Makine Öğrenmesi Algoritmalarının Modelleme ve Tahmin Performanslarının Karşılaştırılması: Türkiye’deki Orman Yangın Sayısı Örneği

Öz

Dünya'nın astronomik hareketleri ve jeolojik aktivitelerin sonucunda oluşan küresel ısınma ve iklim değişikliği, günümüzde orman yangınları başta olmak üzere çeşitli doğal afetlerin artmasına neden olmaktadır. Türkiye’deki gelecek nesilleri orman yangınları konusunda bilinçlendirmek amacıyla orman yangınlarının geçmiş veriler ışığında analiz edilmesi ve tahminlerde bulunularak tedbirlerin alınmasının sağlanması bu araştırmanın temel odak noktası olmuştur. Bu amaç doğrultusunda günümüzdeki popülerliği gittikçe artan makine öğrenmesi yöntemlerinden CatBoost, LightGBM, LSTM, Random Forest ve XGBoost algoritmaları, orman yangın sayısını modellemek ve tahminini gerçekleştirmek için tercih edilmiştir. Bu araştırmada, ilk defa olarak Türkiye’deki günlük Kasım 2000-Ocak 2026 tarihleri arasındaki orman yangın sayısı verileri kullanılmıştır. Sonuç olarak, LightGBM modeli orman yangını sayısını modelleme daha etkin, Random Forest modeli ise gelecek tahmini konusunda daha etkin performansa sahiptir.

Anahtar Kelimeler

• Makine Öğrenmesi
• Modelleme
• Orman Yangın Sayısı
• Türkiye

Comparison of Modeling and Prediction Performance of Machine Learning Algorithms: The Case of Forest Fire Count in Türkiye

Öz

Global warming and climate change, driven primarily by anthropogenic greenhouse gas emissions and various other factors, are today causing an increase in natural disasters, particularly forest fires. The primary focus of this research is to raise awareness among future generations in Türkiye about forest fires by analyzing them in light of historical data, making predictions, and ensuring that necessary precautions are taken. In this context, CatBoost, LightGBM, LSTM, Random Forest, and XGBoost algorithms, among the machine learning methods that have found widespread application today, were preferred to model and predict the count of forest fires. In this research, daily forest fire count data from Türkiye covering the period November 2000 – January 2026 were used for the first time. As a result, the LightGBM model demonstrated greater effectiveness in modeling the count of forest fires, while the Random Forest model exhibited higher performance in future prediction.

Anahtar Kelimeler

• Machine Learning
• Modelling
• Türkiye
• Forest Fire Count

Kaynakça

1. Ateşoğlu A, Melemez K, Uğur B (2016) Orman yangınına hassas bölgelerde arasöz ile müdahale oranının belirlenmesi (Bartın Orman İşletmesi örneği). Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 16(2): 132-143. https://doi.org/10.17474/acuofd.24014
2. Calda B, An N, Turp MT, Kurnaz L (2020) İklim değişikliğinin Akdeniz havzasındaki orman yangınlarına etkisi. International Journal of Advances in Engineering and Pure Sciences, 32(1):15-32. https://doi.org/10.7240/jeps.571001
3. Chen T, Guestrin C (2016) XGBoost: A scalable tree boosting system. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Vol:13-17, August-2016. Association for Computing Machinery, 8:785–794.
4. Çökekoğlu S (2023) Uzaktan algılama sistemleri ile yangına hassas bölgelerin tahmin edilmesi Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Isparta.
5. Demirel Y, Türk T (2023) Türkiye’de 2015 ile 2022 yılları arasında meydana gelen orman yangınlarının coğrafi bilgi sistemleri ile zamansal ve mekânsal analizi. Jeodezi ve Jeoinformasyon Dergisi, 10(2): 136-150. https://doi.org/10.9733/JGG.2023R0010.T
6. Dorogush AV, Ershov V, Gulin A (2018) CatBoost: gradient boosting with categorical features support. Arxiv, 1–7. http://arxiv.org/abs/1810.11363
7. Eşidir KA (2025) Makine öğrenimi modelleri ile yetişkin eğitimi analizi: modellerin karşılaştırmalı performansı. Elektronik Sosyal Bilimler Dergisi, 24(2): 946-964. https://doi.org/10.17755/esosder.1589887
8. Güngöroğlu C, Özkara ZU, Tutmaz V (2024) Türkiye’de orman yangın yönetimi: Sorunlar ve çözüm önerileri. Memleket Siyaset Yönetim, 19(43): 517-570.

9. NASA (2026) https://firms.modaps.eosdis.nasa.gov/. Erişim Tarihi: 10.01.2026.
10. Özenen Kavlak M, Kurtipek A, Çabuk SN (2020) Coğrafi bilgi sistemleri ile orman yangını risk haritası oluşturulması: Ören Örneği. Resilience, 4(1): 33-54. https://doi.org/10.32569/resilience.597887
11. Şahan C, Kaya İ (2022) Türkiye ve Avrupa ülkeleri orman yangınlarının bazı değişkenler açısından değerlendirilmesi. ODÜSOBİAD, 12(1): 1-14. https://doi.org/10.48146/odusobiad.1013462
12. Tomanbay M (2008) Dünyada su ve küresel ısınma sorunu. Ankara: Phoenix Yayınevi.
13. Tunç BN, Atasever ÜH (2025) CatBoost algoritmasının taşınmaz değerlemede kullanımı: Bayesian hiperparametre optimizasyonu ile karşılaştırmalı analiz. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 14(2): 668-679. https://doi.org/10.28948/ngumuh.1597288
14. Usta G (2023) Afet yönetimi odağında orman yangınlarının değerlendirilmesi. Afet ve Risk Dergisi, 6(1): 18-35.
15. Yeşilyurt SE, Dalkılıç HY (2021) XGBoost ve Gradient Boost Machine ile günlük nehir akımı tahmini. In 3rd International Symposium of III Engineering Applications on Civil Engineering and Earth Sciences, 22-24 Eylül, Bartın.
16. Yıldırım O, Gunay FB, Yağanoğlu M (2023) Makine öğrenmesi yöntemleriyle orman yangını tahmini. Journal of the Institute of Science and Technology, 13(3): 1468-1481. https://doi.org/10.21597/jist.1249908
17. Yılmaz OS, Oruç MS, Ateş AM, Gülgen F (2021) Orman yangın şiddetinin Google Earth Engine ve Coğrafi bilgi sistemleri kullanarak analizi: Hatay-Belen örneği. Journal of the Institute of Science and Technology, 11(2): 1519-1532. https://doi.org/10.21597/jist.817900
18. Zhang T, Song S, Li S, Ma L, Pan S, Han L (2019) Research on gas concentration prediction models based on LSTM multidimensional time series. Energies, 12(1): 161. https://doi.org/10.3390/en12010161.