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

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.

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.