Kuraklığın Dinamiklerini Çözümlemek: Dalgacık Tabanlı Makine Öğrenmesi Yaklaşımıyla Konya Örneği

Öz

Kuraklık, bir bölgenin iklim koşullarını yansıtan ve su mevcudiyetinin uzun süreli olarak düşük seviyelerde seyretmesiyle ortaya çıkan doğal bir çevresel dengesizlik durumudur. Kuraklık olayları; sosyoekonomik yapı, tarımsal üretim ve ekosistemler üzerinde ciddi olumsuz etkiler yaratmaktadır. Ancak bu etkiler, kuraklığın mekânsal ve zamansal dinamiklerinin doğru analiz edilmesi ve önceden tahmin edilmesiyle önemli ölçüde azaltılabilir. Bu çalışmada, Türkiye’nin en kurak bölgelerinden biri olan Konya ilinde meteorolojik kuraklık analizi Keşif Kuraklık İndisi (KKİ) kullanılarak gerçekleştirilmiştir. Bu kapsamda, bölgede yer alan dokuz meteoroloji istasyonuna ait 1985–2021 dönemine ilişkin aylık ortalama sıcaklık verilerinden potansiyel evapotranspirasyon (PET) değerleri hesaplanmış, ardından yağış ve PET verileri kullanılarak KKİ serileri oluşturulmuştur. Hesaplanan KKİ değerleri kullanılarak çeşitli makine öğrenmesi (ML) ve dalgacık tabanlı makine öğrenmesi (D-ML) modelleri geliştirilmiş, elde edilen sonuçlar karşılaştırmalı olarak değerlendirilmiştir. Analizler, D-ML modellerinin kuraklık tahmininde ML modellerine kıyasla daha yüksek doğruluk ve genelleme yeteneğine sahip olduğunu göstermiştir. Ayrıca geliştirilen modellerle elde edilen KKİ serilerinin eğilimleri Mann–Kendall eğilim testiyle incelenmiş ve tüm modellerde istatistiksel olarak anlamlı bir eğilim gözlenmemiştir.

Anahtar Kelimeler

• Dalgacık Dönüşümü
• Makine Öğrenmesi
• Kuraklık Tahmini
• Keşif Kuraklık İndisi
• Mann-Kendall Eğilim Testi
• Konya

Unraveling the Dynamics of Drought: Wavelet-Based Machine Learning Approach, the Case of Konya, Türkiye

Öz

Drought is a natural environmental imbalance that reflects the climatic conditions of a region and arises from prolonged periods of low water availability. Drought events have serious adverse impacts on socioeconomic structures, agricultural production, and ecosystems. However, these impacts can be significantly reduced through accurate analysis and prediction of the spatial and temporal dynamics of drought. In this study, meteorological drought analysis was conducted in Konya Province, one of the driest regions of Türkiye, using the Reconnaissance Drought Index (RDI). For this purpose, potential evapotranspiration (PET) values were calculated from the monthly average temperature data of nine meteorological stations in the region for the period 1985–2021, and RDI series were then generated using precipitation and PET data. Various machine learning (ML) and wavelet-based machine learning (W-ML) models were developed using the calculated RDI values, and the results were evaluated comparatively. The analyses showed that the W-ML models achieved higher accuracy and better generalization ability in drought prediction compared with the ML models. In addition, the trends of the RDI series obtained from the developed models were examined using the Mann–Kendall test, and no statistically significant trend was observed in any of the models.

Anahtar Kelimeler

• Wavelet Transform
• Machine Learning
• Drought Prediction
• Reconnaissance Drought Index
• Mann-Kendall Trend Test
• Konya

Kaynakça

1. [1] Carroll, C. J., Slette, I. J., Griffin-Nolan, R. J., Baur, L. E., Hoffman, A. M., Denton, E. M., Gray, J. E., Post, A. K., Johnston, M. K., Yu, Q., Collins, S. L., Luo, Y. L., Smith, M. D., Knapp, A. K. 2021. Is a drought in grasslands? Productivity responses to different types of drought. Oecologia, 197, 1017-1026.
2. [2] Minea, I., Iosub, M., Boicu, D. 2022. Multi-Scale approach for different type of drought in temperate climatic conditions. Natural Hazards, 110, 1153-1177.
3. [3] Mukherjee, S., Mishra, A., Trenberth, K. E. 2018. Climate Change and drought: a perspective on drought indices. Current Climate Change Reports, 4, 145-163.
4. [4] Naumann, G., Alfieri, L., Wyser, K., Mentaschi, L., Betts, R. A., Carrao, H., Spinoni, J., Vogt, J., Feyen, L. 2018. Global changes in drought conditions under different levels of warming. Geophysical Research Letters, 45(7), 3285-3296. https://doi.org/10.1002/2017GL076521
5. [5] Tigkas, D., Vangelis, H., Tsakiris, G. 2012. Drought and climatic change impact on streamflow in small watersheds. Science of the Total Environment, 440, 33-41. https://doi.org/10.1016/j.scitotenv.2012.08.035
6. [6] Mishra, A. K., Singh, V. P. 2011. Drought modeling – A review. Journal of Hydrology, 403(1-2), 157-175. https://doi.org/10.1016/j.jhydrol.2011.03.049
7. [7] Wilhite, D. A., Glantz, M. H. 1985. Understanding: the drought phenomenon: the role of definitions. Water International, 10(3), 111-120. https://doi.org/10.1080/02508068508686328
8. [8] Sarış, F., Gedik, F. 2021. Konya Kapalı Havzası’nda meteorolojik kuraklık analizi. Coğrafya Dergisi, (42), 295-308.

9. [9] Özlen, T. 2022. Servikal kanserlerin teşhisinde kullanılan makine öğrenmesi algoritmalarının karşılaştırmalı analizi. İstanbul Aydın Üniversitesi, Lisansüstü Eğitim Enstitüsü, Yüksek Lisans Tezi, 100s, İstanbul.
10. [10] Ziya, U., Hınıs, M. A. 2024. Günlük akarsu akım verilerinin destek vektör makinesi ve dalgacık dönüşümü ile modellenmesi: Çoruh Havzası Büyükdere Çayı örneği. Karamanoğlu Mehmetbey Üniversitesi Mühendislik ve Doğa Bilimleri Dergisi, 6(2), 18-32. https://doi.org/10.55213/kmujens.1477330
11. [11] Asadi Zarch, M. A., Malekinezhad, H., Mobin, M. H., Dastorani, M. T., Kousari, M. R. 2011. Drought monitoring by reconnaissance drought index (RDI) In Iran. Water Resources Management, 25, 3485-3504.
12. [12] Zarei, A. R., Moghimi, M. M., Mahmoudi, M. R. 2016. Analysis of Changes in spatial pattern of drought using RDI index in South of Iran. Water Resources Management, 30, 3723-3743.
13. [13] Merabti, A., Meddi, M., Martins, D. S., Pereira, L. S. 2017. Comparing SPI and RDI applied at local scale as influenced by climate. Water Resources Management, 32, 1071-1085.
14. [14] Terzi, Ö., Barak, M. 2015. Dalgacık-sinir ağı yaklaşımı ile yağış-akış tahmini: Kızılırmak Nehri örneği. Tarım Bilimleri Dergisi, 21(4), 546-557. https://doi.org/10.1501/Tarimbil_0000001356
15. [15] Achite, M., Katipoglu, O. M., Şenocak, S., Elshaboury, N., Bazrafshan, O., Dalkılıç, H. Y. 2023. Modeling of meteorological, agricultural and hydrological droughts in semi-arid environments with various machine learning and discrete wavelet transform. Theoretical and Applied Climatology, 154(1), 413-451.
16. [16] Mokhtar, A., Jalali, M., He, H., Al-Ansari, N., Elbeltagi, A., Alsafadi, K. 2021. Estimation of SPEI meteorological drought using machine learning algorithms. IEEe Access, 9, 65503-65523.
17. [17] Tuğrul, T., Hınıs, M. A., Oruç, S. 2025. Comparison of LSTM and SVM methods through wavelet decomposition in drought forecasting. Earth Science Informatics, 18(1), 1-21.
18. [18] T.C. Kültür ve Turizm Bakanlığı. 2025. Coğrafi Konum. https://konya.ktb.gov.tr/TR-370533/cografi-konum.html (Erişim tarihi: 13.03.2025).
19. [19] Yıldırım, G. 2024. Makine öğrenmesi algoritmaları ile Konya ili meteorolojik kuraklık tahmini. Isparta Uygulamalı Bilimler Üniversitesi, Lisansüstü Eğitim Enstitüsü, Yüksek Lisans Tezi, 117s, Isparta.
20. [20] Tsakiris, G., Vangelis, H. 2005. Establishing a drought index incorporating evapotranspiration. European Water. 9(10), 3-11.
21. [21] Hassan, S. S., Goheer, M. A., Farah, H., Hafees, F., Sheraz, K., Fahad, J., Tariq, A. 2025. Geospatial assessment of climate variability and drought patterns: a case study from Pakistan. Theoretical and Applied Climatology, 156(3), 1-15.
22. [22] Topçu, E., Karaçor, F., Çırağ, B., Taşkolu, İ., Acar, R. 2025. Drought assessment in the Northeastern Aras Basin using multi-parameter aggregate drought index and innovative polygon trend analysis. Earth Science Informations, 18(3), 273.
23. [23] Tsakiris, G., Pangalou, D., Vangelis, H. 2007. Regional drought assessment based on the reconnaissance drought index (RDI). Water Resources Management, 21, 821-833. https://doi.org/10.1007/s11269-006-9105-4
24. [24] Yılmaz M. U. 2023. Keşif kuraklık indeksi ve standartlaştırılmış yağış indeksi kullanılarak Kırklareli ilinde kuraklığın eğilimi ve zamansal değişkenliği. Doğal Afetler ve Çevre Dergisi, 9(2), 341-364. https://doi.org/10.21324/dacd.1296428
25. [25] Almorox, J., Quej, V. H., Marti, P. 2015. Global Performance ranking of temperature-based approaches for evapotranspiration estimation considering Köppen climate classes. Journal of Hydrology, 528, 514-522. https://doi.org/10.1016/j.hydrol.2015.06.057
26. [26] Wang, G., Gong, T., Lu, J., Lou, D., Hagan, D. F. T., Chen, T. 2018. On the long‐term changes of drought over China (1948–2012) from different methods of potential evapotranspiration estimations. International Journal of Climatology, 38(7), 2954-2966. https://doi.org/10.1002/joc.5475
27. [27] Trajkovic, S., Gocic, M., Pongracz, R., Bartholy, J. 2019. Adjustment of Thornthwaite Equation for estimating evapotranspiration in Vojvodina. Theoretical and Applied Climatology, 138, 1231-1240.
28. [28] Thornthwaite, C. W. 1948. An approach toward a rational classification of climate. Geographical Review, 38(1), 55-94. https://doi.org/10.2307/210739.
29. [29] Baş, E., Palta, Ş., İpek, İ. C. 2024. Türkiye’nin Batı Karadeniz Bölgesi’nde yer alan bartın ilinin Thornthwaite ve Köppen yöntemlerine göre iklim sınıflandırması. Bartın Orman Fakültesi Dergisi, 26(4), 329-344.https://doi.org/10.24011/barofd.1484677
30. [30] Erdoğan Yüksel, E., Karan, Ö. F. 2024. Thortnhwaite yöntemine göre iklim tiplerinin belirlenmesi: Bursa ili örneği. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 25(1), 151-168. https://doi.org/10.17474/artvinofd.1435376
31. [31] Torrence, C., Compo, G. P. 1998. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society, 79(1), 61-78.
32. [32] Labat, D. 2005. Recent advances in wavelet analyses: Part 1. A review of concepts. Journal of Hydrology, 314(1-4), 275-288.
33. [33] Mallat, S. G. 1989. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(7), 674-693.
34. [34] Küçük, M., Ağıralioğlu, N. 2006. Dalgacık dönüşüm tekniği kullanılarak hidrolojik akım serilerinin modellenmesi. İtüdergisi/d, 5(2), 69-80.
35. [35] Yılmaz, Z., Bozkurt, M. R. 2013. Ayrık dalgacık dönüşümü kullanarak aritmilere ait özniteliklerin çıkarılması. XV. Akademik Bilişim Konferansı Bildirileri. 23-25 Ocak, Antalya, 85-88.
36. [36] Duran, K. 2013. Rüzgâr karakteristiklerinin dalgacık dönüşümü ile ortaya konması. İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 170s, İstanbul.
37. [37] Partal T. 2007. Türkiye yağış miktarlarının yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini. İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 198s, İstanbul.
38. [38] Korkmaz, M., Doğan, A., Kirmaci, V. 2022. Performance Analysis of counterflow ranque-hilsch vortex tube with linear regression, support vector machines and gaussian process regression method. Gazi Journal of Engineering Sciences, 8(2), 361-370. https://doi.org/10.30855/gmbd.0705015
39. [39] Akçay, İ. 2023. Hemşirelerin işten ayrılma niyetlerini etkileyen faktörlerin makine öğrenmesi yaklaşımları ile değerlendirilmesi. Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 59s, İstanbul.
40. [40] Britton, A., Graham, G., Woloszyn, M. 2024. Exploring relationships between drought indices and ecological drought impacts using machine learning and explainable AI. Journal of Applied and Service Climatology, 18. https://doi.org/10.46275/JOASC.2024.09.001
41. [41] En-Nagre, K., Aqnouy, M., Quarka, A., NaqviS. A. A., Bouizrou, I., El Messari, J. E. S., Tariq, A., Soufan, W., Li, W., El-Askary, H. 2024. Assessment and Prediction of meteorological drought using machine learning algorithms and climate data. Climate Risk Management, 45, 100630. https://doi.org/10.1016/j.crm.2024.100630
42. [42] Gan, Z., Xie, X., Su, C., Ge, W., Pan, H., Yang, L. 2025. Understanding the evolutionary processes and causes of groundwater drought using an interpretable machine learning model. Scientific Reports, 15(1), 20981.
43. [43] Ilyas, M., Niaz, R., Hussain, I., Alshahrani, M. A., Al Basheir, N. A., Almazah, M. M. 2025. Exploring seasonal drought patterns with climate data and machine learning models. Stochastic Environmental Research and Risk Assessment, 1-21.
44. [44] Oyarzabal, R. S., Santos, L. B., Cunningham, C., Broedel, E., de Lima, G. R., Cunha-Zeri, G., Peixoto, J. S., Anochi, J. A., Garcia, K., Costa, L. C. O., Pampuch, L. A., Cuartas, L. A., Zeri, M., Guedes, M. R. G., Negri, R. G., Munoz, V. A., Cunha, A. P. 2025. Forecasting drought using machine learning: a systematic literature review. Natural Hazards, 1-29.
45. [45] Fix, E., Hodges, J. L. 1951. Discriminatory analysis, nonparametric discriminators: consistency properties. USAF School of Aviation Medicine.
46. [46] Lu, L., Zhu, Z. 2014. Prediction model for eating property of India rice. Journal of Food Quality, 37(4), 274-280. https://doi.org/10.1111/jfq.12095
47. [47] Turan, A. K., Polat, H. 2024. Yarı denetimli makine öğrenmesi yöntemini kullanarak müzik türlerinin tespiti. Gazi Üniversitesi Fen Bilimleri Dergisi, 12(1), 92-107.https://doi.org/10.29108/gujsc.1352477
48. [48] Yılmaz, M., Kanıt, R., Erdal, M., Yıldız, S., Bakış, A. 2016. Bina Bakım onarımı ödeneklerinin etkin kullanımı maksadıyla ihale bedelini etkileyen faktörlerin yapay sinir ağları ve lineer regresyon yöntemleri ile belirlenmesi. Politeknik Dergisi, 19(4), 461-470. https://doi.org/10.2339/2016.19.4
49. [49] Hoerl, A. E., Kennard, R. W. 1970. Ridge regression: based estimation for nonorthogonal problems. Technometrics, 12(1), 55-67.
50. [50] Jahanbani, M., Vahidnia, M. H., Ahamohammadi, H., Azizi, Z. 2024. Flood Susceptibility mapping through geoinformatics and ensemble learning methods, with an emphasis on the Adaboost-Decision Tree algorithm, in Mazandaran, Iran. Earth Science Informatics, 17(2), 1433-1457.
51. [51] Baybaş, S., Akgün, Ö., Adıgüzel, E. D. C., Gürvardar, E. E., Gökpınar, E. 2024. Orman yangınlarının tahmini için makine öğrenimi yaklaşımı: Türkiye uygulaması, Veri Bilimi Dergisi, 7(2), 1-10.
52. [52] Freund, Y., Schapire, R. E. 1997. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. https://doi.org/10.1006/jcss.1997.1504
53. [53] Hu, W., Hu, W., Maybank, S. 2008. Adaboost-based algorithm for network intrusion detection. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 38(2), 577-583.
54. [54] Cao, J., Kwong, S., Wang, R. 2012. A noise-detection based Adaboost algorithm for mislabeled data. Pattern Recognition, 45(12), 4451-4465. https://doi.org/10.1016/j.patcog.2012.05.002
55. [55] Breiman, L. 2001. Random forests. Machine Learning, 45, 5-32.
56. [56] Parlak, M. S., Kayri, M. 2022. Öğretmenlerin E-öğrenme hazırbulunuşluk düzeylerini etkileyen faktörlerin rastgele orman algoritması yöntemi ile incelenmesi. Van Yüzüncü Yıl Üniversitesi Eğitim Fakültesi Dergisi, 19(3), 670-696. https://doi.org/10.33711/yyuefd.1117068
57. [57] Abdoh, S. F., Rizka, M. A., Maghraby, F. A. 2018. Cervical Cancer diagnosis using random forest classifier with SMOTE and feature reduction techniques. IEEE Access, 6, 59475-59485. https://doi.org/10.1109/ACCESS.2018.2874063
58. [58] Türkmen, E. 2021. Makine öğrenmesi yöntemleri ile banka pazarlama tahmini. İstanbul Kültür Üniversitesi, Lisansüstü Eğitim Enstitüsü, Yüksek Lisans Tezi, 55s, İstanbul.
59. [59] Özdemir, A. T. 2023. Makine öğrenmesi algoritmaları ile aritmilerin sınıflandırılması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 39(3), 394-402.
60. [60] Friedman, J. H. 2001. Greedy function approximation: a gradient boosting machine. Annals of Statistics, 1189-1232.
61. [61] Bayrakçı, H. C., Çiçekdemir, R. S., Özkahraman, M. 2021. Tarım arazilerinde harcanan su miktarını yapay zekâ teknikleri kullanarak belirlenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(6), 237-250. https://doi.org/10.29130/dubited.1015690
62. [62] Yoon, J. 2021. Forecasting of real GDP growth using machine learning models: gradient boosting and random forest approach. Computational Economics, 57(1), 247-265.
63. [63] Zhang, J., Ma, X., Zhang J., Sun, D., Zhou, X., Mi, C., Wen, H. 2023. Insights into geospatial heterogeneity of landslide susceptibility based on the SHAP-Xgboost model. Journal of Environmental Management, 332, 117357. https://doi.org/10.1016/jenvman.2023.117357.
64. [64] Koçak, Y. 2023. Konya ili hava kalitesinin derin öğrenme teknikleriyle değerlendirilmesi. Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 88s, Konya.
65. [65] Çıtakoğlu, H., Coşkun, Ö. 2021. Dalgacık dönüşüm modelli yapay zekâ teknikleri kullanılarak Orta Anadolu bölge istasyonlarının yağış tahmini. Harran Üniversitesi Mühendislik Dergisi, 6(1), 39-54 https://doi.org/10.46578/humder.785549
66. [66] Demirhan, T. 2015. Makine öğrenmesi algoritmalarının karmaşıklık ve doygunluk analizinin bir veri kümesi üzerinde gerçekleştirilmesi. Trakya Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 153s, Edirne.
67. [67] Kumar, V., Kedam, N., Sharma, K. V., Mehta, D. J., Caloiero, T. 2023. Advanced machine learning techniques to improve hydrological prediction: a comparative analysis of streamflow prediction models. Water, 15(14), 2572.
68. [68] Uğur Uzun, Y. 2023. Korelasyon analizi üzerine değerlendirmeler. Çanakkale Onsekiz Mart Üniversitesi, Lisansüstü Eğitim Enstitüsü, Yüksek Lisans Tezi, 69s, Çanakkale.