Forecasting sea surface temperature with feed-forward artificial networks in combating the global climate change: The sample of Rize, Türkiye

The increase of the world population, especially in the global competition, together with the increasing use of fossil fuel resources to meet energy needs, leads to more greenhouse gases (more than one CO₂, methane etc.) emissions and the global climate crisis. In this process, changes in meteorological events such as temperature, precipitation, and wind, attract attention moreover but when considered as a whole, we know that these negative changes in the ecosystem negatively affect many living groups. Sea Surface Temperature (SST) as measured meteorologically is the most important environmental parameter where these changes are monitored and observed. It draws attention to the fact that changes in SST are not limited to living organisms as habitats, but also catalyze many chain reactions, especially socio-economic impacts. Therefore, much of the work is devoted to forecasting studies to adapt to changing habitats and take the necessary precautions against potential risks. Feed-forward artificial neural networks have been commonly used to address these emerging needs. Artificial neural networks, which are a simple imitation of the human neurological system, have been used as an artificial intelligence method in forecasting problems due to their superior performance and not having the limitations of classical time series. In this study, the forecasting of the time series of monthly mean SST temperature obtained from Rize station between the years 2010 and 2020 is performed by using feed-forward artificial neural networks, and the forecasting performance of the corresponding time series is compared with many forecasting methods with different characteristics. The comparison of the methods used the mean square error and mean absolute percentage error criteria, which are commonly used in the forecasting literature. The analysis results showed that the analysis results obtained with the feed-forward artificial neural networks have the best prediction performance. As a result, it can be stated that the sea surface temperature can be forecasted with a very high accuracy using the feed-forward artificial neural networks.

Küresel rekabet başta olmak üzere dünya nüfusundaki artış beraberinde enerji gereksinimlerini karşılamak adına fosil yakıt kaynaklarının kullanımının artmasına bu durum da sera gazlarının daha fazla salınmasına (daha fazla CO₂, metan, vb.) ve küresel iklim değişikliğine neden olmaktadır. Bu süreçte başta sıcaklık, yağış ve rüzgâr gibi meteorolojik olaylarda yaşanan değişikler dikkat çekmekle birlikte, bir bütün olarak değerlendirildiğinde ekosistemde meydana gelen bu olumsuz değişimlerin pek çok canlı grubunu da olumsuz etkilediği bilinmektedir. Deniz suyu sıcaklığı bu değişikliğin izlendiği ve gözlemlendiği en önemli çevresel parametre olup, deniz suyunda meydana gelen değişimlerin sadece habitat olarak yaşam faaliyetlerini sürdüren canlılarla sınırlı kalmayıp, aynı zamanda sosyoekonomik etkileri başta olmak üzere zincirleme birçok reaksiyonu katalize etmesiyle de dikkat çekmektedir. Dolayısıyla değişen yaşam koşullarına adaptasyon sağlamada ve olası risklere karşı gereken önlemin alınması noktasında öngörü çalışmalarına büyük iş düşmektedir. Son zamanlarda meydana gelen bu gereksinimleri karşılamak adına ileri beslemeli yapay sinir ağlarından sıkça faydalanılmaktadır. İnsan nörolojik sisteminin basit bir taklidi olan yapay sinir ağları, klasik zaman serisi yöntemlerinin sahip olduğu kısıtlamalara sahip olmaması ve üstün performansı ile öngörü problemlerinde araştırmacılar tarafından sıklıkla kullanılan bir yapay zekâ yöntemi olarak kullanılmaktadır. Bu çalışmada Rize istasyonundan 2010-2020 yılları arasında elde edilen aylık ortalama deniz suyu sıcaklığına ait zaman serisinin tahmini ileri beslemeli yapay sinir ağları ile birlikte gerçekleştirilmiş olup ilgili zaman serisinin tahmin performansı farklı özelliklere sahip birçok öngörü yöntemi ile de karşılaştırılmıştır. Yöntemlerin karşılaştırılmasında öngörü literatüründe sıklıkla kullanılan hata kareler ortalaması karekök ve ortalama mutlak yüzdelik hata kriterleri kullanılmış olup elde edilen analiz sonuçlarına göre ileri beslemeli yapay sinir ağları ile elde edilen analiz sonuçlarının en uygun öngörü performansına sahip olduğu görülmüştür. Sonuç olarak; ileri beslemeli yapay sinir ağları yönteminden faydalanılarak deniz suyu yüzey sıcaklığının çok yüksek doğruluk oranı ile tahmin edilebileceği ifade edilmektedir.