Anlık Maksimum Debilerin 2025-2055 Dönemindeki Yağış ve Sıcaklık Farklılıklarına Göre Değişimi, Doğu Karadeniz Havzası İncelemesi

Öz

Bu çalışma geçmiş yıllarda şiddetli yağışlara bağlı, büyük can ve maddi kayıpların yaşandığı Doğu Karadeniz Havzası’nda gerçekleştirilmiştir. Çalışmanın temel amacı iklim değişikliğinin anlık maksimum debilere etki düzeyinin araştırılmasıdır. Bu araştırma için havzanın orta ve doğu kesimlerinde farklı rakımlarda bulunan dört Akım Gözlem İstasyonu (AGİ) seçilmiştir Seçilen istasyonlarda en uzun süre kesintisiz kaydedilmiş verilerin bulunduğu yıllar göz önüne alınarak belirlenen referans dönemler için Debi Süreklilik Eğrileri (DSE) elde edilmiştir. DSE’lerden %95, %50 ve %5 aşılma olasılığına karşılık gelen debi değerleri elde edilmiş ve yıllık ortalama debi, yıllık toplam yağış ve yıllık ortalama sıcaklık verileriyle birlikte anlık maksimum debi (Qmaks) tahmini için tahminleyici parametre olarak kullanılmıştır. Çalışmada tahminleme kalibrasyon ve gelecek tahmini olmak üzere iki aşamadan oluşmuştur. Kalibrasyon kısmında istasyonların referans dönemi içerisinde gözlenmiş veriler kullanılarak önceki yıl verileriyle bir sonraki yıl Qmaks değerini tahmin eden fonksiyonlar belirlenmiştir (Ortalama R=0,975). İkinci kısımda bölge için iklim değişikliğinin en olumsuz etkilerinin gözleneceği bildirilen RCP8.5 emisyon senaryosu etkisi altında MPI-ESM-MR yağış ve sıcaklık verileri kullanılarak 2025-2055 yılları aralığında Qmaks tahmini yapılmıştır. Çalışmadan elde edilen bulgular, havzada yağış ve sıcaklık değişimlerinin Qmaks üzerinde istatistiksel olarak anlamlı etkilerinin olduğunu, üst havzalardaki değişim düzeyinin sınırlı olduğunu ve alt havzalarda gelecekte taşkın oluşturabilecek yüksek debilerin gözlenebileceğini göstermiştir.

Anahtar Kelimeler

• Anlık Maksimum Debi
• Taşkın
• İklim Değişikliği
• Havza Su Yönetimi

Change in Instant Maximum Flows According to Precipitation and Temperature Differences in the 2025-2055 Period, A Study in Eastern Black Sea Basin

Öz

This study was carried out in the Eastern Black Sea Basin, where great loss of life and property was experienced due to heavy rains in the past years. The main purpose of the study is to investigate the effect of climate change on instantaneous maximum flow (Qmax) rates. For this study, four Discharge Observation Stations (DOS) located at different altitudes in the central and eastern parts of the basin were selected: Flow Duration Curves (FDC) were obtained for the reference periods determined by considering the years with the longest continuous recorded data at the selected stations. Flow values corresponding to 95%, 50% and 5% probability of exceeding were obtained from FDCs and were used as estimating parameters for Qmax estimation together with annual average flow, annual total precipitation and annual average temperature data. In the study, forecasting consisted of two stages: calibration and future forecasting. In the calibration, the functions estimating the Qmax of the next year were determined with the data of the previous year by using the data observed in the reference period of the stations (Mean R = 0.975). In the second part, Qmax estimation was made 2025-2055 period using MPI-ESM-MR precipitation and temperature data under the effect of the RCP8.5 emission scenario, where it is reported that the most negative effects of climate change will be observed for the region. The findings obtained from the study showed that precipitation and temperature changes in the basin have statistically significant effects on Qmax, the level of change in the upper basins is limited, and high flow rates that may cause flooding in the lower basins can be observed in the future.

Anahtar Kelimeler

• Instantaneous Maximum Flow
• Flood
• Climate Change
• Basin Water Management

Kaynakça

1. Adnan, M., Liu, S., Saifullah, M., Iqbal, M., Saddique, Q., Ul Hussan, W., & Latif, Y. (2024). Estimation of changes in runoff and its sources in response to future climate change in a critical zone of the Karakoram mountainous region, Pakistan in the near and far future. Geomatics, Natural Hazards and Risk, 15(1), Article 2291330. https://doi.org/10.1080/19475705.2023.2291330
2. Ahlgren, P., Jarneving, B., & Rousseau, R. (2003), Requirements for a cocitation similarity measure, with special reference to Pearson's correlation coefficient. Journal of the American Society for Information Science and Technology, 54(6), 550–560. https://doi.org/10.1002/asi.10242
3. Babacan, H. T., Yüksek, Ö., & Saka, F. (2022). Yapay zeka ve sezgisel regresyon yöntemlerinin yağış-akış modellemesi için performans değerlendirmesi: Aksu Deresi için bir uygulama. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 11(3), 744–751. https://doi.org/10.28948/ngumuh.1079616
4. Badyalina, B., & Shabri, A. (2013). Streamflow forecasting at ungauged sites using multiple linear regression. MATEMATIKA: Malaysian Journal of Industrial and Applied Mathematics, 26(1b), 67–75.
5. Bahareh, K., Biswajeet, P., Seyed, A. N., Alireza, M., & Shattri, M. (2018). Assessment of the effects of training data selection on the landslide susceptibility mapping: a comparison between support vector machine (SVM), logistic regression (LR) and artificial neural networks (ANN). Geomatics, Natural Hazards and Risk, 9(1), 49–69. https://doi.org/10.1080/19475705.2017.1407368
6. Cheng, W-C., Hsu, N-S., Cheng, W-M., & Yeh, W.W-G. (2011). Optimization of European call options considering physical delivery network and reservoir operation rules. Water Resources Research, 47(10), Article W10501. https://doi.org/10.1029/2011WR010423
7. Demircan, M., Gürkan, H., Eskioğlu, O., Arabacı, H., & Coşkun, M. (2017). Climate change projections for Turkey: three models and two scenarios. Turkish Journal of Water Science and Management, 1(1), 22–43. https://doi.org/10.31807/tjwsm.297183
8. Elbaşı, E., & Özdemir, H. (2023). Akım gözlem istasyonu bulunmayan havzalarda taşkın debisi tahmini: Doğu Karadeniz örneği. Türk Coğrafya Dergisi, 84, 85–96.

9. Grey, V., Smith-Miles, K., Fletcher, T. D., Hatt, B. E., & Coleman, R. A. (2023). Empirical evidence of climate change and urbanization impacts on warming stream temperatures. Water Research, 247, Article 120703. https://doi.org/10.1016/j.watres.2023.120703
10. Gulay, E., Sen, M., & Akgun, O. B. (2024). Forecasting electricity production from various energy sources in Türkiye: A predictive analysis of time series, deep learning, and hybrid models. Energy, 286, Article 129566. https://doi.org/10.1016/j.energy.2023.129566
11. Guo, Y., Zhang, L., Zhang, Y., Wang, Z., & Zheng, H. X. (2021). Estimating impacts of wildfire and climate variability on streamflow in Victoria, Australia. Hydrological Processes, 35(12), Article e14439. https://doi.org/10.1002/hyp.14439
12. Gürgen, G. (2004). Doğu Karadeniz Bölümünde Maksimum Yağışlar ve Taşkınlar Açısından Önemi. Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi, 24(2), 79–92.
13. Huber, C. J., Eichler, A., Mattea, E., Brütsch, S., Jenk, T. M., Gabrieli, J., Barbante, C., & Schwikowski, M. (2024). High-altitude glacier archives lost due to climate change-related melting. Nature Geoscience, 17, 110–113. https://doi.org/10.1038/s41561-023-01366-1
14. Jehanzaib, M., Ajmal, M., Achite, M., & Kim, T-W. (2022). Comprehensive Review: Advancements in Rainfall-Runoff Modelling for Flood Mitigation. Climate, 10, Article 147. https://doi.org/10.3390/cli10100147
15. Kat, C. J., & Els, P. S. (2012). Validation metric based on relative error. Mathematical and Computer Modelling of Dynamical Systems, 18(5), 487–520. https://doi.org/10.1080/13873954.2012.663392
16. Longobardi, A., & Villani, P. (2013). A statistical, parsimonious, empirical framework for regional flow duration curve shape prediction in high permeability Mediterranean region. Journal of Hydrology, 507, 174–185. https://doi.org/10.1016/j.jhydrol.2013.10.019
17. Meshram, S. G., Meshram, C., Santos, C. A. G., Benzougagh, B., & Khedher, K. M. (2022). Streamflow Prediction Based on Artificial Intelligence Techniques. Iranian Journal of Science and Technology, Transactions of Civil Engineering, 46, 2393–2403. https://doi.org/10.1007/s40996-021-00696-7
18. Mundetia, N., Sharma, D., & Sharma, A., (2024). Groundwater sustainability assessment under climate change scenarios using integrated modelling approach and multi-criteria decision method. Ecological Modelling, 487, Article 110544. https://doi.org/10.1016/j.ecolmodel.2023.110544
19. Müller, M. F. & Thompson, S. E., (2016). Comparing statistical and process-based flow duration curve models in ungauged basins and changing rain regimes. Hydrology and Earth System Sciences, 20, 669–683. https://doi.org/10.5194/hess-20-669-2016
20. Nyaupane, S., Poudel M. R., Panthi, B., Dhakal, A., Paudel, H., & Bhandari, R. (2024). Drought stress effect, tolerance, and management in wheat–a review. Cogent Food & Agriculture, 10(1), Article 2296094. https://doi.org/10.1080/23311932.2023.2296094
21. Prather, C. M., Pelini, S. L., Laws, A., Rivest, E., Woltz, M., Bloch, C. P., Del Toro, I., Ho, C-K., Kominoski, J., Newbold, T. A. S., Parsons, S., & Joern, A. (2013). Invertebrates, ecosystem services and climate change. Biological Reviews, 88(2), 327–348. https://doi.org/10.1111/brv.12002
22. Saka, F., & Yüksek, Ö. (2017). Belli aşılma olasılığına sahip debilerinin bölgeselleştirilmesi ve Doğu Karadeniz Havzası örneği. Journal of the Faculty of Engineering & Architecture of Gazi University, 32(2), 335–342.
23. Searcy, J. K. (1959). Flow-duration curves (No. 1542). US Government Printing Office.
24. Sharma, N., Mishra, B. K., & Baral, S. (2024). Climate change impacts on Seti Gandaki River flow from hydropower perspectives, Nepal. Sustainable Water Resources Management, 10, Article 28. https://doi.org/10.1007/s40899-023-01017-8
25. Smakhtin, V. U. (2001). Low flow hydrology: a review. Journal of Hydrology, 240(3–4), 147-186. https://doi.org/10.1016/S0022-1694(00)00340-1
26. Stocker, T. F., Qin, D., Plattner, G. K., Tignor, M., Allen, S. K., Boschung, J. & Midgley, P. M., (2014). Climate Change 2013: The Physical Science Basis. Cambridge University Press.
27. Tsakiri, K., Marsellos, A., & Kapetanakis, S. (2018). Artificial Neural Network and Multiple Linear Regression for Flood Prediction in Mohawk River, New York. Water, 10(9), Article 1158. https://doi.org/10.3390/w10091158
28. Tsarouchi, G. M., (2014). Modelling land-use and climate change impacts on hydrology: The upper ganges river basin [PhD thesis, Imperial Collage London].
29. Vogel, R. M., & Fennessey, N. M. (1994). Flow-duration curves. I: New interpretation and confidence intervals. Journal of Water Resources Planning and Management, 120(4), 485–504.
30. Wu, S., Yin, Y., Zheng, D., & Yang, Q. (2006), Moisture conditions and climate trends in China during the period 1971–2000. International Journal of Climatology, 26(2), 193-206. https://doi.org/10.1002/joc.1245
31. Yüksek, Ö., Babacan, H. T., & Yüksek, O. (2022). Doğu Karadeniz Havzası’nda taşkın sebepleri, zararları ve taşkın yönetimi çalışmaları. Türk Hidrolik Dergisi, 6(2), 36–46.