbil.869263

Abstract

Dew point temperature plays a significant role in determining many activities such as ecological, hydrological, and climatological models, especially agriculture. Dew point is an important factor for the growth and development of plants. Plants are negatively affected when the dew point temperature is high and varies. For these reasons, the dew point temperature prediction has become important in arid regions with sparse rainfall and in areas where greenhouse cultivation is intense. In this study, the artificial neural network (ANN) method was used to estimate the dew point temperature in Mugla Province based on relative humidity, pressure and temperature data from January 1, 2019 to December 31, 2019. The MATLAB programming language is used for this. The Levenberg-Marquardt (LM) algorithm and the Feed-Forward Back Propagation neural network model give the best results in ANN training, where there are 7 neurons in the hidden layer. The RMSE error value is 2.112987863, the R2 value is 0.887436814, and the cov coefficient of variation is 0.170439905. These values have been found to be at acceptable levels, and this method can be successfully used to estimate the dew point temperature. The artificial neural network model can be used to estimate the dew point temperature for different regions and different meteorological parameters. These estimates will be very helpful, especially for those engaged in agriculture.

References

  • Agam, N. and Berliner, P. R. (2006). Dew formation and water vapor adsorption in semi-arid environments—a review. Journal of Arid Environments, 65(4), 572-590, https://doi.org/10.1016/j.jaridenv.2005.09.004.
  • Akyüz, A., Kumaş, K., Ayan, M. ve Güngör, A. (2020). Antalya İli Meteorolojik Verileri Yardımıyla Hava Sıcaklığının Yapay Sinir Ağları Metodu ile Tahmini. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10 (1) , 146-154, https://doi.org/10.17714/gumusfenbil.511481.
  • Alizamir, M., Kim, S., Kisi, O. and Zounemat-Kermani, M. (2020). Deep echo state network: a novel machine learning approach to model dew point temperature using meteorological variables. Hydrological Sciences Journal, 65(7), 1173-1190, https://doi.org/10.1080/02626667.2020.1735639.
  • Amirmojahedi, M., Mohammadi, K., Shamshirband, S., Danesh, A. S., Mostafaeipour, A. and Kamsin, A. (2016). A hybrid computational intelligence method for predicting dew point temperature. Environmental Earth Sciences, 75(5), 415, 10.1007/s12665-015-5135-7.
  • Aslay, F. ve Özen, Ü. (2013). Meteorolojik parametreler kullanılarak yapay sinir ağları ile toprak sıcaklığının tahmini. Politeknik Dergisi, 16(4), 139-145.
  • Ayvaz, E. (2012). Yapay Sinir Ağları Ve Paralel Akışlı Isı Eşanjörlerinde Uygulanması, Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Trabzon.
  • Baghban, A., Bahadori, M., Rozyn, J., Lee, M., Abbas, A., Bahadori, A. and Rahimali, A. (2016). Estimation of air dew point temperature using computational intelligence schemes. Applied Thermal Engineering, 93, 1043-1052, https://doi.org/10.1016/j.applthermaleng.2015.10.056.
  • Bayır, R. (2008). Yapay Zeka Teknikleri Dersi Ders Notları. Karabük Üniversitesi Elektronik ve Bilgisayar Eğitimi bölümü.
  • Boyacı, S., Akyüz, A., Üstün, S., Baytorun, A. N. ve Güğercin, Ö. (2017). Seralarda yüksek sıcaklıkların azaltılmasında kullanılan yöntemler. Türkiye Tarımsal Araştırmalar Dergisi, 4(1), 89-95, https://doi.org/10.19159/tutad.300720.
  • Hubbard, K. G., Mahmood, R. and Carlson, C. (2003). Estimating daily dew point temperature for the northern Great Plains using maximum and minimum temperature. Agronomy Journal, 95(2), 323-328, https://doi.org/10.2134/agronj2003.3230.
  • İlkuçar, M., Kaya, A. ve Çifci, A. (2018). Mekanik Özelliklere Göre Ağaç Türlerinin Yapay Sinir Ağları ile Tahmini. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8 (1), 75-83, https://doi.org/10.17714/gumusfenbil.310585.
  • Kaftan, İ. (2010). Batı Türkiye gravite ve deprem katalog verilerinin yapay sinir ağları ile değerlendirilmesi, Doktora Tezi, Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
  • Kisi, O., Kim, S. and Shiri, J. (2013). Estimation of dew point temperature using neuro-fuzzy and neural network techniques. Theoretical and Applied Climatology, 114(3), 365-373, https://doi.org/10.1007/s00704-013-0845-9.
  • Köksal, E., 2011. Makina Elemanları Konstrüksiyonunda Çentik Faktörünün Yapay Sinir Ağları ile Hesaplanması, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  • Mahmood, R. and Hubbard, K. G. (2005). Assessing bias in evapotranspiration and soil moisture estimates due to the use of modeled solar radiation and dew point temperature data. Agricultural and forest meteorology, 130(1-2), 71-84, https://doi.org/10.1016/j.agrformet.2005.02.004.
  • Mehdizadeh, S., Behmanesh, J. and Khalili, K. (2017). Application of gene expression programming to predict daily dew point temperature. Applied Thermal Engineering, 112, 1097-1107, https://doi.org/10.1016/j.applthermaleng.2016.10.181.
  • MGM-Meteoroloji Genel Müdürlüğü (2020, 15 Kasım). Erişim adresi https://www.mgm.gov.tr/
  • Mohammadi, K., Shamshirband, S., Motamedi, S., Petković, D., Hashim, R. and Gocic, M. (2015). Extreme learning machine based prediction of daily dew point temperature. Computers and Electronics in Agriculture, 117, 214-225,https://doi.org/10.1016/j.compag.2015.08.008.
  • Mohammadi, K., Shamshirband, S., Petković, D., Yee, L. and Mansor, Z. (2016). Using ANFIS for selection of more relevant parameters to predict dew point temperature. Applied Thermal Engineering, 96, 311-319, https://doi.org/10.1016/j.applthermaleng.2015.11.081.
  • Naganna, S. R., Deka, P. C., Ghorbani, M. A., Biazar, S. M., Al-Ansari, N. and Yaseen, Z. M. (2019). Dew point temperature estimation: application of artificial intelligence model integrated with nature-inspired optimization algorithms. Water, 11(4), 742, https://doi.org/10.3390/w11040742.
  • Ozbek, A. (2016). Estimation of Moist Air Thermodynamic Properties using Artificial Neural Network. Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 31(1), 51-58.
  • Qasem, S. N., Samadianfard, S., Sadri Nahand, H., Mosavi, A., Shamshirband, S. and Chau, K. W. (2019). Estimating daily dew point temperature using machine learning algorithms. Water, 11(3), 582, https://doi.org/10.3390/w11030582.
  • Paulsen, G. M. (1994). High temperature responses of crop plants. Physiology and determination of crop yield, 365-389, https://doi.org/10.2134/1994.physiologyanddetermination.c25.
  • Peşkircioğlu, M., Özaydın, K. A., Özpınar, H., Nadaroğlu, Y., Cankurtaran, G. A., Sabahaddin, Ü. ve Şimşek, O. (2016). Bitkilerin Sıcağa ve Soğuğa Dayanıklılık Bölgelerinin Türkiye Ölçeğinde Coğrafi Bilgi Sistemleri ile Haritalanması. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 11-25, https://doi.org/10.21566/tbmaed.85397.
  • Shank, D. B., Hoogenboom, G. and McClendon, R. W. (2008). Dewpoint temperature prediction using artificial neural networks. Journal of applied meteorology and climatology, 47(6), 1757-1769, https://doi.org/10.1175/2007JAMC1693.1.
  • Shiri, J., Kim, S. and Kisi, O. (2014). Estimation of daily dew point temperature using genetic programming and neural networks approaches. Hydrology Research, 45(2), 165-181, https://doi.org/10.2166/nh.2013.229.
  • Sri Sankari, G. and Valarmathi, D. A. (2017). Weather Forecasting with Back Propagation of Neural Network using MATLAB. International Journal of Scientific Research in Computer Science. Engineering and Information Technology, 2(2), 2456-3307.
  • Şahan, M. ve Okur, Y. (2016). Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini. Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 11(1), 61-71.
  • Şencan, A. and Kalogirou, S. A. (2005). A new approach using artificial neural networks for determination of the thermodynamic properties of fluid couples. Energy Conversion and Management, 46(15-16), 2405-2418, https://doi.org/10.1016/j.enconman.2004.11.007.
  • Zounemat-Kermani, M. (2012). Hourly predictive Levenberg–Marquardt ANN and multi linear regression models for predicting of dew point temperature. Meteorology and Atmospheric Physics, 117(3-4), 181-192, https://doi.org/10.1007/s00703-012-0192-x.

Yapay sinir ağları metodu ile günlük çiğ noktası sıcaklığı tahmini

Year 2021, Volume: 11 Issue: 4, 1154 - 1163, 15.10.2021
https://doi.org/10.17714/gumusfenbil.869263

Abstract

Çiğ noktası sıcaklığı, tarım başta olmak üzere ekolojik, hidrolojik ve klimatolojik model benzeri birçok faaliyetin belirlenmesinde önemli rol oynamaktadır. Bitkilerin büyüme ve gelişmeleri için çiğ noktası sıcaklığı önemli bir faktördür. Çiğ noktası sıcaklığının yüksek olduğu ve değişkenlik gösterdiği durumda bitkiler olumsuz etkilenmektedir. Bu sebeplerden dolayı seyrek yağış alan kurak bölgelerde ve seracılığın yoğun olduğu bölgelerde çiğ noktası sıcaklığı tahmini önemli bir role sahiptir. Bu çalışmada Muğla ili için 1 Ocak 2019 ve 31 Aralık 2019 tarihleri arasındaki bağıl nem oranı, basınç ve hava sıcaklığı verilerine bağlı olarak yapay sinir ağları (YSA) metodu kullanılarak çiğ noktası sıcaklığı tahmin edilmiştir. Bunun için MATLAB programlama dili kullanılmıştır. YSA’nın eğitiminde en iyi sonucu, gizli tabakada 7 nöron sayısıyla Levenberg-Marquardt (LM) algoritması ve ileri beslemeli geri yayılımlı (Feed-Forward BackProp) sinir ağı modeli vermiştir. RMSE hata değeri 2.112987863, R2 değeri 0.887436814, cov değişim katsayısı 0.170439905 olarak bulunmuştur. Bu değerlerin kabul edilebilir seviyede olduğu ve çiğ noktası sıcaklığının tahmin edilmesinde bu metodun başarılı bir şekilde kullanılabileceği sonucuna varılmıştır. Çiğ noktası sıcaklığı tahmininde yapay sinir ağları modelinin farklı bölgeler ve farklı meteorolojik parametreler için de kullanılabilmesi mümkündür. Bu tahminler, özellikle tarımla uğraşanlar için oldukça yararlı olacaktır.

References

  • Agam, N. and Berliner, P. R. (2006). Dew formation and water vapor adsorption in semi-arid environments—a review. Journal of Arid Environments, 65(4), 572-590, https://doi.org/10.1016/j.jaridenv.2005.09.004.
  • Akyüz, A., Kumaş, K., Ayan, M. ve Güngör, A. (2020). Antalya İli Meteorolojik Verileri Yardımıyla Hava Sıcaklığının Yapay Sinir Ağları Metodu ile Tahmini. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 10 (1) , 146-154, https://doi.org/10.17714/gumusfenbil.511481.
  • Alizamir, M., Kim, S., Kisi, O. and Zounemat-Kermani, M. (2020). Deep echo state network: a novel machine learning approach to model dew point temperature using meteorological variables. Hydrological Sciences Journal, 65(7), 1173-1190, https://doi.org/10.1080/02626667.2020.1735639.
  • Amirmojahedi, M., Mohammadi, K., Shamshirband, S., Danesh, A. S., Mostafaeipour, A. and Kamsin, A. (2016). A hybrid computational intelligence method for predicting dew point temperature. Environmental Earth Sciences, 75(5), 415, 10.1007/s12665-015-5135-7.
  • Aslay, F. ve Özen, Ü. (2013). Meteorolojik parametreler kullanılarak yapay sinir ağları ile toprak sıcaklığının tahmini. Politeknik Dergisi, 16(4), 139-145.
  • Ayvaz, E. (2012). Yapay Sinir Ağları Ve Paralel Akışlı Isı Eşanjörlerinde Uygulanması, Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Trabzon.
  • Baghban, A., Bahadori, M., Rozyn, J., Lee, M., Abbas, A., Bahadori, A. and Rahimali, A. (2016). Estimation of air dew point temperature using computational intelligence schemes. Applied Thermal Engineering, 93, 1043-1052, https://doi.org/10.1016/j.applthermaleng.2015.10.056.
  • Bayır, R. (2008). Yapay Zeka Teknikleri Dersi Ders Notları. Karabük Üniversitesi Elektronik ve Bilgisayar Eğitimi bölümü.
  • Boyacı, S., Akyüz, A., Üstün, S., Baytorun, A. N. ve Güğercin, Ö. (2017). Seralarda yüksek sıcaklıkların azaltılmasında kullanılan yöntemler. Türkiye Tarımsal Araştırmalar Dergisi, 4(1), 89-95, https://doi.org/10.19159/tutad.300720.
  • Hubbard, K. G., Mahmood, R. and Carlson, C. (2003). Estimating daily dew point temperature for the northern Great Plains using maximum and minimum temperature. Agronomy Journal, 95(2), 323-328, https://doi.org/10.2134/agronj2003.3230.
  • İlkuçar, M., Kaya, A. ve Çifci, A. (2018). Mekanik Özelliklere Göre Ağaç Türlerinin Yapay Sinir Ağları ile Tahmini. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8 (1), 75-83, https://doi.org/10.17714/gumusfenbil.310585.
  • Kaftan, İ. (2010). Batı Türkiye gravite ve deprem katalog verilerinin yapay sinir ağları ile değerlendirilmesi, Doktora Tezi, Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
  • Kisi, O., Kim, S. and Shiri, J. (2013). Estimation of dew point temperature using neuro-fuzzy and neural network techniques. Theoretical and Applied Climatology, 114(3), 365-373, https://doi.org/10.1007/s00704-013-0845-9.
  • Köksal, E., 2011. Makina Elemanları Konstrüksiyonunda Çentik Faktörünün Yapay Sinir Ağları ile Hesaplanması, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  • Mahmood, R. and Hubbard, K. G. (2005). Assessing bias in evapotranspiration and soil moisture estimates due to the use of modeled solar radiation and dew point temperature data. Agricultural and forest meteorology, 130(1-2), 71-84, https://doi.org/10.1016/j.agrformet.2005.02.004.
  • Mehdizadeh, S., Behmanesh, J. and Khalili, K. (2017). Application of gene expression programming to predict daily dew point temperature. Applied Thermal Engineering, 112, 1097-1107, https://doi.org/10.1016/j.applthermaleng.2016.10.181.
  • MGM-Meteoroloji Genel Müdürlüğü (2020, 15 Kasım). Erişim adresi https://www.mgm.gov.tr/
  • Mohammadi, K., Shamshirband, S., Motamedi, S., Petković, D., Hashim, R. and Gocic, M. (2015). Extreme learning machine based prediction of daily dew point temperature. Computers and Electronics in Agriculture, 117, 214-225,https://doi.org/10.1016/j.compag.2015.08.008.
  • Mohammadi, K., Shamshirband, S., Petković, D., Yee, L. and Mansor, Z. (2016). Using ANFIS for selection of more relevant parameters to predict dew point temperature. Applied Thermal Engineering, 96, 311-319, https://doi.org/10.1016/j.applthermaleng.2015.11.081.
  • Naganna, S. R., Deka, P. C., Ghorbani, M. A., Biazar, S. M., Al-Ansari, N. and Yaseen, Z. M. (2019). Dew point temperature estimation: application of artificial intelligence model integrated with nature-inspired optimization algorithms. Water, 11(4), 742, https://doi.org/10.3390/w11040742.
  • Ozbek, A. (2016). Estimation of Moist Air Thermodynamic Properties using Artificial Neural Network. Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 31(1), 51-58.
  • Qasem, S. N., Samadianfard, S., Sadri Nahand, H., Mosavi, A., Shamshirband, S. and Chau, K. W. (2019). Estimating daily dew point temperature using machine learning algorithms. Water, 11(3), 582, https://doi.org/10.3390/w11030582.
  • Paulsen, G. M. (1994). High temperature responses of crop plants. Physiology and determination of crop yield, 365-389, https://doi.org/10.2134/1994.physiologyanddetermination.c25.
  • Peşkircioğlu, M., Özaydın, K. A., Özpınar, H., Nadaroğlu, Y., Cankurtaran, G. A., Sabahaddin, Ü. ve Şimşek, O. (2016). Bitkilerin Sıcağa ve Soğuğa Dayanıklılık Bölgelerinin Türkiye Ölçeğinde Coğrafi Bilgi Sistemleri ile Haritalanması. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 11-25, https://doi.org/10.21566/tbmaed.85397.
  • Shank, D. B., Hoogenboom, G. and McClendon, R. W. (2008). Dewpoint temperature prediction using artificial neural networks. Journal of applied meteorology and climatology, 47(6), 1757-1769, https://doi.org/10.1175/2007JAMC1693.1.
  • Shiri, J., Kim, S. and Kisi, O. (2014). Estimation of daily dew point temperature using genetic programming and neural networks approaches. Hydrology Research, 45(2), 165-181, https://doi.org/10.2166/nh.2013.229.
  • Sri Sankari, G. and Valarmathi, D. A. (2017). Weather Forecasting with Back Propagation of Neural Network using MATLAB. International Journal of Scientific Research in Computer Science. Engineering and Information Technology, 2(2), 2456-3307.
  • Şahan, M. ve Okur, Y. (2016). Akdeniz bölgesine ait meteorolojik veriler kullanılarak yapay sinir ağları yardımıyla güneş enerjisinin tahmini. Süleyman Demirel Üniversitesi Fen Edebiyat Fakültesi Fen Dergisi, 11(1), 61-71.
  • Şencan, A. and Kalogirou, S. A. (2005). A new approach using artificial neural networks for determination of the thermodynamic properties of fluid couples. Energy Conversion and Management, 46(15-16), 2405-2418, https://doi.org/10.1016/j.enconman.2004.11.007.
  • Zounemat-Kermani, M. (2012). Hourly predictive Levenberg–Marquardt ANN and multi linear regression models for predicting of dew point temperature. Meteorology and Atmospheric Physics, 117(3-4), 181-192, https://doi.org/10.1007/s00703-012-0192-x.
There are 30 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

Nazan Can This is me 0000-0003-1002-9109

Arzu Şencan Şahin 0000-0001-8519-4788

Publication Date October 15, 2021
Submission Date January 27, 2021
Acceptance Date July 30, 2021
Published in Issue Year 2021 Volume: 11 Issue: 4

Cite

APA Can, N., & Şencan Şahin, A. (2021). Yapay sinir ağları metodu ile günlük çiğ noktası sıcaklığı tahmini. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 11(4), 1154-1163. https://doi.org/10.17714/gumusfenbil.869263