Irak Hava Koşulları Altındaki Serbest Uzay Optik Haberleşmesinde Atmosferik Zayıflama Tahmini için Makine Öğrenimi Derin Öğrenimden Daha Yüksek Performans Göstermektedir

Özet

Bu protokol, toz fırtınaları, sis, yağmur ve kar dahil olmak üzere çeşitli Irak çevresel koşulları altında, boşluktaki optik iletişimlerde atmosferik zayıflamayı tahmin etmek için hava durumu tabanlı bir veri setinin oluşturulmasını ve makine öğrenimi, derin öğrenme ve hibrit modellerin sistematik değerlendirmesini tanımlamaktadır.

Özet

Serbest uzay optik haberleşme sistemleri yüksek bant genişliği, artırılmış güvenlik ve lisanssız çalışma imkanı sunar ancak saçılma ve soğurulmanın neden olduğu atmosferik zayıflama kaynaklı performans düşüşünden yüksek derecede etkilenirler. Zayıflama tahmininin doğruluğu, ortamın rastgele bir biçimde sıcak, tozlu, sisli ve yağmurlu olduğu Irak'ta daha da önemlidir. Bu çalışmanın amacı, farklı Irak hava koşullarında serbest uzay optik haberleşme sistemlerinin atmosferik zayıflamasının tahmini için makine öğrenimi, derin öğrenme ve hibrit modelleme tekniklerinin performansını değerlendirmektir. Beş hava rejimi (açık gökyüzü, sis, yağmur, toz fırtınaları ve kar) için iyi yapılandırılmış fiziksel yayılım modelleri kullanılarak 1500 örnekten oluşan sentetik bir veri seti oluşturulmuştur. Altısı makine öğrenimi teknikleri (Rastgele Orman [RF], Extreme Gradient Boosting, Light Gradient Boosting Machine, Destek Vektör Regresyonu, Doğrusal Regresyon ve K-En Yakın Komşu), altısı derin öğrenme mimarileri (Çok Katmanlı Perseptron, Derin Sinir Ağı, Uzun Kısa Süreli Bellek [LSTM], Tek Boyutlu Evrişimli Sinir Ağı [CNN], CNN–LSTM ve Dikkat Tabanlı Ağ) ve üçü hibrit yaklaşımlardan oluşan toplam on beş tahminleyici model sistematik olarak değerlendirilmiştir. Sonuçlar, RF'nin derin öğrenme yaklaşımlarına (en iyi R² = 0.7766) ve hibrit yöntemlere (en iyi R² = 0.9571) kıyasla en iyi performansı (R² = 0.9654, kök ortalama kare hata = 1.324 dB/km) sergilediğini göstermiştir. Özellik önemi Shapley Additive exPlanations ile analiz edilmiş ve toz konsantrasyonunun (%67,3) ve görünürlüğün (%21,2) en etkili faktörler olduğu bulunmuştur. RF önemli ölçüde daha hızlı eğitim ve çıkarım sonuçları verirken, istatistiksel testler RF ile en iyi performans gösteren hibrit yaklaşım arasında anlamlı bir fark olmadığını ortaya koymuştur (p = 0.083). Geleneksel makine öğrenimi tekniklerinin performansının, bilinen fiziksel yayılım teorileriyle uyumlu olarak, olumsuz çevresel koşullardaki FSO haberleşme sistemlerinde atmosferik zayıflamanın tahmini için oldukça verimli olduğu kanıtlanmıştır. Bununla birlikte, bu sonuçların sentetik verilere dayandığını ve operasyonel FSO sistemlerinde kullanılmadan önce gerçek atmosferik ölçümlerle doğrulanması gerektiğini vurguluyoruz.

Giriş

Serbest uzay optik (FSO) haberleşme ağları genellikle daha yüksek kapasite ve daha iyi güvenlik sunar, ancak saçılma ve soğurma kaynaklı atmosferik zayıflama, haberleşme mesafesi için temel bir sınırlayıcı faktördür¹. Bu çalışmada; yüksek sıcaklıkların, toz fırtınalarının ve düzensiz yağışların olduğu Irak'ın zorlu ortamında FSO sinyal zayıflamasını değerlendirmek için makine öğrenimi, derin öğrenme ve hibrit yaklaşımların² ayrıntılı bir analizini sunuyoruz.

FSO haberleşme sistemleri, yüzlerce metreden birkaç kilometreye kadar olan mesafelerde 100 Gbps'yi aşan veri hızları ile yüksek bant genişlikli kablosuz bağlantı için gelecek vaat eden çözümlerden biri olarak ortaya çıkmıştır³⁴. Geleneksel radyo frekans sistemlerinin aksine görünür ve kızılötesi spektrumda çalışan FSO bağlantıları; lisanssız çalışma, elektromanyetik girişimlere karşı bağışıklık, dar ışın diverjansı sayesinde artırılmış güvenlik ve geniş bant genişliği kapasitesi gibi avantajlar sunar⁵. Bu özellikler, FSO'yu; backhaul uygulamaları, bina arası bağlantılar, afet kurtarma ağları ve fiber döşemenin aşırı maliyetli olduğu son mil bağlantıları için cazip bir teknoloji haline getirmektedir⁶. Ancak saçılma, ışın sapması ve soğurma yoluyla gerçekleşen haberleşme^7,8, erişilebilirlik ve performans açısından çevresel koşullara büyük ölçüde bağımlıdır. Bu zorluk, serbest alan optik haberleşme sistemlerinin temel kısıtlarından biridir. Hava koşulları, zayıflatma seviyelerinde (dB/km) geniş varyasyonlara neden olur. Açık gökyüzü koşullarında zayıflatma 0,5 dB/km'den daha düşük olabilirken, şiddetli sis 1550 nm'de zayıflatmanın ≥50 dB/km'ye ulaşmasına neden olabilir (1550 nm'de 50 m'nin altındaki görünürlük için 50 dB/km'ye kadar zayıflatma değerleri öngören Kim sis modeli kullanılarak)^9,10 ve şiddetli yağmur, yağış hızına bağlı olarak zayıflatmanın 20–30 dB/km'ye ulaşmasına neden olabilir (Carbonneau model öngörüsü)¹¹. Bu nedenle, güvenilir bağlantı tasarımı, ağ planlaması ve adaptif iletim stratejileri için zayıflatmanın doğru tahmini gereklidir. Geleneksel yöntemler; sis için Kim modeli¹², yağmur için Carbonneau modeli¹³ ve aerosol partikülleri için Mie saçılma teorisi gibi fiziksel yayılım modellerine dayanmaktadır¹⁴. Ancak, bu modeller iyi bir teorik temel sağlasa da, pratikte her zaman mevcut olmayan doğru atmosferik parametrelere dayanmakta ve sıklıkla eş zamanlı gerçekleşen birden fazla meteorolojik fenomen arasındaki karmaşık etkileşimleri dikkate almamaktadır¹⁵.

Irak'taki aşırı çevresel değişkenlik, serbest alan optik iletişim sistemlerinin konuşlandırılmasında önemli zorluklar teşkil etmektedir. İletim koşulları, düşük yağış miktarı ve münferit sis olaylarıyla daha da karmaşıklaşırken, kış sıcaklıkları donma noktasının altına düşebilmekte ve yaz sıcaklıkları 50 °C'nin üzerine çıkabilmektedir¹⁶. Normal dalga boylarında, 1550 nm gibi düzenli olarak kullanılan spektrumlarda, yerel olarak "al-haboob" olarak adlandırılan toz fırtınaları görüş mesafesini 100 metrenin altına indirerek 20dB/km'yi aşan zayıflama değerlerine yol açabilmektedir¹⁷. FSO sistemlerinin Irak'ta ve diğer Orta Doğu ülkelerinde başarıyla konuşlandırılabilmesi için, bu farklı çevresel koşullar altında sistem performansını kesin bir şekilde tahmin edebilen güvenilir öngörü modellerinin oluşturulması gereklidir¹⁸.

Makine öğrenimindeki yeni gelişmeler, geleneksel fizik tabanlı modelleme teknikleri için uygulanabilir alternatifler sunmaktadır. Makine öğrenimi tekniklerinin, zayıflama ile atmosferik faktörler arasındaki karmaşık doğrusal olmayan korelasyonları doğrudan öğrenme yeteneği, geleneksel analitik modellerin gözden kaçırabileceği küçük etkileşimlerin tespit edilmesini sağlar¹⁹. Çeşitli iklimsel tahmin görevlerinde, Rastgele Orman (RF) ve gradyan artırma stratejileri güçlü performans sergilemiştir²⁰. Benzer şekilde, derin öğrenme teknikleri; doğal dil işleme, bilgisayarlı görü ve zaman serisi öngörüsünde dikkat çekici başarılar elde etmiştir²¹. Ancak, bu yaklaşımlar FSO zayıflama tahmini için, özellikle sınırlı veri setleri ve oldukça değişken hava koşulları altında yeterince araştırılmamıştır²². Bu boşluğu doldurmak amacıyla, bu çalışma Irak atmosferik koşullarında FSO sinyal zayıflamasını tahmin etmek için Makine Öğrenimi, Derin Öğrenme ve hibrit yaklaşımların kapsamlı bir incelemesini sunmaktadır. Bu, iyi bilinen fiziksel yayılım modellerine dayalı, iyi tasarlanmış sentetik bir veri seti oluşturularak gerçekleştirilmiştir²³. Az sayıda baskın öngörücü değişken içeren orta ölçekli tablo biçimindeki çevresel veri setleri için, ağaç tabanlı topluluk yöntemlerinin öngörü performansının karmaşık derin öğrenme mimarilerinden daha üstün olacağı hipotezini kuruyoruz. Temel amaçlar şunlardır: (1) kontrollü bir simülasyon ortamında tahmin yöntemlerinin karşılaştırılması için temel bir metodoloji oluşturmak, (2) atmosferik zayıflamayı tahmin etmek için en iyi algoritmik stratejileri belirlemek ve (3) zayıflamayı en çok etkileyen çevresel faktörler hakkında bilgi edinmek için öznitelik önemini ve model yorumlanabilirliğini değerlendirmek. Bu çalışmada sentetik veriler kullanılmıştır, ancak gelecek çalışmalar için öngörülen gerçek dünya deneysel ölçümleriyle yapılacak sonraki doğrulamalar için temel oluşturulmuştur. Ayrıca, zayıflamayı etkileyen en önemli çevresel faktörleri belirlemek için öznitelik önemi ve yorumlanabilirlik analizleri dahil edilmiştir.

Protokol

Bu çalışma insan katılımcıları veya omurgalı hayvanları içermemiş ve doku örneklemesi yapılmamıştır. Bu araştırma için kullanılan tüm veriler, fiziksel yayılım modelleri ve kamuya açık meteorolojik parametreler kullanılarak sentetik olarak oluşturulmuştur. Bu nedenle, Kurumsal Gözden Geçirme Kurulu (IRB) veya Kurumsal Hayvan Bakım ve Kullanım Komitesi'nden (IACUC) etik onay alınmasına gerek duyulmamıştır.
Fiziksel Yayılım Teorisine Dayalı Veri Seti Oluşturma. Veri seti, Irak atmosferik koşulları için tüm bir takvim yılı (2024) boyunca boşlukta optik iletişim sistemi için saatlik atmosferik koşulları taklit edecek şekilde oluşturulmuştur. Saat başına 1.500 örnek içeren sentetik bir veri tabanı oluşturduk.

İlk olarak, hava koşulları bölgesel eğilimlere göre rastgele atanmıştır: açık gökyüzü (%54,3), toz (%24,9), sis (%10,5), yağmur (%7,4) ve kar (%2,8). İkinci olarak, her bir örneğe hava koşuluna göre ilgili fiziksel zayıflatma modeli uygulanmıştır; yani açık gökyüzü için Beer-Lambert yasası, sis için Kim modeli, yağmur için Carbonneau teorisi ve toz fırtınaları için Mie saçılma teorisi kullanılmıştır. Üçüncü olarak, FSO sisteminin parametreleri şu şekilde ayarlanmıştır: 20 dBm iletim gücü, 1550 nm dalga boyu, 3 km iletim mesafesi, 2,5 cm iletim açıklığı ve 20 cm alıcı açıklığı. Dördüncü olarak, her örnek için zayıflatma dB/km cinsinden hesaplanmıştır. Son olarak, veri setinin tamamı rastgele olarak 1.200 eğitim örneğine (%80) ve 300 test örneğine (%20) bölünmüştür. Simüle edilen koşullar; kum fırtınaları, yağmur fırtınaları ile ilişkili yüksek toz konsantrasyonlarını ve −4.89°C ile 47.99°C arasındaki sıcaklık değişimlerini içermektedir. Hava koşulları ve parametre dağılımları, 2020–2024 dönemi Irak iklim kayıtlarına dayanarak seçilmiştir. Beş hava rejimi (açık gökyüzü, sis, yağmur, toz fırtınaları ve kar), Orta Doğu'da özellikle yaygın olan toz fırtınaları da dahil olmak üzere Irak'taki FSO zayıflatmasını etkileyen atmosferik koşulların tüm spektrumunu kapsadıkları için seçilmiştir. Irak bölgeleri genelinde toplanan meteorolojiye ilişkin tarihsel veriler, her hava koşulu için olasılık dağılımını oluşturmak amacıyla kullanılmıştır. Ortaya çıkan dağılım şu şekildedir: gökyüzünün %54,3'ü açıktır (baskın durum), %24,9'u tozludur (Irak'ın kum fırtınası sorununu temsil eder), %10,5'i sistir (kuzey Irak kışlarında sıktır), %7,4'ü yağmurdur (Irak için tipik olan düşük yağış miktarları) ve %2,8'i kardır (bazen kuzeydeki dağlık bölgelerde görülür). İlgili meteorolojik parametreler, her hava koşulu için şu olasılık dağılımları kullanılarak modellenmiştir: sıcaklık, Irak'ın mevsimsel ekstrem değerlerine dayanarak −4.89°C ile 47.99°C arasında normal bir dağılımla (ortalama 28.55±11.18°C) modellenmiştir; nem, %0'dan %100'e kadar tekdüze bir dağılımla (ortalama %42.01±25.56) modellenmiştir; görüş mesafesi, toz fırtınaları sırasındaki sık düşük görüş olaylarını hesaba katmak için 0,05 km ile 29,99 km arasında log-normal bir dağılımla (ortalama 13.10±10.91 km) modellenmiştir; toz konsantrasyonu ise düşük konsantrasyonlar için daha yüksek olasılıklar ve ekstrem toz olayları için uzun kuyruklar içeren, 0 ile 4.96 mg/m³ arasında üstel bir dağılımla (ortalama 0.74±1.30 mg/m³) modellenmiştir.

Haberleşme sistemi; 20 dBm iletim gücü, 1550 nm dalga boyu, 3 km'ye kadar iletim mesafesi, 2,5 cm iletim açıklığı ve ıraksama kaybını telafi etmek için 20 cm alıcı açıklığı ile tasarlanmıştır. FSO sisteminin parametreleri iki gruba ayrılmıştır: tüm örnekler için değişmeyen sabit parametreler ve veri setinin oluşturulması sırasında değiştirilen değişken parametreler. 1.500 örneğin tamamı için şu parametreler sabit tutulmuştur: iletim gücü (20 dBm), çalışma dalga boyu (1550 nm), iletim açıklığı (çap 2,5 cm, verimlilik 0,7) ve alıcı açıklık (çap 20 cm, verimlilik 0,7). Bu parametreler, FSO sistemi donanımının fiziksel özellikleri oldukları ve hava koşullarıyla değişmedikleri için sabitlenmiştir. Veri seti; sıcaklık (−4,89°C ile 47,99°C arası), nem (%0 ile %100 arası), görüş mesafesi (0,05 km ile 29,99 km arası), toz konsantrasyonu (0 ile 4,96 mg/m³ arası) ve hava durumu (açık gökyüzü, sis, yağmur, toz, kar) parametreleri değiştirilerek 1500 örnekle oluşturulmuştur. Bu parametreler, 2020–2024 yılları arasındaki Irak iklim kayıtlarından türetilen olasılık dağılımlarına göre düzenlenmiştir. Her bir örnek için zayıflama değeri (dB/km), hava koşullarının ve değişken parametrelerin spesifik kombinasyonuna göre ilgili fiziksel zayıflama modeli kullanılarak hesaplanmıştır.

Fiziksel zayıflama; yağmur için Carbonneau modeli, açık hava için Beer–Lambert yasası, toz için Mie saçılma teorisi ve sis için Kim modeli kullanılarak modellenmiştir²⁴. Beer-Lambert yasası, zayıflamanın mesafe ile üstel olarak azalan moleküler saçılma ve soğurma tarafından domine edildiği açık gökyüzü koşulları için geçerlidir²⁵. 1550 nm'deki sönümleme katsayısı α, hava molekülleri tarafından gerçekleştirilen Rayleigh saçılmasına ve atmosferik gazlar tarafından yapılan soğurmaya bağlıdır²⁶. Kim modeli, zayıflamayı sis damlacığı boyut dağılımlarından türetilen ampirik katsayılar aracılığıyla görünürlüğe ilişkilendiren sise özgü bir modeldir. Dalga boyuna bağlı q üssü, Mie saçılmasını hesaba katar²⁷. Carbonneau modelinin ana parametresi, yağmur zayıflamasının yağmur damlalarının boyutuna ve yoğunluğuna bağlı olması nedeniyle yağış hızı R'dir ve katsayılar 1550 nm'de ampirik olarak türetilmiş ve özellikle optik dalga boyları için kalibre edilmiştir²⁸. Toz partikül boyutu (0.1–100 μm yarıçap) dalga boyu (1550 nm) ile kıyaslanabilir olduğundan ve Orta Doğu tozu için karmaşık kırılma indisi m = 1.55–0.005i hem saçılmayı hem de soğurmayı içerdiğinden, Mie saçılma teorisi toz koşulları için uygulanabilir²⁹. Aşağıdaki fiziksel zayıflama modelleri, ilgili denklemleri ve parametre ayarlarıyla birlikte uygulanmıştır.

Açık gökyüzü koşulları için Beer-Lambert yasası kullanılmıştır:

A_clear = 10×log₁₀(e^(α×d)) (1)

burada α sönümleme katsayısıdır (açık hava koşullarında 1550 nm'de 0,02 dB/km merkezli ve ±0,005 dB/km varyasyonlu bir normal dağılım kullanılarak değiştirilmiştir) ve d iletim mesafesidir (3 km olarak sabitlenmiştir). Sisli koşullar için Kim modeli şu denklem kullanılarak uygulanmıştır:

A_fog = 10×ln(10)/V×(λ/550)^−q (2)

burada V kilometre cinsinden görünürlüktür (0,05km ile 10km arasında değişir), λ nanometre cinsinden dalga boyudur (1550nm olarak sabitlenmiştir) ve q, şu şekilde hesaplanan parçacık boyutu dağılım katsayısıdır: V>50 km için q=1,6, 6<V<50 km için q=1,3, 1 <V<6km için q=0,585×V^(1/3), 0,5<V<1km için q=0 ve V<0,5km için q=0,5. Yağmurlu koşullar için Carbonneau modeli kullanılmıştır:

A_rain=0.023×R^0.93 (3)

burada R, mm/h cinsinden yağış hızlarıdır (Irak yağış kayıtlarına göre 0.25 ile 50mm/h arasında değişmektedir). Toz fırtınası koşulları için Mie saçılması kullanılarak sönümleme verimliliği ilişkisinden yararlanılmıştır:

A_dust=10×log₁₀(e^(τ×L)) (4)

burada τ=∫₀^∞ πr²Qext(r,λ,m)N(r)dr; r parçacık yarıçapıdır (Irak toz bileşimine göre 0.1–100μm), Qext Mie teorisi kullanılarak hesaplanan sönümleme verimliliğidir, λ=1550nm, m=1.55–0.005i Orta Doğu tozu için kompleks kırılma indisidir ve N(r), geometrik ortalama yarıçapı 2.5 μm ve standart sapması 2.0 olan log-normal dağılım kullanılarak modellenmiş parçacık boyutu dağılımıdır. Zayıflatma modeli, kar koşulları için şu şekilde uygulanmıştır:

A_snow = 0.1×S^0.75 (5)

burada S, mm/h cinsinden kar yağış hızıdır (0.5–15 mm/h). Bu ampirik denklem, kar tanesi boyut dağılımlarına uygulanan Mie saçılma teorisi kullanılarak kar boyunca optik yayılım için zayıflama modellerinin geliştirildiği literatürdeki çalışmalara³⁰ dayanarak seçilmiştir. Denklem, 0.5 ile 15 mm/h arasındaki kar yağış hızları için geçerlidir ve 1–10 mm tipik kar tanesi çaplarına sahip kuru kar koşullarını varsayar. 0.1 katsayısı ve 0.75 üssü, 1550 nm'deki kar için yapılan Mie saçılma30 hesaplamalarının eğri uydurmasından elde edilmiştir. Kuru kar için makul bir tahmin sunsa da, değişken zayıflama özelliklerine sahip olabilen nemli kar veya karma yağışlar için düzeltme yapmaz. Yaklaşım hesaplama açısından etkili olduğu, FSO yayınlarında sıkça referans verildiği ve kuzey Irak'ta (Ocak ve Şubat aylarında Kürdistan bölgesi) öngörülen kar koşulları için uygun olduğu için bu araştırma için seçilmiştir. Sayısal hesaplamalar için Numpy kullanılarak tüm modeller Python 3.9 ile uygulanmıştır. Her örnek için zayıflama değerini hesaplamak amacıyla, rastgele seçilen hava durumuna ve örneklenen ortam verilerine uygun model kullanılmıştır. Elde edilen hava durumu dağılımı 814 açık gökyüzü durumu (%54,27), 375 toz olayı (%25,00), 157 sis olayı (%10,47), 111 yağmur olayı (%7,40) ve 43 kar olayını (%2,87) içermektedir.
Hava durumu durumlarının oranlarını belirlemek için 2020 ile 2024 yılları arasında çeşitli bölgelerdeki (Bağdat, Basra, Musul ve Ramadi) Irak meteoroloji istasyonlarından toplanan geçmiş meteorolojik bilgilerin incelenmesi kullanılmıştır. Orijinal veriler Irak Ulaştırma Bakanlığı ile Irak Meteoroloji ve Sismoloji Organizasyonu (IMOS) tarafından sağlanmıştır. Veriler arasında, her gün için mevcut atmosferik koşulları kaydeden günlük hava kayıtları yer almıştır. Bu kayıtlardan çıkarılan spesifik özellikler arasında sıcaklık (günlük minimum, maksimum ve ortalama), bağıl nem, görüş mesafesi, yağış miktarı ve toz fırtınası olayları bulunmaktaydı. Irak hükümetinin açık veri portalı (https://www.motrans.gov.iq/), IMOS verilerinin bir kısmına erişim sağlamaktadır; ancak bu çalışmada kullanılan özel kayıtlar merkezi bir depoda kamuya açık olarak saklanmamaktadır. Hava durumu oranlarını ve parametre değerlerini hesaplamak için kullanılan iklim bilgileri Tablo 1'de özetlenmiştir. Açık gökyüzü günleri; yağış olmayan, görüş mesafesinin 10 km'den fazla olduğu ve toz aktivitesinin bulunmadığı günler olarak tanımlanmış olup, kaydedilen 1.825 günün %54,27'sini oluşturmuştur. Toz fırtınası günleri (tam toz fırtınası (görüş < 1 km) ve asılı toz (görüş 1–5 km) dahil), günlerin %25,00'ünü oluşturarak Irak'ın kurak ve yarı kurak iklimindeki kum fırtınası olaylarının yüksek sıklığını göstermiştir. Su damlacıklarının asılı kalması nedeniyle (toz kaynaklı görüş azalması hariç) görüş mesafesinin 1 km'den az olduğu günler sisli günler olarak sınıflandırılmıştır. Sisli günlerin oranı %10,47'dir ve sisli günler ağırlıklı olarak kış mevsiminde kuzey Irak bölgelerinde görülmüştür. Ölçülebilir yağışın >0.1 mm olduğu yağmurlu günler %7,40 oranındadır ve bu durum Irak'taki yıllık ortalama 150–200 mm düşük yağış miktarı ile tutarlıdır. Kar günleri (donmuş yağış birikiminin olduğu günler) günlerin %2,87'sini oluşturmuş ve Ocak ile Şubat aylarında dağlık kuzey bölgelerle (Kürdistan bölgesi) sınırlı kalmıştır. Bu oranlar daha sonra veri seti oluşturmadaki rastgele örnekleme için olasılık ağırlıkları olarak kullanılmıştır. Böylece, sentetik veri seti Irak ortamındaki her bir hava durumunun gerçek dünyadaki sıklığını yansıtmaktadır.

Sentetik veri üretiminde yanlılık değerlendirmeleri

Olası yanlılığı azaltmak için şu adımlar uygulanmıştır:

(1) Dağılımın seçilmesi: Olasılık dağılımlarını seçmek için kaynak iklim verilerinin istatistiksel özellikleri kullanılmıştır. Sıcaklık, IMOS tarafından kaydedilen ortalama ve standart sapma ile normal dağılım göstermiştir. Nem, gözlemlenen tüm aralıkta (0-100%) tekdüze dağılım sergilemiştir. Toz fırtınaları sırasında düşük görüş mesafesi olaylarının sıkça meydana gelmesini açıklamak için görüş mesafesinin log-normal bir dağılıma uyduğu varsayılmıştır. Toz konsantrasyonu, düşük konsantrasyonlarda daha yüksek olasılıkların ve ekstrem toz olaylarında uzun kuyrukların olduğu eksponansiyel bir dağılım izlemiştir³¹. Bu durum, Irak'ta gözlemlenen toz olaylarının sıklığı ile uyumludur³².

(2) Hava koşullarının oranları: Dört bölgenin tamamında 1.825 günlük gözlemi kapsayan 2020–2024 yılları arası IMOS kayıtlarının analizi sonucunda şu oranlar elde edilmiştir: %54,3 açık gökyüzü, %24,9 toz, %10,5 sis, %7,4 yağmur ve %2,8 kar. Yağışsız günler, görüş mesafesi >10 km ve toz aktivitesinin olmadığı günler açık gökyüzü günleri olarak tanımlanmıştır. Toz fırtınalarının olduğu günler, hem tam toz fırtınalarını (görüş mesafesi <1 km) ve askıda kalan toz (görüş mesafesi 1–5 km). Sisli gün, görüş mesafesinin 1 km'den az olduğu ve nedenin su damlacıklarının askıda kalması (toz değil) olduğu gün olarak tanımlanmıştır. Yağmurlu günler ise ölçülebilir yağışın olduğu günler olarak tanımlanmıştır >0,1 mm. Kar günleri, birikmiş donmuş yağışın olduğu günler olarak tanımlanmıştır³³.

(3) Parametre aralıkları: Parametre aralıkları, IMOS kayıtlarında gözlemlenen uç değerlere dayandırılmıştır: sıcaklık −4.89 °C (Musul, kış) ile 47.99 °C (Basra, yaz) arasında, görüş mesafesi 0.05 km (şiddetli toz fırtınaları) ile 29.99 km (açık hava koşulları) arasında ve toz konsantrasyonu 0 ile 4.96 mg/m3 arasında (şiddetli haboob olayları sırasında gözlemlenen maksimum toz konsantrasyonuna dayanarak) değişmiştir³⁴.

(4) Bağımsızlık Varsayımları: Atmosferik değişkenlerin birbiriyle ilişkili olduğu gerçek dünya koşullarının (örneğin, yüksek toz konsantrasyonunun genellikle düşük görüş mesafesiyle ilişkili olması) bir basitleştirmesi olarak, çevresel parametrelerin bağımsız olarak örneklemiş olduğu varsayılmıştır. Metodik model karşılaştırması için kontrollü bir simülasyon ortamı sağlamak amacıyla bu bağımsızlık varsayımı benimsenmiştir ³⁵. Bu varsayımların doğurduğu sonuçlar Tartışma bölümünde ele alınmıştır.

(5) Tabakalı Bölme: Eğitim-test bölmesi, eğitim ve test setlerindeki her bir hava durumu koşulunun oranının orijinal veri seti dağılımına karşılık gelmesini sağlamak için hava durumu kategorisine (açık gökyüzü, sis, yağmur, toz, kar) göre tabakalı olarak gerçekleştirilmiştir. Bu sayede, test setinin nadir hava koşulları (özellikle %2,87 oranındaki kar) bakımından dengesiz olması önlenmiştir³⁶.

Deterministik hedef üretimin onaylanması

Burada görülen iyi öngörü performansının, kısmen modelin sentetik hedef değerleri oluşturmak için kullanılan deterministik fizik denklemlerini öğrenmesi veya bunlara yakınsamasıyla ilgili olabileceğini belirtmek önemlidir³⁷. Ölçüm gürültüsü, cihaz hataları ve modellenmemiş fiziksel fenomenler içeren gerçek dünya deneysel ölçümlerinin aksine, sentetik veri seti giriş özellikleri ile zayıflama hedefi arasında temiz ve gürültüsüz bir ilişki sunar. Bunun nedeni, zayıflama değerlerinin giriş parametrelerine dayalı olarak doğrudan fiziksel yayılım modellerinden (Beer-Lambert yasası, Kim modeli, Carbonneau modeli ve Mie saçılma teorisi) hesaplanmış olmasıdır. Bu nedenle, nicel performans metrikleri (R², RMSE, MAE), denklem türevli sentetik veriler üzerindeki performansı temsil eder ve gürültülü gözlemsel veya deneysel veriler üzerindeki beklenen performans olarak yorumlanmamalıdır. Sonuçlar, öncelikle kontrollü bir simülasyon ortamındaki modelleme metodolojilerinin karşılaştırmalı bir değerlendirmesi olarak görülmelidir³⁸.

Model eğitimi için eksiksiz özellik seti

Eğitim veri seti, model eğitimi için 10 girdi özelliğine sahipti:

1. Sıcaklık (°C)

2. Nem (% kapasitas)

3. Görüş Mesafesi (km)

4. Toz konsantrasyonu (mg/m³)

5. Yağış hızı (mm/h)

6. Kar yağış hızı (mm/h)

7. Rüzgar hızı (m/s)

8. Atmosferik basınç (hPa)

9. Ay (sayısal, 1–12)

10. Mevsim (tekil kodlanmış/one-hot encoded: ilkbahar, yaz, sonbahar, kış)

Önemli Açıklama: Hava koşulları (açık gökyüzü, sis, yağmur, toz, kar), veri seti bölünmesi sırasında tabakalama için kategorik bir değişken olarak kullanılmış olup herhangi bir model için girdi özelliği olarak dahil edilmemiştir. SHAP analizi yalnızca yukarıda listelenen 10 özelliği içermektedir. Mevsim değişkeni one-hot kodlanmış (4 kategori: ilkbahar, yaz, sonbahar, kış) ve SHAP analizi için, one-hot kodlanmış mevsim değişkenlerinin katkıları, tek bir mevsim katkı değeri üretmek amacıyla mevsimler genelinde toplanmıştır. Bu birleştirilmiş değer, tüm mevsimle ilgili değişkenlerin zayıflama tahmini üzerindeki toplam katkısını temsil eder. Özet şekli oluşturulmadan önce, one-hot kodlanmış dört mevsim sütunu belirlenmiş ve her bir örnek için SHAP değerleri birbirine eklenmiştir. Bu yöntem, modelin mevsimi bileşik bir kategorik değişken olarak kullanımının SHAP analizi ile tutarlı olmasını sağlar.

Fiziksel mekanizmalar aracılığıyla optik zayıflamayı doğrudan etkileyen temel çevresel faktörler 1–6 numaralı özelliklerdi. Tamamlayıcı meteorolojik faktörler olarak 7 ve 8 numaralı özelliklerin (rüzgar hızı ve basınç) eklenmesi, hava stabilitesini ve aerosol dağılımını etkileyerek zayıflama üzerinde dolaylı bir etkiye sahip olabilir. Atmosferik koşullardaki mevsimsel varyasyonları hesaba katmak için 9–10 numaralı özellikler (ay ve mevsim) zamansal tanımlayıcılar olarak dahil edilmiştir. Tüm modeller için hedef değişken olarak zayıflama değeri (dB/km) kullanılmıştır. Temel veri seti istatistikleri arasında sıcaklık (28.55°C ± 11.18°C), nem (42.01% ± 25.56%), görüş mesafesi (13.10 ± 10.91 km; aralık: 0.05–29.99 km), toz konsantrasyonu (0.74 ± 1.30 mg/m³; maksimum: 4.96 mg/m³), zayıflama (4.80 ± 7.20 dB/km; aralık: 0.09–50.93 dB/km), çalışma menzili (5.74 ± 1.97 km) ve sinyal-gürültü oranı (64.88 ± 15.07 dB) yer almaktaydı. Çalışma Menzili ve SNR, standart FSO hat bütçesi denklemleri kullanılarak zayıflama değerlerinden hesaplanmıştır.

Çalışma aralığı hesaplaması

Çalışma Menzili (km cinsinden) hat bütçesi denklemi kullanılarak hesaplanmıştır:

P_rx=P_tx×G_t×G_r×(λ/(4πR))²×10^(−A×R/10) (6)

Burada: P_rx = alınan güç (minimum hassasiyet olan −30 dBm olarak ayarlanmıştır); P_tx = iletim gücü (20 dBm olarak sabitlenmiştir); G_t = verici kazancı (apertür boyutlarından hesaplanmıştır); G_r = alıcı kazancı (apertür boyutlarından hesaplanmıştır); λ = dalga boyu (1550 nm); R = km cinsinden menzil; A = dB/km cinsinden atmosferik zayıflama (fiziksel modellerden hesaplanmıştır).

Verici ve Alıcı Kazançları: Verici kazancı (G_t) şu şekilde hesaplanmıştır: G_t = 10×log₁₀[0.7×(π×0.025/1.55×10⁻⁶)²] ≈ 44.2 dBi. Alıcı kazancı (G_r) şu şekilde hesaplanmıştır: G_r = 10×log₁₀[0.7×(π×0.20/1.55×10⁻⁶)²] ≈ 62.3 dBi. İletim açıklığı 2.5 cm çapında ve 0.7 verimliliğindeydi. Alıcı açıklığı 20 cm çapında ve 0.7 verimliliğindeydi. Her bir zayıflama değeri için ulaşılabilir maksimum bağlantı mesafesini belirlemek amacıyla denklem, R için yinelemeli olarak çözülmüştür.

Sinyal-gürültü oranı hesaplaması

dB cinsinden SNR (Sinyal-Gürültü Oranı), şu denklem kullanılarak hesaplanmıştır:

SNR=P_rx−10×log₁₀(kTB)−NF (7)

Burada: P_rx = dBm cinsinden alınan güç (hat bütçesinden hesaplanmıştır); k = 1.38×10⁻²³ J/K (Boltzmann sabiti); T = 290 K (alıcı sıcaklığı); B = 10⁹ Hz (alıcı bant genişliği, 1 GHz); NF = 3 dB (alıcı gürültü faktörü). Gürültü tabanı şu şekilde hesaplanmıştır:

10 × log₁₀(kTB) ≈ −84 dBm  (8)

Her bir örnek için, uygun fiziksel model kullanılarak zayıflama A hesaplandıktan sonra, bağlantı bütçesi R için çözülerek Çalışma Aralığı türetilmiş ve bu aralıktaki sonuç alınan güç P_rx değerinden SNR hesaplanmıştır.

Hava Durumuna Özgü Çalışma Menzili Değerleri: Çalışma menzili hava koşullarına göre farklılık gösterdi: açık gökyüzü (7.12 ± 1.85 km), sis (5.81 ± 1.92 km), kar (5.42 ± 1.56 km), yağmur (3.81 ± 0.98 km) ve toz (3.72 ± 1.08 km). Mevcut hesaplamalarda 3 dB marj uygulanmamıştır; çalışma menzili, bir sistem marjı olmaksızın teorik maksimum menzili temsil etmektedir. Bildirilen çalışma menzili (5.74 ± 1.97 km), tüm hava koşulları genelindeki ortalamadır³⁹.

Sabit İletim Mesafesi: Fiziksel zayıflama modellerindeki iletim mesafesi 3 km olarak belirlenmiştir. Bu, zayıflama hesaplamalarının gerçekleştirildiği bağlantı mesafesidir. Bildirilen çalışma aralığı, bağlantı bütçesi denklemi kullanılarak hesaplanan ve sabit 3 km iletim mesafesinden farklılık gösterebilen teorik maksimum mesafedir. Hava durumuna özgü zayıflama değerleri; açık hava (0.27±0.06 dB/km), sis (1.88±1.92 dB/km), kar (6.45±2.54 dB/km), yağmur (13.58±6.32 dB/km) ve toz (13.10±7.32 dB/km) için kaydedilmiştir. Aksi belirtilmedikçe, bu makalede bildirilen tüm nicel değerler ortalama ± standart sapma (SD) olarak sunulmuştur⁴⁰.

Random Forest için çapraz doğrulama R² değeri 0,960±0,007 olarak bildirilmiştir. Sıcaklık (−4,89 ila 47,99°C), görünürlük (0,05 ila 29,99km), toz konsantrasyonu (0 ila 4,96 mg/m³) ve zayıflatma (0,09 ila 50,93dB/km) gibi belirli durumlarda, aralık (en düşükten en yükseğe) sözel olarak verilmiştir. Veri seti, test (300 örnek; %20) ve eğitim (1.200 örnek; %80) için alt gruplara ayrılmıştır. Eğitim-test ayrımını gerçekleştirmek için tabakalı rastgele örnekleme kullanılmıştır. Eğitim setindeki (%80) ve test setindeki (%20) her bir hava durumu koşulunun yüzdesinin orijinal veri seti dağılımıyla eşleşmesini sağlamak için hava durumu kategorisine (açık gökyüzü, sis, yağmur, toz ve kar) göre tabakalama yapılmıştır. Özellikle, 1.500 örneğin 1.200'ü (%80) öğrenme setine ve 300'ü (%20) test setine ayrılmıştır. Orijinal oranlar korunarak her bir meteorolojik koşul kategorisi için örnekler rastgele seçilmiştir: 814 açık gökyüzü örneğinden (%54,27) 651'i eğitime ve 163'ü teste; 375 toz örneğinden (%25,00) 300'ü eğitime ve 75'i teste; 157 sis örneğinden (%10,47) 126'sı eğitime ve 31'i teste; 111 yağmur örneğinden (%7,40) 89'u eğitime ve 22'si teste; 43 kar örneğinden (%2,87) 34'ü eğitime ve 9'u teste atanmıştır. Tekrarlanabilirliği sağlamak için her tabaka içindeki rastgele örnekleme, 42 rastgele tohumu (random seed) kullanılarak gerçekleştirilmiştir. Bu tabakalı yaklaşım, nadir hava koşullarının (özellikle %2,87 oranındaki kar yağışının) test setinde dengesiz temsil edilmesini önlemek için seçilmiştir; aksi takdirde bu durum, söz konusu koşullar için güvenilmez performans değerlendirmelerine yol açabilirdi.

Makine öğrenimi model değerlendirmesi

Radyal tabanlı fonksiyon çekirdekli Destek Vektör Regresyonu (SVR; C = 100), K-En Yakın Komşu (KNN; k = 10, mesafe ağırlıklı), RF (200 ağaç, maksimum derinlik = 20), Extreme Gradient Boosting (XGBoost; 200 tahminci, maksimum derinlik = 10, öğrenme hızı = 0.1), Light Gradient Boosting Machine (LightGBM; 200 tahminci, maksimum derinlik = 10, öğrenme hızı = 0.1) ve temel Doğrusal Regresyon dahil olmak üzere altı makine öğrenimi yöntemi değerlendirilmiştir. Tüm makine öğrenimi ve derin öğrenme modelleri için en kritik parametrelerin hiperparametre optimizasyonu gerçekleştirilmiş, belirtilmeyen parametreler için ise varsayılan değerler korunmuştur. Makine öğrenimi modelleri için aşağıdaki parametreler, eğitim seti üzerinde 5 katlı çapraz doğrulama ile ızgara araması kullanılarak açıkça optimize edilmiştir: 1) Random Forest: ağaç sayısı (test edilenler: 50, 100, 150, 200, 250) ve maksimum derinlik (test edilenler: 10, 15, 20, 25, sınır yok); optimal değerler olarak 200 ağaç ve 20 derinlik seçilmiştir. 2) XGBoost: tahminci sayısı (test edilenler: 100, 150, 200, 250), maksimum derinlik (test edilenler: 6, 8, 10, 12) ve öğrenme hızı (test edilenler: 0.05, 0.1, 0.2); optimal değerler 200 tahminci, 10 derinlik ve 0.1 öğrenme hızı olarak belirlenmiştir. 3) LightGBM: aynı optimizasyon aralıkları kullanılmış ve sonuç olarak 200 tahminci, 10 derinlik ve 0.1 öğrenme hızı elde edilmiştir. 4) SVR: regülarizasyon parametresi C (test edilenler: 1, 10, 50, 100) ve çekirdek katsayısı gamma (test edilenler: ‘scale’, ‘auto’, 0.1, 0.01) optimize edilmiş; optimal olarak C = 100 ve RBF çekirdeği seçilmiştir. 5) KNN: komşu sayısı k (test edilenler: 3, 5, 7, 10, 15) optimize edilmiş; optimal olarak k = 10 ve mesafe ağırlıklı oylama etkinleştirilmiştir.

Bu modeller için diğer tüm parametreler scikit-learn'de tanımlandığı şekliyle varsayılan değerlerinde bırakılmıştır (versiyon için Materyaller Tablosuna bakınız; örneğin, Random Forest: bootstrap=True, min_samples_split=2, min_samples_leaf=1; XGBoost: subsample=1.0, colsample_bytree=1.0, gamma=0). Derin öğrenme modelleri için mimari (katman sayısı ve katman başına birim sayısı) ve dropout oranı (%20), doğrulama seti üzerinde tekrarlayan deneylerle manuel olarak optimize edilmişken; optimize edici (Adam), başlangıç öğrenme oranı (0.001), erken durdurma sabrı (20 epochs) ve öğrenme oranı azaltma parametreleri (faktör 0.5, sabır 10), literatürdeki standart uygulamalara göre belirlenmiş ve tüm derin öğrenme deneyleri boyunca sabit tutulmuştur.

İklim veri kaynakları

Hava durumu durum oranlarını ve değişken dağılımlarını hesaplamak için 2020 ile 2024 yılları arasında Irak'taki çeşitli istasyonlardan (Bağdat, Basra, Musul ve Ramadi) toplanan tarihsel meteorolojik bilgiler kullanılmıştır. Ham veriler, Irak Ulaştırma Bakanlığı ve Irak Meteoroloji ve Sismoloji Organizasyonu (IMOS) tarafından sağlanmıştır. Verilere, her gün için hakim atmosferik durumu detaylandıran günlük hava kayıtları dahil edilmiştir. Bu kayıtlardan elde edilen spesifik değişkenler arasında sıcaklık (günlük minimum, maksimum ve ortalama), bağıl nem, görüş mesafesi, yağış miktarı ve toz fırtınası oluşumları yer almaktadır. IMOS verileri kısmen Irak hükümetinin açık veri portalı (https://www.motrans.gov.iq/) üzerinden erişilebilirdir, ancak bu çalışmada kullanılan spesifik kayıtlar merkezi bir depoda kamuya açık olarak arşivlenmemiştir. Hava durumu koşullarının oranlarını ve parametre aralıklarını belirlemek için kullanılan iklim verilerinin özeti Tablo 1'de sunulmuştur.

Hiperparametreleri optimize etmek ve tüm makine öğrenmesi modelleri için performansı tahmin etmek amacıyla eğitim seti (1.200 örnek) üzerinde beşli çapraz doğrulama kullanılmıştır. Tüm giriş değişkenleri (sıcaklık, nem, görüş mesafesi, toz konsantrasyonu, yağış oranı, kar yağışı oranı, rüzgar hızı, basınç), standartlaştırma (Z-skoru normalizasyonu) ile özellik ölçeklendirilmesine tabi tutulmuştur: x_scaled = (x − μ)/σ; burada μ ve σ, eğitim setinin ortalaması ve standart sapmasıdır. Veri sızıntısını önlemek için, her çapraz doğrulama katlaması içinde yalnızca eğitim katlamasından elde edilen istatistikler kullanılarak standartlaştırma yapılmıştır. Ağaç tabanlı modeller (Random Forest, XGBoost, LightGBM) ölçekten bağımsızdır, ancak tüm makine öğrenmesi modellerinde tutarlılık sağlamak adına aynı standartlaştırma uygulanmıştır. Derin öğrenme modelleri için, özellikleri eğitim setindeki min/max değerlerine göre [0, 1] aralığına ölçeklendiren min-max normalizasyonu kullanılmıştır: x_scaled = (x−x_min)/(x_max−x_min). Sınırlı girişler, sinir ağlarının daha hızlı yakınsamasını sağladığı için tercih edilmiştir. Test seti, eğitim setinden elde edilen parametreler kullanılarak ölçeklendirilmiş olup model seçimi veya hiperparametre optimizasyonu için kullanılmamıştır.

Test belirleme katsayısı (R²), kare ortalama kare hata (RMSE), ortalama mutlak hata (MAE), çapraz doğrulama R² ve eğitim süresi dahil olmak üzere kapsamlı performans metrikleri kaydedilmiştir. Tüm makine öğrenimi ve derin öğrenme modelleri için eğitim süreleri; hızlı modeller (Doğrusal Regresyon, KNN, SVR, Rastgele Orman, XGBoost, LightGBM) için saniye (s), yavaş modeller (derin öğrenme mimarileri) için ise dakika (dak) cinsinden raporlanmıştır. Adil bir karşılaştırma sağlamak amacıyla tüm modeller aynı hesaplama ortamında eğitilmiştir⁴¹.

Eğitim süresi, Python time modülü kullanılarak ölçülmüştür; yani veri yükleme ve ön işleme için gereken süre hariç tutularak, model kurma fonksiyonunun başlangıcından sonuna kadar geçen gerçek duvar saati süresi kaydedilmiştir. Derin öğrenme modeli için eğitim süresi, erken durdurmaya kadar tüm epokların tamamlanması için geçen süredir. Bu süre; ileri yayılım, geri yayılım ve doğrulama kontrollerini içerir. Tutarlı zamanlama ölçümleri elde etmek için tüm deneyler, sistemde başka herhangi bir hesaplama yoğun süreç çalıştırılmadan gerçekleştirilmiştir. Süreler, 5 bağımsız çalışmanın ortalamasıdır (standart sapmalar)⁴².

Derin öğrenme modeli değerlendirmesi

Çok Katmanlı Perseptron (MLP; 64-32-16), toplu normalizasyonla (batch normalization) desteklenmiş bir Derin Sinir Ağı (DNN; 128-64-32-16), bir Uzun Kısa Süreli Bellek ağı (LSTM; 64-32 birim, dizi uzunluğu = 10), bir boyutlu evrişimli sinir ağı (1D-CNN), bir CNN–LSTM hibrit modeli ve dikkat tabanlı (attention-based) bir ağ olmak üzere altı derin öğrenme mimarisi GPU hızlandırması kullanılarak değerlendirildi. Tüm derin öğrenme modelleri, Keras API ile TensorFlow kullanılarak uygulandı ve GPU hızlandırmasıyla çalıştırıldı (donanım/yazılım versiyonları için Malzemeler Tablosuna bakınız). 1D-CNN mimarisi; üç evrişimli katman (64, 128 ve 256 filtre, çekirdek boyutu 3, ReLU aktivasyonu, padding=’same’), iki MaxPooling1D katmanı (havuz boyutu 2), bir GlobalAveragePooling1D katmanı, 128 birimli ve ReLU aktivasyonlu bir Dense katmanı, bir Dropout katmanı (0.2) ve bir Dense çıktı katmanından (1 birim, lineer aktivasyon) oluşarak toplamda yaklaşık 245.000 eğitilebilir parametreye sahipti. CNN-LSTM hibrit mimarisi, 5 özelliğe sahip 10 zaman adımlı giriş dizilerini kabul etti ve iki Conv1D katmanı (64 ve 128 filtre, çekirdek boyutu 3, ReLU, padding=’same’), bir MaxPooling1D katmanı (havuz boyutu 2), iki LSTM katmanı (64 ve 32 birim, return_sequences=False), Dropout katmanları (0.2), bir Dense katmanı (32 birim, ReLU) ve bir Dense çıktı katmanı (1 birim, lineer aktivasyon) kullanarak toplamda yaklaşık 198.000 eğitilebilir parametreye ulaştı. Dikkat tabanlı ağ, girişin 64 boyuta yansıtıldığı 4 başlı (anahtar ve değer boyutları 64) bir çok başlı dikkat (multi-head attention) mekanizması kullandı; bunu ölçeklendirilmiş nokta çarpım dikkati (formül: Attention(Q, K, V) = softmax(QK^T/√d_k)), artık bağlantılar (residual connections), katman normalizasyonu, bir ileri beslemeli ağ (128→64 birim), global ortalama havuzlama, Dropout (0.2), bir Dense katmanı (32 birim, ReLU) ve bir Dense çıktı katmanı (1 birim, lineer aktivasyon) takip etti ve toplamda yaklaşık 167.000 eğitilebilir parametreye sahipti⁴³.

Tüm modellerde erken durdurma (patience = 20), öğrenme hızı azaltma (faktor = 0.5, patience = 10), dropout (%20) ve Adam optimize edici (learning rate = 0.001) kullanılmıştır. Tüm derin öğrenme modelleri için batch boyutu 32 örnek olarak belirlenmiş, maksimum eğitim epoch sayısı erken durdurma ile (patience = 20, en iyi ağırlıkların geri yüklenmesi) 200 olarak ayarlanmış ve kayıp fonksiyonu olarak ortalama kare hata (MSE) kullanılmıştır. Eğitim-doğrulama ayrımı şu şekilde yapılmıştır: orijinal 1.200 eğitim örneğinden (%80/20 eğitim-test ayrımından sonra), %80'i (960 örnek) eğitim için ve %20'si (240 örnek) doğrulama için kullanılmıştır. Dağılımı korumak amacıyla eğitim-doğrulama ayrımı hava durumuna göre tabakalı olarak yapılmıştır. Doğrulama seti yalnızca erken durdurma, öğrenme hızı düşürülmesi ve aşırı öğrenmenin (overfitting) izlenmesi için kullanılmış; model seçimi veya bu otomatik prosedürlerin ötesinde hiperparametre ayarı için asla kullanılmamıştır. Makine öğrenmesi modelleri için ayrı bir doğrulama seti ayrılmamış; bunun yerine, hiperparametreleri optimize etmek ve performansı tahmin etmek için 1.200 eğitim örneği üzerinde beş katlı çapraz doğrulama (five-fold cross-validation) uygulanmıştır⁴⁴.

LSTM ve CNN–LSTM mimari değerlendirmesinin gerekçesi

Ana veri seti bağımsız olarak oluşturulmuş hava durumu örneklerinden oluşmaktadır, ancak aşağıdaki nedenlerle LSTM ve CNN–LSTM mimarileri de test edilmiştir: (1) gerçek dünyadaki atmosferik koşullar zamansal olarak otokoreledir ve dizi tabanlı modellerin test edilmesi, bu tür bağımlılıkların yakalanmasının tahmin doğruluğunu artırıp artırmayacağını belirlememize olanak tanır; (2) atmosferik tahmin konusundaki güncel araştırmalar, meteorolojik parametrelerin zamansal evrimini modellemede ardışık mimarilerin potansiyel değerini ortaya koymuştur³⁴; (3) çeşitli mimarilerin test edilmesi, bu çalışmanın temel katkılarından biri olan metodolojik yaklaşımların kapsamlı bir karşılaştırmasını sağlar; ve (4) CNN–LSTM hibrit mimarisi, uzamsal özellik çıkarımını zamansal modelleme ile birleştirir ve bu durum, birden fazla atmosferik değişken arasındaki karmaşık etkileşimlerin yakalanması için faydalı olabilir⁴⁵.

Ardışık model girişi için veri biçimlendirme

Sıralı mimariler (LSTM ve CNN–LSTM) için giriş verileri, kayan pencere yaklaşımı kullanılarak bağımsız örneklerden sözde dizilere dönüştürülmüştür. Spesifik olarak, 1.200 eğitim örneği, önce fiziksel tutarlılığı korumak amacıyla hava durumu koşulu kategorilerine göre gruplandırılmıştır. Her bir hava durumu kategorisi içinde örnekler, oluşturuldukları zaman damgalarına göre (2024 takvim yılı için simüle edilmiş saatlik gözlemler) sıralanmıştır. Ardından, 11. adımdaki zayıflamayı tahmin etmek için 10 ardışık zaman adımından oluşan (her biri sıcaklık, nem, görüş mesafesi, toz konsantrasyonu ve yağış oranı şeklinde 5 özelliğe sahip) giriş dizileri üretmek amacıyla 10 uzunluğunda bir kayan pencere uygulanmıştır.^th zaman adımı. Bu yöntem, simüle edilen gözlemlerin zamansal sıralamasını korurken, ardışık modellerin zamansal bağımlılıkları öğrenmesine olanak tanır. Test setinin yapısı, aynı pencere boyutu ve özellik seti hariç aynıydı. Bu sözde-ardışık yapılandırmanın yöntemsel bir basitleştirme olduğunu ve gerçek dünyadaki zamansal dinamikleri yansıtmadığını kabul ediyoruz. Bunu Tartışma bölümünde bir kısıtlılık olarak belirttik.

Hibrit yaklaşımların değerlendirilmesi

Üç hibrit yaklaşım incelenmiştir. İlk yaklaşım, Random Forest, XGBoost ve Deep Neural Network modellerinden gelen tahminlerin eşit ağırlıklar kullanılarak (her modele 1/3 ağırlık atanarak) ortalamasını alan bir Voting Ensemble'dır ve nihai tahmin şu şekilde hesaplanmıştır:

ŷ_ensemble=(1/3)ŷ_RF+(1/3)ŷ_XGB+(1/3)ŷ_DNN (9)

Ek hiperparametreler eklemekten kaçınmak ve herhangi bir modele karşı yanlılık olmadan temel topluluk performansını değerlendirmek için eşit ağırlıklandırma seçilmiştir. İkinci yaklaşımda Ridge meta-öğrenici istifleme (stacking) kullanılmıştır. Temel öğreniciler Random Forest, XGBoost ve (Dikkat tabanlı) bir Derin Sinir Ağı'dır. İstifleme prosedürü iki aşamadan oluşmuştur: İlk olarak, her bir temel öğrenici, 1.200 örneklikten oluşan tam eğitim setinde, katlanım dışı (out-of-fold) tahminler üretmek amacıyla 5 katlı çapraz doğrulama kullanılarak eğitilmiş ve 1.200×3 boyutunda (her örnek için her temel model başına bir tahmin) yeni bir meta-özellik matrisi oluşturulmuştur. İkinci olarak, temel öğreniciler için optimal kombinasyon ağırlıklarını öğrenmek amacıyla, orijinal zayıflama değerleri hedef olarak kullanılarak bu meta-özellikler üzerinde bir Ridge regresyon meta-öğrenicisi (L2 düzenleme parametresi alpha=1.0) eğitilmiştir. Nihai istifleme tahmini şu şekildedir:

ŷ_stacking=w_RF×ŷ_RF+w_XGB×ŷ_XGB+w_DNN×ŷ_DNN (10)

burada w ağırlıkları Ridge meta-öğrenicisi tarafından öğrenilmiştir. Üçüncü yaklaşım, sis koşulları altındaki örnekler için sinir ağının tahminlerinin %70'ini Kim modelinden gelen %30'luk pay ile birleştiren Fizik Bilgili bir Sinir Ağıdır. Birleştirme işlemi, aşağıdaki formül kullanılarak sabit ağırlıklı ortalama ile gerçekleştirilmiştir:

ŷ_hybrid=0.7×ŷ_neural+0.3×ŷ_Kim (11)

burada ŷ_neural, Dikkat tabanlı sinir ağının çıktısıdır ve ŷ_Kim, görünürlük girdisine dayalı olarak Kim sis modelinden hesaplanan zayıflatmadır. Sis içermeyen örnekler için fiziksel kısım 0 olarak ayarlanmış ve model saf bir sinir ağı olarak çalıştırılmıştır. Ağırlıklar ( %70 sinir ağı ve %30 fizik), doğrulama seti (test seti değil) üzerinde 90:10, 80:20, 70:30, 60:40 ve 50:50 ağırlık kombinasyonlarının test edildiği ön denemelere dayanarak sabitlenmiştir. 70/30 ayrımı, en iyi doğrulama R² değerini sağlaması ve özellikle Kim modelinin yerleşik teorik zayıflatma sınırlarını sunduğu sis durumunda tahminleri düzenlemek ve fiziksel olarak mantıksız çıktıları önlemek için Kim modelinden yeterli fiziksel kısıtlamayı koruması nedeniyle seçilmiştir.

Özellik önemi ve yorumlanabilirlik analizi

Tüm 10 giriş özelliğinin önem sıralamasını çıkarmak için safsızlık tabanlı özellik önemi (varyans azaltımı) ile Random Forest modeli kullanılmıştır. Analiz, toz konsantrasyonunun (%67,3) ve görünürlüğün (%21,2) en önemli öngörücüler olduğunu ve birlikte toplam öngörücü önemin %88,5'ini açıkladığını göstermiştir. En önemli üçüncü özellik yağmur oranı (%6,0) olmuş; bunu rüzgar hızı (%2,1), sıcaklık (%1,5), nem (%0,9), ay (%0,5), mevsim (%0,3), kar yağış oranı (%0,1) ve atmosferik basınç (%0,1) izlemiştir. Zamansal özellikler (ay ve mevsim) için düşük önem puanları, atmosferik zayıflamadaki mevsimsel değişimin, yalnızca zamana dayalı kalıplardan ziyade temel çevresel parametreler tarafından öncelikli olarak yakalandığını göstermektedir.

Çevresel faktörler ile zayıflama arasındaki ilişkileri değerlendirmek için bir SHAP (Shapley Additive exPlanations) analizi gerçekleştirildi. Kullanılan SHAP uygulaması, Random Forest, XGBoost ve LightGBM dahil olmak üzere ağaç tabanlı modeller için özel olarak optimize edilmiş olan SHAP kütüphanesindeki TreeExplainer modülüdür (versiyon için Materyal Tablosu'na bakınız). SHAP analizi konfigürasyonu şu şekildeydi: eğitilen Random Forest modeli, model çıktısının koşullu beklentisine dayalı müdahale edici (marjinal) özellik atama yaklaşımını kullanarak SHAP değerlerini hesaplayan TreeExplainer'a aktarıldı. Tüm 300 test seti örneği için SHAP değerleri hesaplanarak 300 × 10 boyutunda bir matris (örnek başına özellik başına bir SHAP değeri) oluşturuldu. Her bir özellik için SHAP değeri, temel değere (ortalama model tahmini) göre tahmine olan katkısını temsil etti. Negatif SHAP değerleri aşağı yönlü bir kaymayı; pozitif SHAP değerleri ise özelliğin zayıflama tahminini artırdığını gösterdi. Katkının gücü, SHAP değerinin büyüklüğü ile belirtildi. Her bir özellik için SHAP sayılarının dağılımı (beeswarm grafikleri kullanılarak), etkinin yönü (özellik değerleri ile SHAP değerleri arasındaki korelasyon) ve özellik önem sıralamalarının tamamı özet grafikler kullanılarak görselleştirildi. Tüm SHAP görselleştirmelerini oluşturmak için SHAP kütüphanesinin yerleşik çizim fonksiyonları —beeswarm grafiği için shap.summary_plot() ve küresel özellik önemi için shap.bar_plot()— kullanıldı.

Tek-Sıcak (One-Hot) Kodlanmış Değişkenlerin İşlenmesi: Mevsim değişkenini kodlamak için öncelikle dört ikili sütun (ilkbahar, yaz, sonbahar ve kış) kullanılmıştır. SHAP analizi için örnek başına tek bir "mevsim" katkı değeri oluşturmak amacıyla, bu dört tek-sıcak kodlanmış değişkenin katkıları, her mevsim kategorisi için SHAP değerleri toplanarak birleştirilmiştir. Bu gruplandırmayı gerçekleştirmek için, tek-sıcak kodlanmış mevsim gruplarına karşılık gelen tüm sütunlar belirlenmiş, her örnek için bu sütunların SHAP değerleri çıkarılmış ve ardından eleman bazlı olarak toplanmıştır. Elde edilen birleştirilmiş SHAP değerleri, mevsimin zayıflama tahmini üzerindeki genel katkısını temsil etmektedir. Bu yöntem, SHAP özet grafiğinde tek bir "mevsim" satırına izin verir ve modelin mevsimi bileşik bir kategorik değişken olarak kullanmasıyla tutarlılık sağlar. Birleştirilmiş sayı, mevsimin toplam katkısının daha anlaşılır bir tasvirini sunduğu için, mevsim SHAP değerleri her bir mevsim kategorisi için ayrı ayrı gösterilmemiştir.

Sonuçlar

Sentetik veri setinin özellikleri Şekil 1A–F'de özetlenmiştir. Veri seti; açık gökyüzü, toz, sis, yağmur ve kar koşullarını (Şekil 1A) içermekte olup, örnekler sıcak-kuru ve serin-nemli mevsimler (Şekil 1B) ile gündüz ve gece dönemlerine (Şekil 1C) dağılmıştır. Farklı hava koşulları altında sıcaklık, nem ve görünürlük dağılımları Şekil 1D–F'de gösterilmiştir.

Makine öğrenimi modelleri, atmosferik zayıflamanın tahmin edilmesinde güçlü öngörü performansı sergilemiştir (Şekil 2A–D; Tablo 3). Değerlendirilen modeller arasında RF, 0,9654 test R² ve 1,324 dB/km RMSE ile en güçlü genel performansı göstermiştir (Şekil 2A; Tablo 3). RF, 1,5 dB/km'nin altında bir tahmin hatası korurken, gözlemlenen varyasyonun %96,54'ünü açıklamıştır. XGBoost da iyi performans göstermiş (Şekil 2C), onu LightGBM izlemiştir (Şekil 2B). Model sağlamlığı beş katlı çapraz doğrulama ile desteklenmiş ve RF, 0,960 ± 0,007 çapraz doğrulama R² değerine ulaşmıştır (Şekil 2D). Buna karşılık, K-En Yakın Komşu (K-Nearest Neighbors) 1,000 eğitim R² ve 0,7341 test R² değerleri ile aşırı öğrenme (overfitting) belirtileri göstermiş, Lineer Regresyon ise orta düzeyde öngörü performansı sergilemiştir (Şekil 2A; Tablo 3).

Yukarıda bahsedilen 10 giriş özelliğinin önem analizi Şekil 3A'da gösterilmiştir. Göreceli önem puanları şu şekilde sıralanmıştır: toz konsantrasyonu (67.3%), görüş mesafesi (21.2%), yağmur oranı (6.0%), rüzgar hızı (2.1%), sıcaklık (1.5%), nem (0.9%), ay (0.5%), mevsim (0.3%), kar yağış oranı (0.1%) ve basınç (0.1%). ‘Hava durumu' değişkeni veri seti tabakalama için kullanılmıştır ancak birkaç temel fiziksel parametreyi temsil eden kategorik bir bileşik değişken olduğu ve etkisi bireysel çevresel özellikler tarafından kapsandığı için özellik önem analizine dahil edilmemiştir. Özellik önemi ve yorumlanabilirlik analizleri, zayıflama ile en güçlü şekilde ilişkili olan çevresel değişkenleri belirlemiştir (Şekil 3A,B). Toz konsantrasyonu (67.3%), görüş mesafesi (21.2%) ve yağmur oranı (6.0%), toplam öngörü öneminin %94.4'ünü tek başına oluşturmuştur (Şekil 3A). SHAP analizi ayrıca, artan toz konsantrasyonu ve azalan görüş mesafesinin artan zayıflama öngörüleri ile ilişkili olduğunu göstermiştir (Şekil 3B).

Derin öğrenme modelleri, makine öğrenimi yaklaşımlarına göre daha düşük kestirim performansı sergilemiştir (Şekil 4A–D). En iyi performans gösteren derin öğrenme modeli olan Dikkat tabanlı ağ (Attention-based network), 0,7766 R² ve 3,362 dB/km RMSE değerine ulaşmıştır (Şekil 4A). Yinelemeli mimariler, hem LSTM hem de CNN–LSTM modellerinin sıfıra yakın R² değerleri ve 7,19 dB/km'yi aşan RMSE değerleri üretmesiyle özellikle düşük performans göstermiştir (Şekil 4B). LSTM ve CNN-LSTM mimarilerinin nispeten düşük performansı (sırasıyla R² = 0,0110 ve 0,0109; RMSE = 7,193 dB/km ve 7,196 dB/km), atmosferik koşulların gerçek zamansal dinamiklerini tam olarak yakalayamayan giriş verilerinin sözde-ardışık doğasıyla kısmen açıklanabilir.

Ardışık bağımlılıkların güçlü ve belirgin olduğu gerçek zamanlı seri uygulamalarının aksine, veri setimiz çoğunlukla yapay olarak belirlenmiş zamansal bir sıralamaya sahip bağımsız örneklerden oluşmaktaydı. Bu mimarilerin düşük öngörü performansı, kayan pencere yaklaşımıyla elde edilen zamansal bilgilerin yetersiz olduğunu veya gerçek atmosferik evrimi temsil etmediğini göstermektedir (Şekil 4C). Bu durum, bu nitelikteki veri setleri için daha basit makine öğrenimi yaklaşımlarının, karmaşık dizi tabanlı derin öğrenme modellerinden daha uygun olduğu sonucumuzu desteklemektedir. Tüm derin öğrenme mimarileri için doğrulama performansı Şekil 4D'de özetlenmiştir.

Makine öğrenimi, derin öğrenim ve hibrit yaklaşımların performansı Şekil 5A,B ve Tablo 3'te özetlenmiştir. Hibrit yöntemler arasında, Oylama Topluluğu (Voting Ensemble) 0,9340 R² ve 1,827 dB/km RMSE değerine ulaşmıştır (Şekil 5A,B; Tablo 3). Ridge meta-öğrenici istifleme (stacking) yöntemi 0,9571 R² ve 1,473 dB/km RMSE değerine ulaşarak (Şekil 5A,B; Tablo 3), RF performansına yaklaşmış ancak önemli ölçüde daha uzun eğitim süreleri gerektirmiştir. Fizik Bilgili Sinir Ağı (Physics-Informed Neural Network) R² = 0,8269 ve RMSE = 2,960 dB/km değerlerine ulaşmıştır (Şekil 5A,B; Tablo 3) ve derin öğrenme modellerinden daha iyi performans göstermiş, ancak en iyi makine öğrenimi yaklaşımları kadar başarılı olmamıştır. RF ve İstifleme Topluluğu (Stacking Ensemble) modelleri arasındaki istatistiksel karşılaştırma, öngörü performansında anlamlı bir fark olmadığını göstermiştir (Tablo 3; eşleştirilmiş t-testi: t = −1,74, p = 0,083). Bu nedenle, RF sayısal olarak en yüksek R² değerine ulaşmış olsa da, en iyi hibrit yaklaşımla arasındaki fark istatistiksel olarak anlamlı değildir.

Genel olarak sonuçlar, makine öğrenimi yaklaşımlarının Irak hava koşulları altında atmosferik zayıflamayı doğru bir şekilde tahmin edebileceği hipotezini desteklemektedir. RF tutarlı bir şekilde en yüksek tahmin performansını sergilemiş (Şekil 2A,B; Tablo 3), özellik önemi ve SHAP analizleri ise toz konsantrasyonu ve görünürlüğü, zayıflamayı etkileyen baskın çevresel faktörler olarak tanımlamıştır (Şekil 3A,B).

Doğrulama Veri Beyanı: Tüm model değerlendirmeleri, Yöntemler bölümünde detaylandırılan sentetik veri seti üzerinde gerçekleştirilmiştir. Model doğrulamasında atmosferik zayıflama üzerine herhangi bir deneysel veya gözlemsel veri kullanılmamıştır. Sentetik veri seti, Irak iklim kayıtlarına dayalı olasılık dağılımlarından seçilen meteorolojik parametreler ile iyi bilinen fiziksel yayılım modelleri (Beer-Lambert yasası, Kim modeli, Carbonneau modeli ve Mie saçılma teorisi) kullanılarak oluşturulmuştur. Yöntemler bölümünde belirtildiği üzere, güçlü öngörü performansı kısmen modelin öğrenmesini veya hedef değerleri üretmek için kullanılan deterministik fiziksel denklemleri yaklaştırmasını yansıtıyor olabilir. Bu nedenle, nicel performans metrikleri (R², RMSE, MAE), denklem türevli sentetik veriler üzerindeki performansı temsil eder ve operasyonel FSO sistemleri için mutlak performans garantilerinden ziyade, kontrollü bir simülasyon ortamındaki modelleme metodolojileri arasındaki göreceli karşılaştırmalar olarak yorumlanmalıdır. Bu yaklaşım, öngörücü modelleme metodolojilerinin (Tablo 2'de listelendiği gibi) karşılaştırmalı değerlendirmesi için kontrollü bir ortam sağlamakta, ancak gerçek Irak hava koşulları altındaki gerçek dünya FSO zayıflama ölçümleriyle yapılan doğrulamanın yerini tutmamaktadır.

Şekil 1: Sentetik veri setinin özellikleri ve atmosferik zayıflama modellemesinde kullanılan çevresel değişkenler. (A) Açık gökyüzü, toz, sis, yağmur ve kar durumları dahil olmak üzere veri setinde temsil edilen meteorolojik koşulların dağılımı. (B) Sıcak-kuru ve soğuk-nemli dönemlerdeki örneklerin mevsimsel dağılımı. (C) Gündüz ve gece koşullarında toplanan örneklerin dağılımı. (D) Her hava durumu koşulu için sıcaklık dağılımları. (E) Her hava durumu koşulu için nem dağılımları. (F) Her hava durumu koşulu için görüş mesafesi dağılımları. Kutu grafikleri medyanı (orta çizgi), çeyrekler arası aralığı (kutu) ve minimum ile maksimum değerleri (kılçıklar) göstermektedir. Sıcaklık °C, nem % ve görüş mesafesi km cinsinden bildirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 2: Atmosferik zayıflama tahmini için makine öğrenmesi modellerinin performans karşılaştırması. (A) Lineer Regresyon, Random Forest, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), Destek Vektör Regresyonu (SVR) ve K-En Yakın Komşu (KNN) dahil olmak üzere değerlendirilen makine öğrenmesi modelleri için test belirleme katsayısı (R²) skorları. (B) Her bir makine öğrenmesi modeli için test kök ortalama kare hata (RMSE) değerleri. (C) Her bir makine öğrenmesi modeli için test ortalama mutlak hata (MAE) değerleri. (D) Beş katlı çapraz doğrulama kullanılarak elde edilen çapraz doğrulama belirleme katsayısı (R²) skorları. Daha yüksek R² değerleri ve daha düşük RMSE ve MAE değerleri, iyileştirilmiş tahmin performansını göstermektedir. RMSE ve MAE, dB/km cinsinden raporlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 3: Atmosferik zayıflama tahmini için özellik önemi ve model yorumlanabilirliği analizi. (A) Random Forest modelinden elde edilen, 10 çevresel ve zamansal değişkenin tamamının zayıflama tahminine katkısını gösteren göreli safsızlık tabanlı özellik önemi sıralamaları. En etkili özellik toz konsantrasyonu (%67,3), ardından görünürlük (%21,2), yağış hızı (%6,0), rüzgar hızı (%2,1), sıcaklık (%1,5), nem (%0,9), ay (%0,5), mevsim (%0,3), kar yağış hızı (%0,1) ve atmosferik basınç (%0,1) olarak belirlenmiştir. Göreli önem, toplam model öneminin bir yüzdesidir. (B) Bireysel özelliklerin model tahminleri üzerindeki etkisini gösteren SHapley Additive exPlanations (SHAP) özet grafiği. SHAP matrisi, 300 test seti örneği için (300 × 10 özellik) hesaplanmıştır. One-hot-encoded mevsim değişkeni için (başlangıçta dört ikili sütun: ilkbahar, yaz, sonbahar, kış), örnek başına tek bir 'mevsim' katkı değeri üretmek amacıyla SHAP değerleri dört kategori üzerinden toplanarak birleştirilmiştir. Her nokta bir örneği temsil eder ve renk ölçeği, düşük (mavi) ile yüksek (kırmızı) arasında değişen özellik değerini gösterir. Pozitif SHAP değerleri tahmin edilen zayıflamada bir artışı, negatif SHAP değerleri ise tahmin edilen zayıflamada bir azalmayı ifade eder. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 4: Atmosferik zayıflama tahmini için derin öğrenme modellerinin performans karşılaştırması. (A) Çok Katmanlı Algılayıcı (MLP), Derin Sinir Ağı (DNN), Uzun Kısa Süreli Bellek (LSTM), tek boyutlu evrişimli sinir ağı (1D-CNN), Evrişimli Sinir Ağı-Uzun Kısa Süreli Bellek (CNN–LSTM) ve Dikkat tabanlı modeller dahil olmak üzere değerlendirilen derin öğrenme mimarileri için test belirleme katsayısı (R²) skorları. (B) Her bir derin öğrenme modeli için test kök ortalama kare hata (RMSE) değerleri. (C) Her bir derin öğrenme modeli için test ortalama mutlak hata (MAE) değerleri. (D) Değerlendirilen derin öğrenme modelleri için doğrulama belirleme katsayısı (R²) skorları. Daha yüksek R² değerleri ile daha düşük RMSE ve MAE değerleri, gelişmiş tahmin performansına işaret eder. RMSE ve MAE değerleri dB/km cinsinden bildirilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5: Atmosferik zayıflama tahmini için makine öğrenimi, derin öğrenme ve hibrit modellerin karşılaştırmalı performansı. (A) Random Forest, Extreme Gradient Boosting (XGBoost), Derin Sinir Ağları (DNN), Voting Ensemble, Stacking ve Fizik Tabanlı Sinir Ağları modelleri dahil olmak üzere temsilci makine öğrenimi, derin öğrenme ve hibrit yaklaşımlar için belirleme katsayısı (R²) değerleri. (B) Aynı modeller için kare kök ortalama kare hata (RMSE) değerleri. Modeller; makine öğrenimi (ML), derin öğrenme (DL) ve hibrit/topluluk teknikleri olmak üzere üç kategoriye göre renklerle kodlanmıştır. Daha yüksek R² ve daha düşük RMSE değerleri, gelişmiş tahmin performansını gösterir. RMSE, dB/km cinsinden ifade edilmiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Hava Koşulu	Oran	Sıcaklık Aralığı	Nem Aralığı	Görünürlük Aralığı	Birincil Parametre Aralığı
Açık Gökyüzü	%54,27 (814 örnek)	-4,89'dan 47.99°C	0–100%	>10 km	—
Toz	%25,00 (375 örnek)	10–45°C	10–60%	0,05–5 km	Toz: 0–4,96 mg/m³3
Sis	%10,47 (157 örnek)	−5'ten 20°C	70–100%	0,05–1 km	—
Yağmur	%7,40 (111 örnek)	5–30°C	60–100%	1–10 km	Yağış: 0,25–50 mm/sa
Kar	%2,87 (43 örnek)	-10'dan 5°C	50–100%	0,5–5 km	Kar: 0,5–15 mm/sa

Tablo 1: Atmosferik zayıflamayı tahmin eden makine öğrenimi modellerinin performans ölçümleri.

Model	Test R2	RMSE (dB/km)	MAE (dB/km)	CV R2	Eğitim Süresi (s)
Rastgele Orman	0.9654	1.324	0.815	0.960 ± 0.007	1.6
XGBoost	0.9582	1.455	0.892	0.953 ± 0.009	2.1
LightGBM	0.9507	1.581	0.971	0.946 ± 0.011	1.8
Destek Vektör Regresyonu (SVR)	0.8874	2.389	1.445	0.879 ± 0.015	3.2
Lineer Regresyon	0.8358	2.889	1.791	0.831 ± 0.018	0.2
K-En Yakın Komşu (KNN)	0.7341	3.671	2.296	0.721 ± 0.022	0.8

Tablo 2: Spesifik derin öğrenme, hibrit ve makine öğrenmesi modellerinin karşılaştırmalı değerlendirmesi.

Model	Kategori	Test R2	RMSE (dB/km)	Sıralama
Rastgele Orman	Makine Öğrenmesi	0.9654	1.324	1
XGBoost	ML	0.9582	1.455	2
Yığınlama Topluluğu	Hibrit	0.9571	1.473	3
LightGBM	ML	0.9507	1.581	4
Oylama Topluluğu	Hibrit	0.934	1.827	5
Fizik Bilgili Sinir Ağı	Hibrit	0.8269	2.96	6
Dikkat	DL	0.7766	3.362	7
LSTM / CNN–LSTM	DL	−0.0006	7.195	—

Tablo 3: Değerlendirilen her bir modelin hesaplama verimliliğinin (eğitim ve çıkarım) karşılaştırılması.

VERİ  ERİŞİLEBİLİRLİĞİ:

Tüm girdi özniteliklerini (sıcaklık, nem, görünürlük, toz konsantrasyonu, yağış oranı, kar yağışı oranı, rüzgar hızı, atmosferik basınç, ay, mevsim ve hava durumu) ve hedef değişkeni (dB/km cinsinden zayıflama) içeren 1.500 örnekten oluşan eksiksiz sentetik veri seti, bu makalenin yanında https://doi.org/10.5281/zenodo.21792999 adresinde ek dosya olarak sunulmuştur. Veri seti, her bir örneğin tüm hesaplanmış değişkenleri (çalışma aralığı ve SNR) içerecek şekilde bir satır oluşturduğu biçimde düzenlenmiştir.

Şunları içeren tam uygulama kodu: veri üretim betikleri (fiziksel modellerin uygulamaları); ön işleme ve özellik ölçeklendirme fonksiyonları; tüm makine öğrenimi model uygulamaları; tüm derin öğrenme model uygulamaları; değerlendirme ve görselleştirme betikleri; ayrıca hiperparametre optimizasyonu ve çapraz doğrulama prosedürlerinin de ek bir dosya olarak sağlanması amaçlanmaktadır.

Kaynak İklim Verileri: Sentetik veri dağılımlarını tanımlamak için kullanılan iklim verileri, 2020–2024 dönemini kapsayacak şekilde Irak Meteoroloji ve Sismoloji Organizasyonu (IMOS) ile Irak Ulaştırma Bakanlığı'ndan temin edilmiştir. Hava koşullarının oranlarını ve parametre aralıklarını belirlemek için kullanılan iklim verilerinin özeti Ek Tablo 1'de sunulmuştur. Bu çalışmada kullanılan belirli IMOS kayıtları merkezi bir depoda halka açık olarak arşivlenmemiştir ancak doğrudan IMOS'tan talep edilebilir. Tekrarlanabilirliği sağlamak amacıyla özet istatistikler ve türetilen olasılık dağılımları ek materyallerde sunulmuştur.

Depo Bilgileri: Kaynak kod ve veri seti, https://doi.org/10.5281/zenodo.21792999 adresiyle halka açık bir depoda (Zenodo) saklanmıştır.

Tartışma

Irak hava koşulları altında çalışan FSO haberleşme sistemlerindeki hava zayıflamasını öngörmek amacıyla, mevcut çalışma makine öğrenimi, derin öğrenme ve hibrit teknikleri değerlendirmiştir. Atmosferik etkiler, bağlantı performansı ve kullanılabilirliğini etkileyen temel sorunlardan biri olmaya devam ettiğinden, son değerlendirmeler FSO sistemleri için öngörücü modellemenin artan önemini vurgulamıştır²¹. Sonuçlar, özellikle RF ve XGBoost olmak üzere klasik makine öğrenimi yaklaşımlarının yüksek öngörü doğruluğu sağladığını ve bazı durumlarda derin öğrenme ve hibrit yöntemlerden sayısal olarak daha üstün performans sergilediğini göstermiştir. Bununla birlikte, istatistiksel testler RF ile en iyi hibrit topluluk (Stacking) arasında anlamlı bir fark (p=0.083) göstermemiştir; bu da her iki yaklaşımın da bu veri setinde benzer sonuçlara ulaşabileceği anlamına gelmektedir. Bulgularımız, ağaç tabanlı topluluk yöntemlerinin, orta ölçekli örneklem boyutlarına ve az sayıda baskın öngörücü değişkene sahip tablo tipi çevresel veriler için hala yüksek performanslı olduğunu göstermektedir. Özellik önemi analizi, toz konsantrasyonu ve görünürlüğün zayıflamanın ana etkenleri olduğunu ve öngörücü gücün çoğunu birlikte açıkladıklarını ortaya koymuştur. Bu bulgu, sis, toz, aerosoller ve atmosferik kirliliğin optik sinyalin yayılımı üzerindeki önemli etkisini gösteren önceki araştırmalarla uyumludur^22,23,24,25. Makine öğrenimi modellerinin genellikle az sayıda yüksek derecede bilgilendirici değişken içeren veri setlerinden faydalandığı çevresel izleme uygulamalarında da benzer bulgular rapor edilmiştir^{26,27,28,29,30,31,32}. SHAP analizi, bireysel çevresel parametrelerin zayıflama öngörüleri üzerindeki etkisini nicelleştirerek model yorumlanabilirliğini daha da artırmıştır.

Derin öğrenme modellerinin daha düşük performans göstermesi birkaç faktöre bağlanabilir. Veri kümesi boyutu, karmaşık nöral mimarilerin eğitimi için nispeten mütevazıydı (https://doi.org/10.5281/zenodo.21792999 adresinde olduğu gibi) ve çevresel değişkenler oldukça yoğunlaşmış bir öznitelik önem derecesi sergilemiştir. Önceki çalışmalar, derin öğrenme yöntemlerinin genel olarak büyük veri kümelerinden, hiyerarşik öznitelik yapılarından ve karmaşık doğrusal olmayan temsillerden faydalandığını göstermiştir^{33,34,35,36,37}. Buna karşılık, bu çalışmada kullanılan zayıflama veri kümesi sınırlı sayıda baskın öngörücü içeriyordu ve tekrarlayan mimariler için gerekli olan zamansal bağımlılıklardan yoksundu. LSTM ve CNN–LSTM modellerinin düşük performansı, ardışık öğrenme mekanizmalarının bu uygulama için önemli faydalar sağlamayabileceğini göstermektedir.

Atmosferik zayıflamanın öngörücüleri olarak toz konsantrasyonunun (%67,3) ve görünürlüğün (%21,2) baskın olması birkaç faktöre bağlanabilir. İlk olarak, 1550 nm dalga boyundaki moleküler saçılma ve soğurma, toz parçacıklarından kaynaklanan Mie saçılması tarafından gölgelenmektedir. Mie teorisinde, sönümleme verimliliği Q_ext parçacık konsantrasyonuna karşı oldukça hassastır ve orta ila yüksek konsantrasyon rejiminde zayıflama, toz konsantrasyonu ile neredeyse doğrusal olarak ölçeklenir. İkinci olarak, Irak, 4–30 dB/km değerlerinde zayıflama ile sonuçlanan sık toz fırtınalarına (iklim kayıtlarımızdaki günlerin %25,00'ü) maruz kalmaktadır. Bu durum; sis (%10,47, 0,5–10 dB/km) ve yağmur (%7,40, 2–25 dB/km) ile karşıtlık oluşturmaktadır. Toz zayıflamasındaki daha yüksek değişkenlik, modellerin öğrenebileceği daha güçlü sinyaller üretir. Üçüncü olarak, toz konsantrasyonunun eksponansiyel dağılımı (0,4–4,96 mg/m³), geniş bir zayıflama değerleri aralığı oluşturur. Aşırı toz olayları için oluşan uzun kuyruk, doğru tahmin için önemli olan yüksek zayıflama değerlerini sağlar. Dördüncü olarak, Mie saçılma modelinin toz konsantrasyonuna olan bağımlılığı daha basit (kabaca doğrusal) olup, bu durum ağaç tabanlı modellerin, Kim modelindeki görünürlük ve sis zayıflaması arasındaki daha karmaşık ilişkiye kıyasla bunu daha kolay yakalamasına olanak tanır. Beşinci olarak, bu bulgu pratik bir öneme sahiptir çünkü toz fırtınaları, Orta Doğu'daki FSO için en zorlu çevresel koşullardan biridir. Toz olayları sırasında doğru tahmin yapılması, sistemin güvenilir çalışması için esastır.

Bulgular, atmosferik zayıflama tahmini için algoritma seçimine yönelik pratik rehberlik sağlayarak FSO haberleşme araştırmalarını ileriye taşımaktadır. Doğru zayıflama tahmini; ağ planlaması, adaptif bağlantı yönetimi ve Orta Doğu gibi zorlu ortamlarda optik haberleşme sistemlerinin güvenilir şekilde konuşlandırılması için temel teşkil etmektedir^23,28,30,36. Ayrıca, metodoloji; hava yayılımı, atmosferik izleme ve optik ağ performans değerlendirmesini içeren diğer çevresel tahmin problemlerine de uygulanabilir^38,39,40. Daha geniş gerçek dünya veri kümeleri, gelişmiş topluluk öğrenme teknikleri, transfer öğrenme çerçeveleri veya daha karmaşık fizik tabanlı mimariler, bu fikri incelemek için kullanılabilecek diğer yöntemler arasındadır^{41,42,43,44,45}.

Sonuçların kapsamı ve genellenebilirlik sorunları

Bu çalışmanın sonuçları temel olarak, kabul görmüş fiziksel yayılım modellerinden (Beer-Lambert yasası, Kim modeli, Carbonneau modeli ve Mie saçılma teorisi) türetilen sentetik bir veri setine dayanmaktadır. Bu metodolojik yaklaşım, bulgularımızın kapsamı ve genellenebilirliği açısından bazı çıkarımlar taşımaktadır:

Simüle Edilmiş Verilerden Çıkarılan Sonuçlar: (1) Atmosferik zayıflama tahmini için makine öğrenimi, derin öğrenme ve hibrit yaklaşımların karşılaştırmalı performans sıralaması. (2) Modellenen koşullar altında optik zayıflamanın baskın çevresel öngörücüleri olarak toz konsantrasyonu ve görünürlüğün belirlenmesi. (3) Ağaç tabanlı topluluk yöntemlerinin derin öğrenme mimarilerine göre hesaplama verimliliği avantajı. (4) Model tahminlerini açıklamak için özellik önemi ve SHAP analizlerinin yorumlanabilirliği.

Gerçek Dünya Onayı Gerektiren Sonuçlar: (1) Değerlendirilen modeller tarafından elde edilen R² ve RMSE mutlak değerleri, sentetik veri setinin spesifik özelliklerine bağlıdır ve modellerin hedefleri oluşturmak için kullanılan deterministik fizik denklemlerini öğrendiğini yansıtıyor olabilir. (2) En iyi model olan Random Forest'ın, bilinmeyen gerçek dünya atmosferik koşullarına uygulanabileceği henüz kanıtlanmamıştır. (3) Bulguların Irak'ta kurulu operasyonel FSO ünitelerine uygulanabilmesi için saha doğrulaması gereklidir. (4) Belirlenen özellik önem sıralamalarının saha ölçüm koşulları altında dayanıklı olduğunun onaylanması gerekmektedir.

Denklem tabanlı sentetik verilerdeki performans ile gürültülü gözlemsel veya deneysel verilerdeki performans arasındaki farkı ayırt etmek önemlidir. Sentetik veri seti, giriş özellikleri ile zayıflama hedefi arasında temiz ve gürültüsüz bir ilişki sunar; bu durum, ölçüm gürültüsü, cihaz hataları ve modellenmemiş fiziksel fenomenlerin bulunduğu gerçek dünya verileriyle elde edilebilecek olanlardan daha yüksek öngörücü performans göstergeleri üretebilir. Bu çalışmada sunulan sonuçları doğrulamak ve önerilen metodolojilerin gerçek genelleştirilebilirliğini değerlendirmek için, gelecek çalışmaların Irak hava koşulları altındaki gerçek dünya FSO zayıflama ölçümlerini elde etmeye yönlendirilmesini öneririz.

Sentetik verilerin model genellenebilirliği üzerindeki etkileri

Bu çalışmada sentetik veri kullanmanın etkileri, modellerin genellenebilirliği açısından dikkatle değerlendirilmelidir:

Sentetik Yaklaşımın Avantajları Veri seti, yerleşik fiziksel yayılım modellerinin kullanımı sayesinde fiziksel olarak tutarlıdır ve yerleşik teorik çerçevelere dayanmaktadır. Veri setinin, Irak'taki gerçek hava koşullarının istatistiksel özelliklerini yansıtması için meteorolojik parametreler Irak'ın meteorolojik kayıtlarından çıkarılmıştır. Bu kontrollü ortam, saha ölçümlerindeki karıştırıcı değişkenlerin (ölçüm hataları, ekipman kalibrasyonu veya yetersiz veri kayıtları gibi) önüne geçmenin yanı sıra, modelleme metodolojilerinin sistematik bir şekilde incelenmesine olanak sağlar.

Genellenebilirliğe İlişkin Kısıtlamalar Sentetik veri kümesi, aşağıdakiler dahil olmak üzere gerçek atmosferik zayıflamanın tüm karmaşıklığını yakalamada kısıtlıdır: (1) aynı anda meydana gelen çoklu atmosferik olayların etkileşimi; (2) atmosferik parametrelerin doğrusal olmayan ve durağan olmayan davranışları; (3) örnekleme dağılımları tarafından yakalanamayan uzun vadeli iklim değişkenliği; (4) FSO yayılımını önemli ölçüde etkileyebilecek yerel mikroklimal etkiler; ve (5) gerçek dünya veri toplama sürecinde doğal olarak bulunan gürültü ve belirsizlik.

Sentetik veri oluşturmada yanlılık değerlendirmeleri Çevresel parametrelerin bağımsız örnekleme varsayımı (bkz. Yöntemler), atmosferik değişkenlerin birbiriyle ilişkili olma eğiliminde olduğu (örneğin, yüksek toz konsantrasyonlarının düşük görüş mesafesiyle ilişkili olması) gerçek dünya koşullarının aşırı basitleştirilmiş bir halidir. Sistematik model karşılaştırması için kontrollü bir simülasyon ortamı adına bağımsızlık varsayımı yapılmıştır. Ancak bu yöntem, atmosferik parametre etkileşimlerinin tüm karmaşıklığını yakalayamayabilir. Test setinde nadir koşulların (özellikle %2,87 oranındaki kar yağışının) dengesiz temsil edilme olasılığını en aza indirmek için tabakalı bölme yöntemi (eğitim ve test setlerindeki hava durumu koşulları oranlarının korunması) kullanılmıştır.

Deterministik Hedef Oluşturma: Bu çalışmada gözlemlenen yüksek öngörü performansı, modellerin hedef değerleri oluşturmak için kullanılan deterministik fiziksel denklemleri öğrenmiş olmasıyla kısmen açıklanabilir. Buna karşılık, gerçek dünyadaki deneysel veriler; öngörüyü daha zorlu hale getiren ölçüm gürültüsü, cihaz hataları ve modellenmemiş fiziksel fenomenler içerir. Bu nedenle, nicel performans metrikleri (R², RMSE, MAE), operasyonel FSO sistemleri için mutlak performans garantileri olarak değil, kontrollü bir simülasyon ortamındaki metodolojiler arasındaki göreceli karşılaştırmalar olarak yorumlanmalıdır.

Bu nedenle, model performans sıralamalarına ilişkin karşılaştırmalı sonuçlar (sentetik verilerin fiziksel tutarlılığı nedeniyle) muhtemelen güvenilir olsa da, mutlak performans metrikleri (R², RMSE, MAE), operasyonel FSO sistemlerinde beklenen performansa işaret eden göstergeler olarak kabul edilmemelidir. Modelin gerçek dünya ortamlarına genellenebilirliğini, Irak'taki çeşitli hava koşulları altında elde edilen deneysel hava zayıflama ölçümleriyle test etmek gereklidir.

Dikkat edilmesi gereken birkaç kısıtlama bulunmaktadır. İlk olarak, saha gözlemleri yerine, çalışma, iyi bilinen fiziksel yayılım modelleri kullanılarak üretilen sentetik bir veri setine dayanmıştır. Daha önce belirtildiği gibi, operasyonel FSO sistemleri için mutlak performans garantileri sunmak yerine, nicel performans metrikleri (R2, RMSE, MAE), kontrollü bir simülasyon ortamındaki yaklaşımların göreceli karşılaştırmaları olarak değerlendirilmelidir. İkinci olarak, veri setinin büyüklüğü nedeniyle, standart modeller ile derin öğrenme modelleri sağlam özellik temsilleri öğrenememiş olabilir. Üçüncü olarak, bağlantı kullanılabilirliği, işaretleme hataları ve türbülans kaynaklı sönümlenme gibi diğer FSO performans göstergeleri, zayıflama tahminine öncelik verilerek hesaba katılmamıştır. Dördüncü olarak, hava koşullarının oranlarını hesaplamak için 2020'den 2024'e kadar olan tarihsel kayıtlar kullanılmıştır ve bu kayıtlar Irak'taki iklimsel kalıpların yıldan yıla olan değişimlerini tam olarak yansıtmayabilir. Beşinci olarak, CNN–LSTM ve LSTM modellerinin sözde-ardışık giriş veri yapısı, gerçek dünya uygulamalarının zamansal dinamiklerini yeterince yakalayamayabilecek metodolojik bir basitleştirmedir. Sonuçlar değerlendirilirken, bulguların genellenebilirliği üzerinde etkili olabilecek bu kısıtlamalar göz önünde bulundurulmalıdır.
Önerilen Öncelik: Gerçek Dünyada Doğrulama; Irak hava koşulları altında gerçek FSO zayıflama ölçümlerinin toplanması ve analiz edilmesi, gelecekteki en kritik çalışma yoludur. Bu süreç şunları içermelidir: (1) bölgesel iklim varyasyonlarını kaydetmek için Irak'ın çeşitli bölgelerinde (örneğin Bağdat, Basra, Musul, Ramadi) FSO test düzeneklerinin kurulması; (2) atmosferik parametreleri (sıcaklık, nem, görünürlük, toz konsantrasyonu) eş zamanlı olarak ölçmek için FSO konumlarında kalibre edilmiş cihazların kullanılması; (4) ekstrem hava olayları (toz fırtınaları, yoğun sis, şiddetli yağmur) sırasındaki zayıflamanın belgelenmesi; (5) tekrarlanabilirliği ve karşılaştırmalı araştırmaları mümkün kılmak için toplanan verilerin kamuya açık hale getirilmesi; ve (3) mevsimsel dalgalanmaları yakalamak için en az bir tam yıllık döngü boyunca izlemenin sürdürülmesi. Böyle bir pratik doğrulama, modelin genellenebilirliğini değerlendirmek ve bu araştırmada oluşturulan tahmin tekniklerini geliştirmek için bir fırsat sunacaktır.

Üretilen modelleri doğrulamak ve geliştirmek için gelecek araştırmalar, Irak hava koşullarında elde edilen gerçek FSO ölçümlerinin dahil edilmesine odaklanmalıdır. Ek araştırmalar, ilgili atmosferik veri setlerini kullanan transfer öğrenme stratejilerini, değişen çevresel koşullara uyum sağlayan çevrimiçi öğrenme programlarını ve ölçülen verileri fiziksel modellerle birleştiren hibrit deneysel-simülasyon stratejilerini inceleyebilir. Açıklanabilir yapay zeka ve gelişmiş fizik tabanlı öğrenme yaklaşımları üzerine yapılacak ek araştırmalar, hava sönümlemesinin altında yatan mekanizmalara daha fazla ışık tutabilir ve gelecek tahmin sistemlerinin dayanıklılığını artırabilir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
CUDA Toolkit	NVIDIA Corporation	11.8	Derin öğrenme eğitimi için GPU hızlandırma kütüphanesi
cuDNN	NVIDIA Corporation	8.6.0	GPU hızlandırmalı derin sinir ağı kütüphanesi
GPU (grafik işlem birimi)	NVIDIA Corporation	GeForce RTX 4090, 24 GB VRAM	GPU hızlandırmalı derin öğrenme eğitimi için kullanılır
CPU (merkezi işlem birimi)	Intel Corporation	Core i9-13900K, 24 cores/32 threads	Tüm model eğitimi/değerlendirmesi için iş istasyonu işlemcisi
Sistem belleği (RAM)	n/a	64 GB DDR5, 5200 MHz	İş istasyonu belleği
Keras API	Açık kaynak (TensorFlow'un bir parçası)	TensorFlow 2.11.0 ile birlikte gelir	Tüm DL mimarileri için kullanılan yüksek seviyeli derin öğrenme API'si
LightGBM	Açık kaynak (Microsoft)	3.3.5	Gradyan artırma çerçevesi
NumPy	Açık kaynak (NumFOCUS)	1.23.5	Sayısal hesaplama kütüphanesi
İşletim sistemi	Canonical Ltd.	Ubuntu 22.04 LTS	İş istasyonu işletim sistemi
Python	Python Software Foundation	3.9	Tüm veri üretimi ve modelleme için kullanılan programlama dili
scikit-learn	Açık kaynak	1.2.2	Makine öğrenimi kütüphanesi (RF, SVR, KNN, Lineer Regresyon, çapraz doğrulama, ölçeklendirme)
SHAP (SHapley Additive exPlanations)	Açık kaynak	0.41.0	Model yorumlanabilirliği kütüphanesi, TreeExplainer modülü
TensorFlow	Açık kaynak (Google)	2.11.0	Altı DL mimarisinin tamamı için kullanılan derin öğrenme çerçevesi
XGBoost	Açık kaynak	1.7.5	Ekstrem Gradyan Artırma kütüphanesi