Bu çalışmada, Elazığ ilinin aylık ortalama dış hava sıcaklığının tahmini için destek vektör makineleri (support vector machines (SVMs)) yöntemi kullanıldı. Model, dört yıllık (2002-2005) bazı aylık ortalama meteorolojik değerler için eğitildi ve test edildi. Modelin giriş değerleri bağıl nem, yerel basınç, buhar basıncı ve rüzgar hızlarının aylık değerleri iken çıkış değeri ise aylık ortalama dış hava sıcaklığıdır. Önerilen metodun verimi, 4- katlı (kısımlı) çapraz geçerlilik testi kullanılarak gösterildi. Bu kısımlar içinde minimum ortalama karekök (RMS), değişim katsayısı (COV) ve ortalama hata fonksiyonu (MEF) değerleri ile maksimum çoklu saptama katsayısı (R2) değerlerine sahip olan 4. kısım çapraz geçerlilik için en doğru sonuçları veren SVM modeli kuruldu. 4. kısım için sırasıyla RMS, R2, COV ve MEF değerleri 0.7691, 0.9980, 5.5586 ve 1.6339 olarak bulundu. Bu sonuçlar, destek vektör makinesinin (SVM) kısmi olarak aylık ortalama dış hava sıcaklık tahmini için genel olarak da başka meteorolojik tahminler için faydalı bir araç olabileceğini kanıtlamaktadır.

In this study, the support vector machines (SVMs) have been used for the estimation of monthly mean ambient temperature in Elazığ (38.41˚ N, 39.14˚ E), Turkey. The model was trained and tested for four years (2002-2005) of some monthly mean meteorological values. Inputs of the network were relative humidity, local pressure, vapour pressure, and wind velocity monthly values and the output was the monthly mean outdoor temperature. The efficiency of the proposed method was demonstrated by using the 4-fold cross validation test. The proposed SVM model produced the most accurate results for partition 4 that’s why the minimum root-mean squared (RMS), coefficient of variation (COV) and mean error function (MEF) and maximum coefficient of multiple determinations (R2) values were obtained for these partitions. It is found that RMS value is 0.7691, the R2 value is 0.9980, COV value is 5.5586, and MEF value is 1.6339 for partition 4. These results testify that the SVM can be a valuable tool for monthly ambient temperature prediction in particular and other meteorological predictions in general.