LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS

Akın İlhan; Sergen Tümse; Mehmet Bilgili; Alper Yıldırım; Beşir Şahin

doi:10.17780/ksujes.1562465

EN TR

LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS

Öz

The World's temperature is experiencing a rapid increase, leading to negative consequences for aquatic ecosystems such as oceans, seas, lakes, and rivers. There are also other negative influences consisting of changing precipitation patterns, disruptions in marine current circulation, and formation of negative impacts on marine life. Ultimately, there is a compelling need for careful monitoring of sea temperatures to understand and address these interconnected environmental changes. The daily temperature of seawater (SWT) is a crucial abiotic variable that changes both the chemical composition of water and aquatic life in seas and oceans. The present study explored the capabilities of artificial intelligence techniques in one-day-ahead SWT predictions. These techniques are fuzzy c-means adaptive neuro-fuzzy inference system (ANFIS-FCM), subtractive clustering ANFIS (ANFIS-SC), grid segmentation ANFIS (ANFIS-GP), and long short-term memory (LSTM) and artificial neural network (ANN). Accordingly, daily SWT data that was collected from Alanya, Bodrum, and Akcakoca measurement stations located in Türkiye's Mediterranean, Aegean, and Black Sea locations were used in SWT predictions. Estimated results obtained by these five estimation methods were compared to the real observed values by interpreting four statistical metrics. Consequently, the most accurate estimates were obtained utilizing the fuzzy c-means (FCM) of ANFIS. Besides, it was reported that the LSTM approach closely followed the accuracy of this prediction of FCM. Both proposed models have generated superior statistical accuracy results corresponding to 0.34% MAPE, 0.0765 oC MAE, 0.1585 oC RMSE, and 0.9990 R. Those results have indicated the closest match of the predictions on the real measured data that have been acquired by ANFIS-FCM and LSTM models.

Anahtar Kelimeler

TÜRKİYE’DE FARKLI DENİZ MEVKİLERİNDEKİ DENİZ SUYU SICAKLIĞININ LSTM VE ANFIS MAKİNE ÖĞRENMESİ ALGORİTMALARI KULLANILARAK TAHMİN EDİLMESİ

Öz

Dünyanın sıcaklığında hızlı bir artış yaşanmaktadır ve bu durum, yağış düzenlerinde değişimlere, deniz akıntısı dolaşımında bozulmalara ve deniz yaşamında olumsuz etkilere neden olur. Ayrıca, bu durumun, okyanuslar, denizler, göller ve nehirler gibi su ekosistemleri üzerinde diğer olumsuz etkileri de bulunmaktadır. Sonuçta, birbiriyle bağlantılı olan bu çevresel değişiklikleri anlamak ve ele almak için deniz sıcaklıklarının dikkatli bir şekilde izlenmesine ve yorumlanmasına zorunlu bir ihtiyaç vardır. Diğer taraftan, deniz suyunun günlük sıcaklıkları (SWT), denizlerdeki ve okyanuslardaki hem suyun hem de su yaşamının kimyasal bileşimini değiştiren çok önemli bir abiyotik değişkendir. Bu çerçevede, bu çalışma, bir gün sonrası SWT tahminlerinde yapay zekâ tekniklerinin kabiliyetlerini araştırmıştır. Bu teknikler, bulanık c-ortalamalar uyarlamalı nöro-bulanık çıkarım sistemi (ANFIS-FCM), çıkarımlı kümeleme ANFIS (ANFIS-SC), ızgara bölümleme ANFIS (ANFIS-GP) ve uzun kısa süreli bellek (LSTM) sinir ağı ve yapay sinir ağıdır (ANN). Bu doğrultuda, Türkiye'nin Akdeniz’de yer alan Alanya, Ege’de bulunan Bodrum ve Karadeniz’de kurulmuş olan Akçakoca ölçüm istasyonlarından elde edilen günlük SWT verileri kullanılmıştır. Beş farklı tahmin yöntemi kullanılarak üretilen tahmin sonuçları, gerçek gözlemlenen değerlere göre dört farklı istatistiksel ölçüm yaklaşımı kullanılarak karşılaştırıldı ve yorumlandı. Neticede, en doğru tahminlerin, ANFIS’in bulanık c-ortalamalar (FCM) yöntemi kullanıldığında elde edildiği sonucuna varılmıştır. Bu modeli en yakından takip eden ikinci en iyi modelin ise; LSTM yaklaşımı olduğu sonucuna varılmış ve bulunan sonuçlar rapor edilmiştir. Önerilen bu iki model de %0,34’lük MAPE, 0,0765 oC’lik MAE, 0,1585 oC’lik RMSE ve 0,9990’lık R'ye karşılık gelen üstün istatistiksel doğruluk sonuçlarını üretmiştir. Bu sonuçlar, gerçek ölçülen verilere en yakın eşleşmelerin ANFIS-FCM ve LSTM modelleri ile elde edildiğini göstermiştir.

Anahtar Kelimeler

Kaynakça

Alver, A., Baştürk, E., Tulun, Ş., & Şimşek, İ. (2020). Adaptive neuro‐fuzzy inference system modeling of 2, 4‐dichlorophenol adsorption on wood-based activated carbon. Environmental Progress and Sustainable Energy, 39(5). https://doi.org/10.1002/ep.13413
Benmouiza, K., & Cheknane, A. (2019). Clustered ANFIS network using fuzzy c-means, subtractive clustering, and grid partitioning for hourly solar radiation forecasting. Theoretical and Applied Climatology, 137, 31–43. https://doi.org/10.1007/s00704-018-2576-4
Bilgili, M. (2010). Prediction of soil temperature using regression and artificial neural network models. Meteorology and Atmospheric Physics, 110, 59–70. 10.1007/s00703-010-0104-x
Bilgili, M. (2023). Time series forecasting on cooling degree-days (CDD) using SARIMA model. Nat Hazards, 118(3), 2569–2592. https://doi.org/10.1007/s11069-023-06109-4
Bilgili, M., & Sahin, B. (2010). Comparative analysis of regression and artificial neural network models for wind speed prediction. Meteorology and Atmospheric Physics, 109, 61–72. https://doi.org/10.1007/s00703-010-0093-9
Bowles, D. S., Grenney, W. J., & Fread, D. L. (1977). Coupled dynamic streamflow-temperature models. Journal of the Hydraulics Division,103(5), 515–530. https://doi.org/10.1061/JYCEAJ.0004750
Chen, J., Zeng, G. Q., Zhou, W., Du, W., & Lu, K. D. (2018). Wind speed forecasting using nonlinear-learning ensemble of deep learning time series prediction and extremal optimization. Energy Conversion and Management, 165, 681–695. https://doi.org/10.1016/j.enconman.2018.03.098
Gooseff, M. N., Strzepek, K., & Chapra, S. C. (2005). Modeling the potential effects of climate change on water temperature downstream of a shallow reservoir, lower madison river, MT. Climatic Change, 68(3), 331–353. 10.1007/s10584-005-9076-0

Gupta, S. M., & Malmgren, B. A. (2009). Comparison of the accuracy of SST estimates by artificial neural networks (ANN) and other quantitative methods using radiolarian data from the Antarctic and Pacific Oceans. Earth Science India, 2(2), 52–75.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. 10.1162/neco.1997.9.8.1735
Ilhan, A. (2023). Forecasting of volumetric flow rate of Ergene river using machine learning. Engineering Applications of Artificial Intelligence, 121, 105983. https://doi.org/10.1016/j.engappai.2023.105983
Jang, J. S. R. (1993). ANFIS: Adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665–685. 10.1109/21.256541
Kayhan, F. E., Kaymak, G., Tartar, Ş., Akbulut, C., Esmer, H. E., & Ertuğ, N. D. Y. (2015). Effects of global warming on fish and marine ecosystems. Erciyes University Journal of the Institute of Science and Technology, 31(3), 128–134. https://dergipark.org.tr/tr/download/article-file/236029
Khosravi, A., Koury, R. N. N., Machado, L., & Pabon, J.J.G. (2018). Prediction of hourly solar radiation in Abu Musa Island using machine learning algorithms. Journal of Cleaner Production, 176, 63–75. https://doi.org/10.1016/j.jclepro.2017.12.065
Kisi, O., Genc, O., Dinc, S., & Zounemat-Kermani, M. (2016). Daily pan evaporation modeling using chi-squared automatic interaction detector, neural networks, classification, and regression tree. Computers and Electronics in Agriculture, 122, 112–117. https://doi.org/10.1016/j.compag.2016.01.026
Kisi, O., Sanikhani, H., Zounemat-Kermani, M., & Niazi, F. (2015). Long-term monthly evapotranspiration modeling by several data-driven methods without climatic data. Computers and Electronics in Agriculture, 115, 66–77. https://doi.org/10.1016/j.compag.2015.04.015
Liang, S., Nguyen, L., & Jin, F. (2018). A Multi-variable stacked long-short term memory network for wind speed forecasting. 2018 IEEE International Conference on Big Data (Big Data), Seattle, WA, USA.
Mahongo, S. B., & Deo, M. C. (2013). Using artificial neural networks to forecast monthly and seasonal sea surface temperature anomalies in the western Indian Ocean. International Journal of Ocean and Climate Systems, 4(2), 133–150. https://doi.org/10.1260/1759-3131.4.2.133
Mansouri, I., Ozbakkaloglu, T., Kisi, O., & Xie, T. (2016). Predicting behavior of FRP-confined concrete using neuro fuzzy, neural network, multivariate adaptive regression splines and M5 model tree techniques. Materials and Structures, 49, 4319–4334. 10.1617/s11527-015-0790-4
Mashaly, A. F., & Alazba, A. A. (2017). Membership function comparative investigation on productivity forecasting of solar still using adaptive neuro-fuzzy inference system approach. Environmental Progress and Sustainable Energy, 37(1), 249–259. https://doi.org/10.1002/ep.12664
Mathworks. Long short-term memory networks. (2020). https://www.mathworks.com/help/deeplearning/ug/long-short-term-memory-networks.html. Accessed 06.10.2024.
Morse, W. L. (1970). Stream temperature prediction model. Water Resources Research, 6(1), 290–302. https://doi.org/10.1029/WR006i001p00290
Patil, K., & Deo, M. C. (2017). Prediction of daily sea surface temperature using efficient neural networks. Ocean Dynamics, 67(3-4), 357–368. 10.1007/s10236-017-1032-9
Reddy, K. Y., & Krishna, K. V. S. G. M. (2023). Vehicular pollution prediction using HWTO‐ANFIS model in urban areas of Hyderabad City. Environmental Progress and Sustainable Energy, 42(4). https://doi.org/10.1002/ep.14082
Saghafi, H., & Arabloo, M. (2017). Estimation of carbon dioxide equilibrium adsorption isotherms using adaptive neuro-fuzzy inference systems (ANFIS) and regression models. Environmental Progress and Sustainable Energy, 36(5), 1374–1382. https://doi.org/10.1002/ep.12581
Sharma, V., Dhanya, J., Gade, M., & Sivasubramonian, J. (2023). New generalized ANN-based hybrid broadband response spectra generator using physics-based simulations. Natural Hazards, 116, 1879–1901. https://doi.org/10.1007/s11069-022-05746-5
Sinokrot, B. A., & Stefan, H. G. (1993). Stream temperature dynamics: Measurements and modeling. Water Resources Research, 29(7), 2299–2312. https://doi.org/10.1029/93WR00540
Şişman, E. (2019). Trend analysis for the cooling period for sea water temperatures in Aegean and Mediterranean coasts. Journal of Natural Hazards and Environment, 5(2), 291–304. https://doi.org/10.21324/dacd.492730
Tangang, F. T., Hsieh, W. W., & Tang, B. (1997). Forecasting the equatorial Pacific sea surface temperatures by neural network models. Climate Dynamics, 13, 135–147. 10.1007/s003820050156
Tanvir, M. S., & Mujtaba, I. M. (2006). Neural network based correlations for estimating temperature elevation for seawater in MSF desalination process. Desalination, 195(1-3), 251–272. https://doi.org/10.1016/j.desal.2005.11.013
Webb, B. W., & Zhang, Y. (1998). Spatial and seasonal variability in the components of the river heat budget. Hydrological Processes, 11(1), 79–101. https://doi.org/10.1002/(SICI)1099-1085(199701)11:1<79::AID-HYP404>3.0.CO;2-N
Wu, A., Hsieh, W. W., & Tang, B. (2006). Neural network forecasts of the tropical Pacific sea surface temperatures. Neural Networks, 19(2), 145–154. https://doi.org/10.1016/j.neunet.2006.01.004
Yücel, İ., Önen, A., Yılmaz, & K. K. (2016). Bir taşkın tahmin sisteminin değerlendirilmesi: Nümerik hava tahmin modeli, veri asimilasyonu ve uydu yağışlarının kullanımı. Dicle University, Engineering Faculty, Journal of Engineering, 7, 201–216. https://hdl.handle.net/11511/74347

Ayrıntılar

Birincil Dil

İngilizce

Konular

Makine Mühendisliği (Diğer)

Bölüm

Araştırma Makalesi

Yazarlar

Akın İlhan ^*
0000-0003-3590-5291
Türkiye

Sergen Tümse
0000-0003-4764-747X
Türkiye

Mehmet Bilgili
0000-0002-5339-6120
Türkiye

Alper Yıldırım
0000-0003-2626-1666
Türkiye

Beşir Şahin
0000-0003-0671-0890
Türkiye

Yayımlanma Tarihi

3 Mart 2025

Gönderilme Tarihi

6 Ekim 2024

Kabul Tarihi

22 Şubat 2025

Yayımlandığı Sayı

Yıl 2025 Cilt: 28 Sayı: 1

DOI

https://doi.org/10.17780/ksujes.1562465

IZ

https://izlik.org/JA46AN67SU

Kaynak Göster

RIS / Bibtex

APA

İlhan, A., Tümse, S., Bilgili, M., Yıldırım, A., & Şahin, B. (2025). LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(1), 322-333. https://doi.org/10.17780/ksujes.1562465

AMA

1.İlhan A, Tümse S, Bilgili M, Yıldırım A, Şahin B. LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2025;28(1):322-333. doi:10.17780/ksujes.1562465

Chicago

İlhan, Akın, Sergen Tümse, Mehmet Bilgili, Alper Yıldırım, ve Beşir Şahin. 2025. “LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28 (1): 322-33. https://doi.org/10.17780/ksujes.1562465.

EndNote

İlhan A, Tümse S, Bilgili M, Yıldırım A, Şahin B (01 Mart 2025) LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28 1 322–333.

IEEE

[1]A. İlhan, S. Tümse, M. Bilgili, A. Yıldırım, ve B. Şahin, “LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS”, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 28, sy 1, ss. 322–333, Mar. 2025, doi: 10.17780/ksujes.1562465.

ISNAD

İlhan, Akın - Tümse, Sergen - Bilgili, Mehmet - Yıldırım, Alper - Şahin, Beşir. “LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28/1 (01 Mart 2025): 322-333. https://doi.org/10.17780/ksujes.1562465.

JAMA

1.İlhan A, Tümse S, Bilgili M, Yıldırım A, Şahin B. LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2025;28:322–333.

MLA

İlhan, Akın, vd. “LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 28, sy 1, Mart 2025, ss. 322-33, doi:10.17780/ksujes.1562465.

Vancouver

1.Akın İlhan, Sergen Tümse, Mehmet Bilgili, Alper Yıldırım, Beşir Şahin. LSTM AND ANFIS MACHINE LEARNING ALGORITHMS IN ESTIMATING THE SEA WATER TEMPERATURE IN TÜRKİYE AT VARIOUS SEA LOCATIONS. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 01 Mart 2025;28(1):322-33. doi:10.17780/ksujes.1562465

Cited By

MELTBLOWN MAKİNELERİNDE ÜRETİLEN DOKUSUZ KUMAŞLARIN BASINÇ VERİMLİLİĞİNİN MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİNLENMESİ VE PERFORMANS ANALİZİ

Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.17780/ksujes.1747540