Demirel, İnal Begüm TurnaDıallo, Roughaya2026-01-302026-01-302025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTaTbCfVJobamZ53wRZyCE0LoH4O3AgQHWtNMO-8IYHV6https://acikerisim2.beykoz.edu.tr/handle/123456789/570Bu çalışma, özellikle kasırga tahmini için LSTM ve Transformer tabanlı derin öğrenme modellerine odaklanarak ekstrem hava olaylarının tahmininde YZ'nin rolünü analiz eder. IBTrACS'ten alınan tarihsel veriler ve ERA5'ten elde edilen yeniden analiz verileri kullanılarak kasırga gelişimi sekans tabanlı öğrenme teknikleriyle modellenmiştir. Metodolojide veri önişleme, özellik ölçekleme ve rüzgar hızı ile kasırga şiddeti tahminlerinin doğruluğunu artırmak için model parametrelerinin optimizasyonu yer almaktadır. YZ'nin potansiyeline rağmen, bu alanda veri eksikliği, yüksek hesaplama gereksinimleri ve açıklanabilir modeller oluşturma ihtiyacı gibi zorluklar devam etmektedir. Bu araştırma, sınırlı kaynaklara sahip bölgelere yönelik ölçeklenebilir ve verimli modellerin geliştirilmesinin yanı sıra açıklanabilir YZ ve hibrit modelleme gibi çözümler önermektedir. Hava tahmini için YZ ile desteklenen çözümlerin ilerletilmesi, iklim direnci çabalarını desteklemekte ve çevresel sorunların azaltılmasında YZ'nin daha geniş rolünü ortaya koymaktadır.This thesis aims to analyse the role of AI in extreme weather forecasting, with a particular focus on Long Short-Term Memory (LSTM)-based and Transformer-based deep learning models for cyclone prediction. It applies sequence-based learning techniques to track storm development using historical data from International Best Track Archive for Climate Stewardship (IBTrACS) and reanalysis data from European Centre for Medium-Range Weather Forecasts Reanalysis 5 (ERA5). The methodology involves data preprocessing, feature scaling, and model parameter optimisation to improve the accuracy of wind speed and cyclone intensity predictions. Despite AI's potential, challenges persist in this domain, including limited data availability, high computational demands, and the necessity for explainable models. This thesis proposes solutions such as explainable AI, hybrid modelling, and the creation of scalable, efficient models tailored for regions with limited resources. Advancing AI-driven solutions for weather forecasting ultimately supports climate resilience efforts and highlights AI's broader role in mitigating environmental challenges.enBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis