Prediction of Atmospheric Drought with Machine Learning Methods: The Example of İzmir

Öz

This study aimed to evaluate the effectiveness of artificial intelligence methods in order to predict the risk of drought in Izmir province. First, the basic atmospheric factors (humidity, temperature, sunshine duration, wind speed) that cause drought were determined. The last ten years of climate data for Izmir, obtained from the General Directorate of Meteorology, were analyzed in detail according to these factors. The obtained data was classified with Multi-Layer Perceptron (MLP) and Decision Trees (DT), which are machine learning algorithms. These algorithms can predict drought conditions by modeling complex relationships in data. In the analyzes performed using the Python programming language, it was determined that the DT algorithm was more successful than the MLP algorithm (77%) with 86%. Drought is an important environmental problem on a global scale and creates negative effects on ecosystems, agriculture, water resources and economic activities. The results of this study show that artificial intelligence-supported systems can be quite effective in predicting drought risk. If we look at the potential benefits of the drought forecast model; Early detection of drought risk with early warning systems provides the opportunity for relevant institutions and organizations to take precautions. Water resources management will ensure more effective use of water resources and preparation for drought periods. In the field of Agriculture and Livestock, agricultural productivity can be increased by measures such as selecting drought-resistant varieties and improving irrigation systems. In terms of economic planning, predicting the potential effects of drought will contribute to economic planning processes. Artificial intelligence-based drought prediction models are seen as an important tool in combating water scarcity. Such studies will contribute to taking important steps in the protection and effective use of water resources, which are vital for a sustainable future.

Anahtar Kelimeler

• Value
• Multilayer Perceptron
• Climate
• Decision Trees
• Drought
• Machine Learning
• Artificial Neural Networks
• Artificial Intelligence

Atmosferik Kuraklığın Makine Öğrenmesi Yöntemleri ile Tahminlenmesi: İzmir Örneği

Öz

Bu çalışma, İzmir ili özelinde kuraklık riskini önceden tahmin etmek amacıyla yapay zeka yöntemlerinin etkinliğini değerlendirmeyi hedeflemiştir. İlk olarak, kuraklığa neden olan temel atmosferik faktörler (nem, sıcaklık, güneşlenme süresi, rüzgâr hızı) belirlenmiştir. Meteoroloji Genel Müdürlüğü’nden temin edilen İzmir’e ait son on yıllık iklim verileri, bu faktörlere göre detaylı bir şekilde analiz edilmiştir. Elde edilen veriler, makine öğrenmesi algoritmaları olan Çok Katmanlı Algılayıcı (MLP) ve Karar Ağaçları (DT) ile sınıflandırılmıştır. Bu algoritmalar, verilerdeki karmaşık ilişkileri modelleyerek kuraklık durumunu tahmin edebilmektedir. Python programlama dili kullanılarak yapılan analizlerde, DT algoritmasının %86 ile MLP algoritmasına (%77) göre daha başarılı olduğu tespit edilmiştir. Kuraklık, küresel çapta önemli bir çevresel sorun olup, ekosistemler, tarım, su kaynakları ve ekonomik faaliyetler üzerinde olumsuz etkiler yaratmaktadır. Bu çalışmanın sonuçları, yapay zeka destekli sistemlerin kuraklık riskini önceden tahmin etmede oldukça etkili olabileceğini göstermektedir. Kuraklık tahmin modelinin potansiyel faydalarına bakacak olursak; erken uyarı sistemleri ile Kuraklık riskinin erken tespiti, ilgili kurum ve kuruluşlara önlem alma fırsatı sunar. Su kaynakları yönetimi ile su kaynaklarının daha etkin kullanılması ve kuraklık dönemlerine hazırlıklı olunması sağlayacaktır. Tarım ve Hayvancılık alanında Kuraklığa dayanıklı çeşitlerin seçimi, sulama sistemlerinin iyileştirilmesi gibi önlemlerle tarımsal verimlilik artırılabilecektir. Ekonomik planlama açısından kuraklığın potansiyel etkilerinin önceden tahmin edilmesi, ekonomik planlama süreçlerine katkı sağlayacaktır. yapay zeka tabanlı kuraklık tahmin modelleri, su kıtlığı ile mücadelede önemli bir araç olarak görülmektedir. Bu tür çalışmalar, sürdürülebilir bir gelecek için hayati öneme sahip olan su kaynaklarının korunması ve etkin kullanımı konusunda önemli adımlar atılmasına katkı sağlayacaktır.

Anahtar Kelimeler

• Çok Katmanlı Algılayıcı
• İklim
• Karar Ağaçları
• Kuraklık
• Makine Öğrenmesi
• Yapay Sinir Ağları
• Yapay Zekâ

Kaynakça

1. Anonim 1: Türk Dil Kurumu Güncel Türkçe Sözlük, https://sozluk.gov.tr/ Erişim tarihi: 17.11.2022
2. Anonim 2: Meteoroloji Genel Müdürlüğü, https://www.mgm.gov.tr/veridegerlendirme/kuraklik-analizi.aspx?d=yontemsinif Erişim tarihi: 10.12.2022
3. Anonim 3: https://cografyahazinesi.wordpress.com/2019/09/18/kuraklik-nedir-kuraklik-cesitleri-ve-kurak liga-neden-olan-faktorler-nelerdir/ Erişim tarihi: 10.12.2022
4. Anonim 4: TÜBİTAK Bilim Genç, https://bilimgenc.tubitak.gov.tr/yapay-sinir-aglari-nedir Erişim tarihi: 25.11.2022
5. Başakın, E. E., Ekmekçioğlu, Ö., & Özger, M. (2019). Makine öğrenmesi yöntemleri ile kuraklık analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(8), 985-991.
6. Bilgin, G. (2021). Makine Öğrenmesi Algoritmaları Kullanarak Erken Dönemde Diyabet Hastalığı Riskinin Araştırılması, Zeki Sistemler Teori ve Uygulamaları Dergisi 4(1) (2021) 55-64, 2021.
7. Jehanzaib, M., Shah, S.A., Son, H.J., Jang, S.H., Kim, T.W. (2022). Predicting HydrologicalDrought Alert Levels Using Supervised Machine Learning Classifiers, Journal of Civil Engineering, 26(6): 3019-3030.
8. Kavzoğlu, T., Çölkesen, İ. (2010). Karar Ağaçları ile Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği, Harita Teknolojileri Elektronik Dergisi Cilt: 2, No: 1, 36-45.

9. Noriega, L. (2005). Multilayer Perceptron Tutorial, School of Computing Staffordshire University.
10. Öztemel, E. (2012).Yapay Sinir Ağları, Papatya Yayıncılık.
11. Partigöç, N.S., Soğancı, S. (2019). Küresel İklim Değişikliğinin Kaçınılmaz Sonucu: Kuraklık. Resilience, 3(2), 1-24
12. Safavian S.R., Landgrebe D. (1991). A survey of decision tree classifier methodology, IEEE Transactions on Systems Man and Cybernetics, 21, 660-674.
13. Sırdaş, S. Ve Şen, Z. (2018). Meteorolojik Kuraklı Modellemesi ve Türkiye Uygulaması, İTÜ Dergisi, Cilt: 2 Sayı: 2, 95-105.
14. Şen, Z. (2004). Yapay Sinir Ağları İlkeleri, Su Vakfı, İstanbul.
15. Taşar, B., Üneş, F., Demirci, M., Kaya, Y.Z. (2017). Yapay Sinir Ağları Yöntemi Kullanılarak Buharlaşma Miktarı Tahmini, DÜMF Mühendislik Dergisi 9:1 (2018) : 543 - 551.
16. Tufaner, F., Dabanlı, İ., Özbeyaz, A. (2018). Kuraklığın Yapay Sinir Ağları ile Analizi: Adıyaman Örneği, Uluslararası Su ve Çevre Kongresi.
17. Türkes, M. (2012). Türkiye’de gözlenen ve öngörülen iklim değişikliği, kuraklık ve çölleşme. Ankara Üniversitesi Çevrebilimleri Dergisi, 4(2), 1-32. https://doi.org/10.1501/Csaum_0000000063
18. WMO (1997). Extreme agrometeorological events, CagM-X Working Group, Geneva, 1997.