Research Article
BibTex RIS Cite

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

Year 2022, Volume: 39 Issue: 4, 311 - 315, 15.12.2022
https://doi.org/10.12714/egejfas.39.4.06

Abstract



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.


References

  • Ağırbaş, E., & Çakıroğlu, A.M. (2021). Climate Change and Its Effects on Turkish Seas. Turkish Marine Research Foundation. ISBN: 978-975-8825-52-3, 33.
  • Akbari, E., Alavipanah, S., Jeihouni, M., Hajeb, M., Haase, D., & Alavipanah, S. (2017). A review of ocean/sea subsurface water temperature studies from remote sensing and non-remote sensing methods. Water, 9(12), 936. DOI: 10.3390/w9120936
  • Ay, A., & Duman, E. (2015). The determination of technical characteristics of gill+trammel nets in used in Rize Region. Fırat Üniversitesi Fen Bilimleri Dergisi, 27(1), 35-48. (in Turkish with English abstract)
  • Dabanli, I., Şişman, E., & Güçlü, Y.S. (2021). Climate change impacts on sea surface temperature (SST) trend around Turkey seashores. Acta Geophys, 69, 295–305. DOI: 10.1007/s11600-021-00544-2 (In Turkish).
  • Daigle, A., Caudron, A., Vigier, L., & Pella, H. (2017). Optimization methodology for a river temperature monitoring network for the characterization of fish thermal habitat. Hydrological Sciences Journal, 62(3), 483-497, DOI: 10.1080/02626667.2016.1242869
  • Demircan, M., Arabaci, H., Bölük, E., Akçakaya, A., & Ekici, M. (2013). Climate normals: the relationship of the three temperature normals and their spatial distributions. III. Türkiye İklim Değişikliği Konferansı-TİKDEK 2013, 3-5 Haziran, İTÜ Süleyman Demirel Kültür Merkezi, İstanbul. (in Turkish)
  • Houghton, E. (1996). Climate change 1995: the science of climate change: contribution of working group i to the second assessment report of the intergovernmental panel on climate change. Cambridge, Cambridge University Press.
  • Houlihan, D., Boujard, T., & Jobling, M. (2001). Food Intake in Fish. Blackwell Science Ltd. DOI: 10.1002/9780470999516
  • Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O'Hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E., & Yasmeen, F. (2021). Forecast: Forecasting Functions for Time Series and Linear Models. R package version 8.14.
  • Hyndman, R.J., & Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, 26(3), 1-22. DOI: 10.18637/jss.v027.i03
  • Kalıpcı, E., Başer, V., Türkmen, M., Genç, N., & Cüce, H. (2021). Analysis of sea water temperature change on the coast of Turkey with GIS and evaluation of its ecological effects. Journal of Natural Hazards and Environment, 7(2), 278-288. DOI: 10.21324/dacd.829938
  • Rumelhart, D.E., Hinton, G.E., & Williams, R.J. (1986). Learning internal representations by error back propagations. In: Parallel Distributed Processing: Explorations in The Microstructure Of Cognition. MIT Press. DOI: 10.1038/323533a0
  • Sharma, S., Gray, D.K., Read, J.S., O’reilly, C.M., Schneider, P., Qudrat, A., & Woo, K.H. (2015). A Global Database of Lake Surface Temperatures Collected by in Situ and Satellite Methods from 1985-2009. Sci Data 2, 150008. DOI: 10.1038/sdata.2015.8
  • 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. DOI: 10.21324/dacd.492730
  • Tecer, L.H., & Cerit, O. (2009). Temperature trends and changes in Rize, Turkey, for the period 1975-2007. Clean, 37(2), 150- 159. DOI: 10.1002/clen.200800021

Küresel iklim değişikliğiyle mücadelede deniz yüzeyi sıcaklığının ileri beslemeli yapay sinir ağları ile tahminlenmesi: Rize örneği, Türkiye

Year 2022, Volume: 39 Issue: 4, 311 - 315, 15.12.2022
https://doi.org/10.12714/egejfas.39.4.06

Abstract



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.


References

  • Ağırbaş, E., & Çakıroğlu, A.M. (2021). Climate Change and Its Effects on Turkish Seas. Turkish Marine Research Foundation. ISBN: 978-975-8825-52-3, 33.
  • Akbari, E., Alavipanah, S., Jeihouni, M., Hajeb, M., Haase, D., & Alavipanah, S. (2017). A review of ocean/sea subsurface water temperature studies from remote sensing and non-remote sensing methods. Water, 9(12), 936. DOI: 10.3390/w9120936
  • Ay, A., & Duman, E. (2015). The determination of technical characteristics of gill+trammel nets in used in Rize Region. Fırat Üniversitesi Fen Bilimleri Dergisi, 27(1), 35-48. (in Turkish with English abstract)
  • Dabanli, I., Şişman, E., & Güçlü, Y.S. (2021). Climate change impacts on sea surface temperature (SST) trend around Turkey seashores. Acta Geophys, 69, 295–305. DOI: 10.1007/s11600-021-00544-2 (In Turkish).
  • Daigle, A., Caudron, A., Vigier, L., & Pella, H. (2017). Optimization methodology for a river temperature monitoring network for the characterization of fish thermal habitat. Hydrological Sciences Journal, 62(3), 483-497, DOI: 10.1080/02626667.2016.1242869
  • Demircan, M., Arabaci, H., Bölük, E., Akçakaya, A., & Ekici, M. (2013). Climate normals: the relationship of the three temperature normals and their spatial distributions. III. Türkiye İklim Değişikliği Konferansı-TİKDEK 2013, 3-5 Haziran, İTÜ Süleyman Demirel Kültür Merkezi, İstanbul. (in Turkish)
  • Houghton, E. (1996). Climate change 1995: the science of climate change: contribution of working group i to the second assessment report of the intergovernmental panel on climate change. Cambridge, Cambridge University Press.
  • Houlihan, D., Boujard, T., & Jobling, M. (2001). Food Intake in Fish. Blackwell Science Ltd. DOI: 10.1002/9780470999516
  • Hyndman, R., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O'Hara-Wild, M., Petropoulos, F., Razbash, S., Wang, E., & Yasmeen, F. (2021). Forecast: Forecasting Functions for Time Series and Linear Models. R package version 8.14.
  • Hyndman, R.J., & Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, 26(3), 1-22. DOI: 10.18637/jss.v027.i03
  • Kalıpcı, E., Başer, V., Türkmen, M., Genç, N., & Cüce, H. (2021). Analysis of sea water temperature change on the coast of Turkey with GIS and evaluation of its ecological effects. Journal of Natural Hazards and Environment, 7(2), 278-288. DOI: 10.21324/dacd.829938
  • Rumelhart, D.E., Hinton, G.E., & Williams, R.J. (1986). Learning internal representations by error back propagations. In: Parallel Distributed Processing: Explorations in The Microstructure Of Cognition. MIT Press. DOI: 10.1038/323533a0
  • Sharma, S., Gray, D.K., Read, J.S., O’reilly, C.M., Schneider, P., Qudrat, A., & Woo, K.H. (2015). A Global Database of Lake Surface Temperatures Collected by in Situ and Satellite Methods from 1985-2009. Sci Data 2, 150008. DOI: 10.1038/sdata.2015.8
  • 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. DOI: 10.21324/dacd.492730
  • Tecer, L.H., & Cerit, O. (2009). Temperature trends and changes in Rize, Turkey, for the period 1975-2007. Clean, 37(2), 150- 159. DOI: 10.1002/clen.200800021
There are 15 citations in total.

Details

Primary Language English
Subjects Structural Biology, Ecology
Journal Section Articles
Authors

Tamer Akkan 0000-0002-9866-4475

Tanju Mutlu 0000-0001-6514-6914

Eren Baş 0000-0002-0263-8804

Publication Date December 15, 2022
Submission Date May 10, 2022
Published in Issue Year 2022Volume: 39 Issue: 4

Cite

APA Akkan, T., Mutlu, T., & Baş, E. (2022). Forecasting sea surface temperature with feed-forward artificial networks in combating the global climate change: The sample of Rize, Türkiye. Ege Journal of Fisheries and Aquatic Sciences, 39(4), 311-315. https://doi.org/10.12714/egejfas.39.4.06