Türkiye Maksimum Yağışlarının Polinom Regresyonuyla Tahmini

Öz

Küresel ısınma, atmosferdeki su yoğunluğunu yükseltmekte ve yıllık toplam yağış miktarları azalma eğilimi gösterse de tekil yağış olaylarının şiddetini bazı bölgelerde arttırmaktadır. Bu nedenle, gözlenmiş yağış değerlerine bağlı olarak gelecekte oluşabilecek maksimum yağışların tahmin edilmesi önem kazanmıştır. Yağışlarda beklenen değişkenliğin anlaşılması ve muhtemel aşırı yağış değerlerinin yerlerinin ve yıl içinde gerçekleşeceği dönemlerin tahmin edilmesi, sel ve baraj yıkılmaları gibi potansiyel doğal afetlerin etkin bir şekilde önlenmesine yönelik çalışmalara büyük katkılar sağlamaktadır. Bu çalışmada, polinom regresyonu kullanılarak gelecekteki maksimum yağışlar, yılın her ayı için Türkiye’deki 66 yağış gözlem istasyonu verilerine dayanılarak %95 güven düzeyinde tahmin edilmiştir. Geliştirilen yöntem kapsamında, gözlenmiş yağış değerleri her istasyonun her ayı için küçükten büyüğe sıralanarak verilere en uygun polinom belirlenmekte ve daha önce gözlenmiş tüm değerleri aşacak şekilde oluşması beklenen maksimum yağış değerleri ekstrapolasyonla belirlenmektedir. En uygun polinomların derecelerini ve katsayılarını belirleyerek beklenen maksimum yağış değerlerini tahmin etmek amacıyla geliştirilen yazılımla elde edilen sonuçlar, hangi aylarda hangi bölgelerin aşırı yağış ve sel riski taşıdığını göstermektedir. Ayrıca Türkiye çapında gelecekte gerçekleşmesi beklenen aylık maksimum yağış olaylarına ait haritalar her ay için ayrı ayrı oluşturulmuştur. Çalışma kapsamında geliştirilen PolReg yazılımı, makale ile birlikte ücretsiz olarak okuyucuların kullanımına sunulmuştur.

Anahtar Kelimeler

• Polinom Regresyonu
• Aylık Toplam Yağış
• Maksimum Yağış

Prediction of Maximum Precipitation in Turkey with Polynomial Regression

Öz

Global warming is increasing the amount of atmospheric water and the magnitude of precipitation in some regions even though the annual total precipitation trend is decreasing. Consequently, the prediction of future maximum precipitation based on existing observations has gained importance. Understanding the expected variability in precipitation events and predicting the location and yearly periods of probable extreme precipitation are important for the efficient prevention of potential natural catastrophes like floods and dam failures. In this study, future extreme precipitation was predicted for each month of year at a 95% confidence level by using the precipitation data of 66 stations in Turkey. In the context of the developed method, the observed precipitations of each station for each month are sorted in ascending order and the best polynomial fitting to the data is determined, then the expected extreme precipitation values higher than all previous observations were determined by extrapolation. The results of the software developed for predicting the expected maximum precipitation values by determining the degrees and coefficients of the best-fitting polynomials for each month at each station show the months and regions with extreme precipitation and risks of flooding. Also, maps showing the predicted monthly extreme precipitation events throughout Turkey are generated for each month. The PolReg software developed as part of the study is freely presented together with the manuscript for readers’ use.

Anahtar Kelimeler

• Polynomial Regression
• Monthly Total Precipitation
• Maximum Precipitation

Kaynakça

1. Acock, M. C., & Pachepsky, Y A. (2000). Estimating missing weather data for agricultural simulations using group method of data handling. Journal of Applied Meteorology, 39(7), 1176-1184. doi:Doi 10.1175/1520-0450(2000)039<1176:Emwdfa>2.0.Co;2 google scholar
2. Adnan, S., Ullah, K., & Shouting, G. (2016). Investigations into precipitation and drought climatologies in south central Asia with special focus on Pakistan over the period 1951-2010. Journal of Climate, 29(16), 6019-6035. doi:10.1175/JCLI-D-15-0735.1 google scholar
3. Bacanli, U., Dikbaş, F., & Baran, T. (2008). Drought analysis and a sample study of Aegean Region. Paper presented at the Sixth International Conference on Ethics and Environmental Policies, Padova. google scholar
4. Bahadır, M. (2014). Samsun’da Meydana Gelen 4 Temmuz ve 6 Ağustos 2012 Taşkinlarinin Klimatik Analizi. Coğrafya Dergisi, 0(29), 28-50. google scholar
5. Begueria, S., & Vicente-Serrano, S. M. (2006). Mapping the hazard of extreme rainfall by peaks over threshold extreme value analysis and spatial regression techniques. Journal of Applied Meteorology and Climatology, 45(1), 108-124. doi:10.1175/JAM2324.1 google scholar
6. Block, P., & Rajagopalan, B. (2007). Interannual variability and ensemble forecast of upper Blue Nile basin Kiremt season precipitation. Journal of Hydrometeorology, 8(3), 327-343. doi:10.1175/JHM580.1 google scholar
7. Castro-Gama, M. E., Popescu, I., Li, S., Mynett, A., & van Dam, A. (2014). Flood inference simulation using surrogate modelling for the Yellow River multiple reservoir system. Environmental Modelling & Software, 55, 250-265. doi:http://dx.doi.org/10.1016/j. envsoft.2014.02.002 google scholar
8. Dikbaş, F. (2018). A New Two-Dimensional Rank Correlation Coefficient. Water Resources Management, 32(5), 1539-1553. doi:10.1007/s11269-017-1886-0 google scholar

9. Dikbaş, F. (2017). A novel two-dimensional correlation coefficient for assessing associations in time series data. International Journal of Climatology, 37(11), 4065-4076. doi:https://doi.org/10.1002/joc.4998 google scholar
10. Erlat, E. (1996). Türkiye’de Günlük Yağışların Şiddeti Üzerine Bir İnceleme. Ege Coğrafya Dergisi, 9(1). google scholar
11. Firat, M., Dikbaş, F., Koç, A. C., & Gungor, M. (2012). Classification of Annual Precipitations and Identification of Homogeneous Regions using K-Means Method. Teknik Dergi, 23(3), 6037-6050. Retrieved from ://WOS:000306730200004 google scholar
12. George, J., Janaki, L., & Parameswaran Gomathy, J. (2016). Statistical Downscaling Using Local Polynomial Regression for Rainfall Predictions - A Case Study. Water Resources Management, 30(1), 183-193. doi:10.1007/s11269-015-1154-0 google scholar
13. Goodale, C. L., Aber, J. D., & Ollinger, S. V. (1998). Mapping monthly precipitation, temperature, and solar radiation for Ireland with polynomial regression and a digital elevation model. Climate Research, 10(1), 35-49. Retrieved from https://www.scopus.com/ inward/record.uri?eid=2-s2.0-0031870942&partnerID=40&md5=b 0f1b3d5332ff4a32b548a26fe82ba72 google scholar
14. Gülten, İ., & Ataol, M. (2014). Türkiye’de Yıllık Ortalama Sıcaklıklar ile Yağışlarda Eğilimler ve NAO Arasındaki İlişkileri (1975-2009). Coğrafya Dergisi(28), 55-68. google scholar
15. Hou, A. Y, Kakar, R. K., Neeck, S., Azarbarzin, A. A., Kummerow, C. D., Kojima, M., . . . Iguchi, T. (2014). The global precipitation measurement mission. Bulletin of the American Meteorological Society, 95(5), 701-722. doi:10.1175/BAMS-D-13-00164.1 google scholar
16. Hwang, Y, Clark, M., Rajagopalan, B., & Leavesley, G. (2012). Spatial interpolation schemes of daily precipitation for hydrologic modeling. Stochastic Environmental Research and Risk Assessment, 26(2), 295-320. doi:10.1007/s00477-011-0509-1 google scholar
17. İrcan, M. R., & Duman, N. (2021). Standartlaştırılmış Yağış İndisi (SYİ) Yöntemi ile Şanlıurfa İli Kuraklık Analizi. Coğrafya Dergisi(42), 1-18. google scholar
18. Jayawardena, A. W., & Lai, F. (1994). Analysis and prediction of chaos in rainfall and stream flow time series. Journal of Hydrology, 153(1-4), 23-52. doi:http://dx.doi.org/10.1016/0022-1694(94)90185-6 google scholar
19. Jones, W. R., Spence, M. J., Bowman, A. W., Evers, L., & Molinari, D. A. (2014). A software tool for the spatiotemporal analysis and reporting of groundwater monitoring data. Environmental Modelling & Software, 55, 242-249. doi:http://dx.doi.org/10.1016/j.envsoft.2014.01.020 google scholar
20. Kent, C., Chadwick, R., & Rowell, D. P. (2015). Understanding Uncertainties in Future Projections of Seasonal Tropical Precipitation. Journal of Climate, 28(11), 4390-4413. doi:10.1175/ JCLI-D-14-00613.1 google scholar
21. Knox, J. C. (1993). Large increases in flood magnitude in response to modest changes in climate. Nature, 361(6411), 430-432. Retrieved from http://dx.doi.org/10.1038/361430a0 google scholar
22. Koç, T., & Irdem, C. (2007). Türkiye’de yağışların şiddet bakımından zamansal ve alansal değişkenliği. Türk Coğrafya Dergisi(49), 1-42. google scholar
23. Koç, O. (2019). Polinomiyal regresyonla gelecekteki maksimum yağışların tahmini. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, google scholar
24. Külekçioğlu, T., & Fıstıkoğlu, O. (2022). İstasyon Bazlı Günlük Maksimum Yağışlar İle Büyük Ölçekli Atmosferik Parametreler Arasındaki İlişkilerin Araştırılması. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 24(72), 901-912. google scholar
25. Leconte, J., Forget, F., Charnay, B., Wordsworth, R., & Pottier, A. (2013). Increased insolation threshold for runaway greenhouse processes on Earth-like planets. Nature, 504(7479), 268-271. doi:10.1038/nature12827 google scholar
26. Meyers, L. S., Gamst, G., & Guarino, A. J. (2016). Applied Multivariate Research: Design and Interpretation: SAGE Publications. google scholar
27. Porporato, A., & Ridolfi, L. (1998). Influence of weak trends on exceedance probability. Stochastic Hydrology and Hydraulics, 12(1), 1-14. doi:10.1007/s004770050006 google scholar
28. Reager, J. T., & Famiglietti, J. S. (2009). Global terrestrial water storage capacity and flood potential using GRACE. Geophysical Research Letters, 36(23). doi:10.1029/2009GL040826 google scholar
29. Sarış, F., & Gedik, F. (2021). Konya Kapalı Havzası’nda Meteorolojik Kuraklık Analizi. Coğrafya Dergisi(42), 295-308. google scholar
30. Sivakumar, B. (2000). Chaos theory in hydrology: Important issues and interpretations. Journal of Hydrology, 227(1-4), 1-20. doi:10.1016/ S0022-1694(99)00186-9 google scholar
31. Sivakumar, B., Liong, S. Y, Liaw, C. Y, & Phoon, K. K. (1999). Singapore rainfall behavior: Chaotic? Journal of Hydrologic Engineering, 4(1), 38-48. doi:10.1061/(ASCE)1084-0699(1999)4:1(38) google scholar
32. Stefanescu, V, Stefan, S., & Georgescu, F. (2014). Spatial distribution of heavy precipitation events in Romania between 1980 and 2009. Meteorological Applications, 21(3), 684-694. doi:10.1002/met.1391 google scholar
33. Tian, D., Martinez, C. J., Graham, W. D., & Hwang, S. (2014). Statistical Downscaling Multimodel Forecasts for Seasonal Precipitation and Surface Temperature over the Southeastern United States. Journal of Climate, 27(22), 8384-8411. doi:10.1175/JCLI-D-13-00481.1 google scholar
34. Türkeş, M., Koç, T., & Sarış, F. (2007). Türkiye’nin Yağiş Toplami ve Yoğunluğu Dizilerindeki Değişikliklerin ve Eğilimlerin Zamansal ve Alansal Çözümlemesi. Coğrafi Bilimler Dergisi, 5(1), 57-73. google scholar
35. Wilks, D. S. (2012). Projecting “Normals” in a Nonstationary Climate. Journal of Applied Meteorology and Climatology, 52(2), 289-302. doi:10.1175/JAMC-D-11-0267.1 google scholar
36. Yılmaz, E. (2020). Türkiye’de Thornthwaite İklim İndislerindeki Eğilimler. Coğrafya Dergisi(40), 163-185. google scholar
37. Zhang, Q., Xu, C.-Y, Tao, H., Jiang, T., & Chen, Y. D. (2009). Climate changes and their impacts on water resources in the arid regions: a case study ofthe Tarim River basin, China. Stochastic Environmental Research and Risk Assessment, 24(3), 349-358. doi:10.1007/ s00477-009-0324-0 google scholar