IOT DESTEKLİ HAVA DURUMU VERİLERİ İLE YAPAY ZEKÂ TABANLI HAVA TAHMİN SİSTEMİNİN GELİŞTİRİLMESİ

Nurullah Doğan; Fatih Özyurt

doi:10.17780/ksujes.1528386

TR EN

IOT DESTEKLİ HAVA DURUMU VERİLERİ İLE YAPAY ZEKÂ TABANLI HAVA TAHMİN SİSTEMİNİN GELİŞTİRİLMESİ

Öz

Son yıllarda, hava durumu tahmini süreçleri büyük veri analitiği ve yapay zekâ (AI) algoritmalarının artan gücü ile önemli ilerlemeler kaydetmiştir. Özellikle Nesnelerin İnterneti (IoT) teknolojilerinin entegrasyonu, çevresel verilerin toplanması ve bu verilerin işlenmesi süreçlerine büyük katkı sağlamıştır. Bu çalışmada, IoT sensörlerinden toplanan hava durumu verilerinin yapay zekâ temelli algoritmalar ile işlenerek hava tahmin modellerinin geliştirilmesi hedeflenmiştir. Çalışmanın veri seti, Fırat Üniversitesi'nde kurulan hava istasyonunda belirli tarihler arasında toplanan yaklaşık 600.000 adet hava durumu bilgisinden oluşmaktadır. Bu veriler, sıcaklık, nem, basınç, rüzgâr hızı gibi çeşitli meteorolojik parametreleri içermektedir. Çalışmada, dört farklı makine öğrenmesi ve derin öğrenme algoritması kullanılarak hava durumu tahmini yapılmıştır: Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN), Uzun Kısa Süreli Bellek (LSTM) ve XGBoost algoritmaları. Modeller, elde edilen verilerle eğitilmiş ve her bir algoritmanın performansı, doğruluk oranları ile karşılaştırılmıştır. Sınıflandırma sonuçları değerlendirildiğinde, SVM ve KNN modelleri %98 doğruluk oranı ile başarılı sonuçlar vermiştir. LSTM modeli ise %99 doğruluk oranına ulaşmış, en yüksek doğruluk oranı ise %100 ile XGBoost algoritması tarafından elde edilmiştir. Bu sonuçlar, farklı makine öğrenmesi tekniklerinin hava tahmini süreçlerine nasıl katkı sağlayabileceğini ve IoT cihazlarından elde edilen verilerin nasıl daha etkili bir şekilde kullanılabileceğini göstermektedir.

Anahtar Kelimeler

DEVELOPMENT OF ARTIFICIAL INTELLIGENCE-BASED WEATHER FORECASTING SYSTEM WITH IOT-SUPPORTED WEATHER DATA

Abstract

In recent years, weather forecasting processes have made significant advancements with the increasing power of big data analytics and artificial intelligence (AI) algorithms. The integration of Internet of Things (IoT) technologies has made a substantial contribution to the collection of environmental data and the processing of this data. This study aims to develop weather prediction models by processing weather data collected from IoT sensors using AI-based algorithms. The dataset consists of approximately 600,000 weather data points recorded between specific dates at the weather station established at Fırat University. This data includes various meteorological parameters such as temperature, humidity, pressure, and wind speed. Four different machine learning and deep learning algorithms were used to forecast the weather in the study: Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Long Short-Term Memory (LSTM), and XGBoost algorithms. The models were trained on the collected data, and the performance of each algorithm was compared in terms of accuracy rates. The classification results showed that the SVM and KNN models achieved a 98% accuracy rate. The LSTM model reached a 99% accuracy rate, while the highest accuracy rate of 100% was achieved by the XGBoost algorithm. These results demonstrate how different machine learning techniques can contribute to weather forecasting processes and how IoT-derived data can be used. more effectively.

Keywords

Destekleyen Kurum

Fırat Üniversitesi

Proje Numarası

ADEP.23.09

Teşekkür

ADEP.23.09 numaralı Bilimsel Araştırma Projesi kapsamındaki desteğinden dolayı Fırat Üniversitesine teşekkür ederiz.

Kaynakça

Aashiq, M. N. M., Kurera, W. T. C. C., Thilekaratne, M. G. S. P., Saja, A. M. A., Rouzin, M. R. M., Neranjan, N., & Yassin, H. (2023). An IoT-based handheld environmental and air quality monitoring station. Acta IMEKO, 12(3), 1-9. https://doi.org/10.21014/actaimeko.v12i3.1487
Abdullah, D. M., & Abdulazeez, A. M. (2021). Machine learning applications based on SVM classification a review. Qubahan Academic Journal, 1(2), 81-90. https://doi.org/10.48161/qaj.v1n2a50
Ateş, F., & Şenol, R. (2021). Hava Araçlarında Buzlanma Risk Derecesinin Yapay Zeka İle Tahmin Edilmesi. International Journal of 3D Printing Technologies and Digital Industry, 5(3), 457-468. https://doi.org/10.46519/ij3dptdi.957478
Banara, S., Singh, T., & Chauhan, A. (2022, January). Iot based weather monitoring system for smart cities: A comprehensive review. In 2022 International Conference for Advancement in Technology (ICONAT) (pp. 1-6). IEEE. https://doi.org/10.1109/ICONAT53423.2022.9726106
Çakmak, M. (2024, March). Classification of Apple Quality Using XGBoost Machine Learning Model. In Konya: 4th International Conference on Innovative Academic Studies (pp. 607-615).
Dewitte, S., Cornelis, J. P., Müller, R., & Munteanu, A. (2021). Artificial intelligence revolutionises weather forecast, climate monitoring and decadal prediction. Remote Sensing, 13(16), 3209. https://doi.org/10.3390/rs13163209
DFRobot - APRS Weather Station Sensor Kit SEN0186. (2023, August 3). APRS Weather Station Sensor Kit SEN0186 - DFRobot. https://wiki.dfrobot.com/APRS_Weather_Station_Sensor_Kit_SEN0186
Dogan, T. Yapay Sinir Ağları ve Uyarlanabilir Sinirsel Bulanık Çıkarım Sistemi ile Hava Tahmini. International Journal of Pure and Applied Sciences, 10(1), 12-24. https://doi.org/10.29132/ijpas.1384431

Faid, A., Sadik, M., & Sabir, E. (2021). An agile AI and IoT-augmented smart farming: a cost-effective cognitive weather station. Agriculture, 12(1), 35. https://doi.org/10.3390/agriculture12010035
Gad, I., & Hosahalli, D. (2022). A comparative study of prediction and classification models on NCDC weather data. International Journal of Computers and Applications, 44(5), 414-425. https://doi.org/10.1080/1206212X.2020.1766769
Goap, A., Sharma, D., Shukla, A. K., & Krishna, C. R. (2018). An IoT based smart irrigation management system using Machine learning and open source technologies. Computers and electronics in Agriculture, 155, 41-49. https://doi.org/10.1016/j.compag.2018.09.040
Holovatyy, A. (2021). Development of IOT weather monitoring system based on Arduino and ESP8266 Wi-Fi Module. In IOP Conference Series: Materials Science and Engineering (Vol. 1016, No. 1, p. 012014). IOP Publishing. https://doi.org/10.1088/1757-899X/1016/1/012014
Laghari, A. A., Wu, K., Laghari, R. A., Ali, M., & Khan, A. A. (2021). A review and state of art of Internet of Things (IoT). Archives of Computational Methods in Engineering, 1-19. https://doi.org/10.1007/s11831-021-09622-6
Mahmood, S. N., & Hasan, F. F. (2017). Design of weather monitoring system using Arduino based database implementation. Journal of Multidisciplinary Engineering Science and Technology (JMEST), 4(4), 7109.
Mohapatra, D., & Subudhi, B. (2022). Development of a cost-effective IoT-based weather monitoring system. IEEE Consumer Electronics Magazine, 11(5), 81-86. https://doi.org/10.1109/MCE.2021.3136833
Murugan, K., Tiruveedhi, R. K., Ramireddygari, D. R., Thota, D., & Neeli, C. (2022, December). AI based Weather Monitoring System. In 2022 Second International Conference on Advanced Technologies in Intelligent Control, Environment, Computing & Communication Engineering (ICATIECE) (pp. 1-5). IEEE. https://doi.org/10.1109/ICATIECE56365.2022.10047380
Ogunbunmı, S., Taıwo, A. A., Oladosu, J. B., Sanusı, H., Inaolajı, F. A., Olasunkanmı, U. G., ... & Enabulele, E. C. (2024). Internet of things weather monitoring system. World Journal of Advanced Research and Reviews, 22(2), 2099-2110. https://doi.org/10.30574/wjarr.2024.22.2.1647
Ren, J., Yu, Z., Gao, G., Yu, G., & Yu, J. (2022). A CNN-LSTM-LightGBM based short-term wind power prediction method based on attention mechanism. Energy Reports, 8, 437-443. https://doi.org/10.1016/j.egyr.2022.02.206
Schiller, E., Aidoo, A., Fuhrer, J., Stahl, J., Ziörjen, M., & Stiller, B. (2022). Landscape of IoT security. Computer Science Review, 44, 100467. https://doi.org/10.1016/j.cosrev.2022.100467
Singh, K. R., Neethu, K. P., Madhurekaa, K., Harita, A., & Mohan, P. (2021). Parallel SVM model for forest fire prediction. Soft Computing Letters, 3, 100014. https://doi.org/10.1016/j.socl.2021.100014
Thapa, K. N. K., & Duraipandian, N. (2021). Malicious traffic classification using long short-term memory (LSTM) model. Wireless Personal Communications, 119(3), 2707-2724. https://doi.org/10.1007/s11277-021-08359-6
Uddin, S., Haque, I., Lu, H., Moni, M. A., & Gide, E. (2022). Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction. Scientific Reports, 12(1), 6256. https://doi.org/10.1038/s41598-022-10358-x
Üçgün, H., Kaplan, Z.K., & Yüzgeç, U., (2021). Akıllı Hava İstasyonu ile IoT Tabanlı Hava Durumu İzleme Sistemi. European Journal of Science and Technology , (21), 563-571. https://doi.org/10.31590/ejosat.886025
Wadud, M. A. H., Kabir, M. M., Mridha, M. F., Ali, M. A., Hamid, M. A., & Monowar, M. M. (2022). How can we manage offensive text in social media-a text classification approach using LSTM-BOOST. International Journal of Information Management Data Insights, 2(2), 100095. https://doi.org/10.1016/j.jjimei.2022.100095
Wang, H., Li, G., & Wang, Z. (2023). Fast SVM classifier for large-scale classification problems. Information Sciences, 642, 119136. https://doi.org/10.1016/j.ins.2023.119136
Wang, J., Li, J., Wang, X., Wang, J., & Huang, M. (2021). Air quality prediction using CT-LSTM. Neural Computing and Applications, 33, 4779-4792. https://doi.org/10.1007/s00521-020-05535-w
Wikipedia - Raspberry Pi 4. (2023, October 5). Raspberry Pi 4 - Wikipedia. https://en.wikipedia.org/wiki/Raspberry_Pi_4
Yelgeç, M. A., & Bingöl, O. (2022). Ayrık dalgacık dönüşümü ve XGBoost ile rüzgâr gücü tahmini. Uluslararası Teknolojik Bilimler Dergisi, 14(2), 58-65. https://doi.org/10.55974/utbd.1132336
Yeşilyurt, S., & Dalkılıç, H. (2021). XGBoost ve gradient boost machine ile günlük nehir akımı tahmini. In 3rd International Symposium of III Engineering Applications on Civil Engineering and Earth Sciences.
Zhang, S. (2021). Challenges in KNN classification. IEEE Transactions on Knowledge and Data Engineering, 34(10), 4663-4675. https://doi.org/10.1109/TKDE.2021.3049250
Zhang, S., & Li, J. (2021). KNN classification with one-step computation. IEEE Transactions on Knowledge and Data Engineering, 35(3), 2711-2723. https://doi.org/10.1109/TKDE.2021.3119140

Ayrıntılar

Birincil Dil

Türkçe

Konular

Yapay Zeka (Diğer) , Yazılım Mühendisliği (Diğer)

Bölüm

Araştırma Makalesi

Yazarlar

Nurullah Doğan ^*
0009-0002-4714-5402
Türkiye

Fatih Özyurt
0000-0002-8154-6691
Türkiye

Yayımlanma Tarihi

3 Mart 2025

Gönderilme Tarihi

5 Ağustos 2024

Kabul Tarihi

10 Kasım 2024

Yayımlandığı Sayı

Yıl 2025 Cilt: 28 Sayı: 1

DOI

https://doi.org/10.17780/ksujes.1528386

IZ

https://izlik.org/JA26BP57ZF

Kaynak Göster

RIS / Bibtex

APA

Doğan, N., & Özyurt, F. (2025). IOT DESTEKLİ HAVA DURUMU VERİLERİ İLE YAPAY ZEKÂ TABANLI HAVA TAHMİN SİSTEMİNİN GELİŞTİRİLMESİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(1), 524-535. https://doi.org/10.17780/ksujes.1528386

Cited By

THREATS, VULNERABILITIES AND MEASURES IN ROBOT COMMUNICATION SECURITY: A REVIEW

Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.17780/ksujes.1798745