Yeni İstatistiksel Ölçek Küçültme Yöntemleri Ve Türkiye İçin Uygulamalar

dc.contributor.advisor Dalfes, H. Nüzhet tr_TR
dc.contributor.author Tatlı, Hasan tr_TR
dc.contributor.department Meteoroloji Mühendisliği tr_TR
dc.contributor.department Meteorological Engineering en_US
dc.date 2004 tr_TR
dc.date.accessioned 2015-07-09T11:47:38Z
dc.date.available 2015-07-09T11:47:38Z
dc.description Tez (Doktora) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2004 tr_TR
dc.description Thesis (PhD) -- İstanbul Technical University, Institute of Science and Technology, 2004 en_US
dc.description.abstract Hava ve iklim süreçlerinin yeryüzündeki yaşam üzerinde hayati etkileri vardır. İklim değişkenliği ve değişiminin anlaşılabilmesi, bölgesel ve yerel iklim tanılarının geliştirilmesi, iklim çalışmaların temel konularından biridir. İklim etki araştırmacıları genelde iklim değişkenliğinin dünü, bugünü ve yarını hakkında detaylı ve doğru bilgilere gereksinim duyarlar. İklim değişkenliği konusunda önemli ve temel araçlar genel dolaşım modelleridir (GDM). Ne yazık ki kaba çözünürlük üzerinde çalıştırılan GDM’ler yerel iklim değişkenliği hakkında detaylı bilgiye yanıt veremezler. Bu bağlamda, GDM’lerin uzaysal çözünürlükte ve benzeşim verilerinin doğruluğundaki kısıtlardan “uzaysal ölçek küçültme” stratejilerinin geliştirilmesine gereksinim duyulur. İklim araştırma ve iklim etkilerinin arasındaki, uzaysal ölçekteki, bu açık; “uzaysal ölçek küçültme ” ve “uzaysal ölçek büyültme” ile hem iklim araştırma hem de iklim etki araştırmaları açısından kapatılabilir. Bu çalışma Türkiye üzerinde uzaysal ölçek küçültme stratejilerinin geliştirilmesi konusunda ilk araştırmadır. Çalışmada, iklim tanısı için iki yeni model geliştirilmiştir. Önerilen modellerin dönüşüm fonksiyonları, Türkiye üzerindeki yerel iklimi idare ettiği düşünülen büyük ölçekli serbest troposferin değişkenlerinden elde edilen, geri beslemeli yapay sinir ağları (GSA) ve çok değişkenli istatistiksel yöntemlerine dayanmaktadır. Çalışmada, küçük-ölçek gözlemleri doğrusal-olmayan bir dinamik sistemin çıktıları olduğu şeklinde değerlendirilmiş ve yerel-dinamiğin ‘nedensel ve öz yapılarının’, büyük ölçekli süreçlerden, tekrar elde edilmesi amacı ile GSA ve çok değişkenli istatistiksel yöntemler kullanılmıştır. Uygulama sonuçları, model çıktıları ile gerçek gözlemler arasında, tutarlılık olduğunu göstermektedir. tr_TR
dc.description.abstract Weather and climate have a profound influence on life on earth. Understanding climate variability and climate change reveals the increasing need for improving regional and local-scale climate diagnosis which is one of the main goals of climate research. The climate impact researches usually require accurate and detailed climate information on yesterday, present, and tomorrow with high resolution space scale. The main and important tools of studying climate are general circulation models (GCMs). Unfortunately, GCMs running on coarse resolution may not be able to detect the local scale climate variability. The spatial-scale mismatch between climate research and climate impact studies has to be bridged by “downscaling” on the side of the climate research and “upscaling” on the side of the climate impact research. This study is the first research of developing downscaling strategies over Turkey. Two new downscaling strategies for climate diagnosis are developed in the study. The proposed methods are based on artificial recurrent neural networks (RNN) and multivariate statistical techniques that derive transfer functions from the large-scale free troposphere variables of which are assumed to control to the local climate over Turkey. In the study, it is considered that the local-scale observations of interest as the outcomes of a finite-dimensional, nonlinear dynamical system and use RNN and multivariate techniques to recover the nonlinear, ‘causal and naïve skeleton’ of the underlying local scale dynamics from large-scale processes. The results of applications demonstrate that the proposed model outputs are consistent with the actual observations. en_US
dc.description.degree Doktora tr_TR
dc.description.degree PhD en_US
dc.identifier.uri http://hdl.handle.net/11527/7166
dc.publisher Fen Bilimleri Enstitüsü tr_TR
dc.publisher Institute of Science and Technology en_US
dc.rights İTÜ tezleri telif hakkı ile korunmaktadır. Bunlar, bu kaynak üzerinden herhangi bir amaçla görüntülenebilir, ancak yazılı izin alınmadan herhangi bir biçimde yeniden oluşturulması veya dağıtılması yasaklanmıştır. tr_TR
dc.rights İTÜ theses are protected by copyright. They may be viewed from this source for any purpose, but reproduction or distribution in any format is prohibited without written permission. en_US
dc.subject yapay sinir ağları tr_TR
dc.subject iklim etki tr_TR
dc.subject ölçek küçültme tr_TR
dc.subject genel dolaşım tr_TR
dc.subject çok değişkenli istatistik tr_TR
dc.subject Türkiye tr_TR
dc.subject artificial neural networks en_US
dc.subject climate impact en_US
dc.subject downscaling en_US
dc.subject general circulation en_US
dc.subject multivariate statistics en_US
dc.subject Turkey en_US
dc.title Yeni İstatistiksel Ölçek Küçültme Yöntemleri Ve Türkiye İçin Uygulamalar tr_TR
dc.title.alternative New Statistical Downscaling Methods And Applications For Turkey en_US
dc.type Doctoral Thesis en_US
Dosyalar
Orijinal seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.alt
Ad:
2842.pdf
Boyut:
7.85 MB
Format:
Adobe Portable Document Format
Açıklama
Lisanslı seri
Şimdi gösteriliyor 1 - 1 / 1
thumbnail.default.placeholder
Ad:
license.txt
Boyut:
3.14 KB
Format:
Plain Text
Açıklama