İklim Değişikliği Uyumu için Makina Öğrenmesi Algoritmaları ile Yağış Tahmini

Öz

Tarih boyunca su, canlılar ve uygarlıklar için yerleşim yeri seçiminde en önemli etken olmuştur. Gerçekten de su havzalarına yakın olmanın daha az ulaşım ihtiyacı, zengin mahsul, su dağıtımında enerji tasarrufu gibi birçok avantajı olduğu açıktır. Ancak sel, erozyon gibi dezavantajları da göz önünde bulundurulması gerektiği yaşanan doğal felaketlerle tarih boyunca hissedilmiştir. Bu nedenle, insanoğlu için herhangi bir doğal afetten önce gerekli önlemlerin alınması için yağışların doğru tahmin edilmesi önemli bir amaç olmuştur. Bu çalışmada, Python'da makine öğrenmesi algoritmaları uygulanarak yağış tahmini incelenmiştir. Bu çalışmada kullanılan veriler Türkiye'nin iki ilinden elde edilmiştir. Sonuçlar, Rassal Orman regresyon algoritmasının bu çalışmada kullanılan diğer regresyon modellerinden daha iyi performans gösterdiğini göstermektedir. Ayrıca gelecek 4 yılın öngörüsü, daha fazla yağış beklenmesi ve yağışların yeşil alanlara yönlendirilmesi ile toprakta depolanması veya kurak mevsimler için hasat edilmesi gerektiğini gösterilmektedir. İklim değişikliği dramatik bir şekilde meydana gelip kuru ve yağışlı mevsimlerin süresini değiştirirken, yağış miktarının tahmini, değişime daha yumuşak bir şekilde uyum sağlamamıza yardımcı olacaktır.

Anahtar Kelimeler

• Yağış
• İklim Değişikliği
• Tahmin
• Python
• Regresyon

Forecasting Precipitation by Machine Learning Algorithms to Adapt Climate Change

Öz

Throughout history, the water has been the main affection to choose settlement for living beings and civilizations. Indeed, there are many advanteges to be closer to water basins such as less transportation needs, wealthy crops, energy savings for delivery of water. However, there are some disadvantegous as well such as flooding, erosions. Therefore, it has been an aim to accurate prediction of precipitaion due to taking necessary measures before any hazardous events. In this study, precipitation prediction is investigated by implementing several machine learning algorithm in Python. The data used in this study is for two distict cirites of Turkey. The results show that random forest regression algorithm performs more accurate than other regression models, which are used in the present study. Moreover, the prediction of next 4 years are illustrated that it should be expected more rainfall and should be stored in either ground by directing the rainfall to the green areas or harvesting the rainfall for dry seasons. While the climate change occurs dramatically and changes dry and wet seasons duration, the prediction of precipitation amount will help us to adapt the change more gently.

Anahtar Kelimeler

• Precipitation
• Climate Change
• Forecasting
• Phython
• Regression

Kaynakça

1. Ahmed, K., Sachindra, D. A., Shahid, S., Iqbal, Z., Nawaz, N., & Khan, N. (2020). Multi-model ensemble predictions of precipitation and temperature using machine learning algorithms. Atmospheric Research, 236, 104806.
2. Bayrak, G., & Cansu, K. Ü. P. Yeşil Altyapı Uygulamaları Kapsamında Biyotutma Sistemlerinin Yağmur Suyu Kirletici Giderim Verimlerinin Değerlendirilmesi. Kent Akademisi, 14(3), 853-866.
3. Campisano, A., Butler, D., Ward, S., Burns, M. J., Friedler, E., DeBusk, K., ... & Han, M. (2017). Urban rainwater harvesting systems: Research, implementation, and future perspectives. Water Research, 115, 195-209.
4. Cicek, İ. (2001a). Türkiye’de günlük yağış şiddetleri ve frekansları. Ankara Üniversitesi Türkiye Coğrafyası Araştırma ve Uygulama Merkezi Dergisi, 8, 27-48.
5. Cicek, İ. (2001b). Türkiye’de mevsimlere göre yağış şiddetleri ve sıklıkları. Ankara Üniversitesi, Türkiye Coğrafyası Araştırma ve Uygulama Merkezi Dergisi, S, 8, 1-26.
6. Devkota, J., Schlachter, H., & Apul, D. (2015). Life cycle-based evaluation of harvested rainwater use in toilets and for irrigation. Journal of cleaner Production, 95, 311-321.
7. Domènech, L., & Saurí, D. (2011). A comparative appraisal of rainwater harvesting in single and multi-family buildings of the Metropolitan Area of Barcelona (Spain): social experience, drinking water savings, and economic costs. Journal of Cleaner Production, 19(6-7), 598-608.
8. Gardner, T., & Vieritz, A. (2010). The role of rainwater tanks in Australia in the twenty-first century. Architectural Science Review, 53(1), 107-125.

9. Gursoy-Haksevenler, B. H., Atasoy-Aytis, E., Dilaver, M., Yalcinkaya, S., Findik-Cinar, N., Kucuk, E., ... & Yetis, U. (2021). A strategy for the implementation of water-quality-based discharge limits for the regulation of hazardous substances. Environmental Science and Pollution Research, 28(19), 24706-24720.
10. Helmreich, B., & Horn, H. (2009). Opportunities in rainwater harvesting. Desalination, 248(1-3), 118-124.
11. Morales-Pinzón, T., Lurueña, R., Gabarrell, X., Gasol, C. M., & Rieradevall, J. (2014). Financial and environmental modeling of water hardness—Implications for utilizing harvested rainwater in washing machines. Science of the Total Environment, 470, 1257-1271.
12. O’Gorman, P. A. (2015). Precipitation extremes under climate change. Current climate change reports, 1(2), 49-59.
13. Sachindra, D. A., Ahmed, K., Rashid, M. M., Shahid, S., & Perera, B. J. C. (2018). Statistical downscaling of precipitation using machine learning techniques. Atmospheric research, 212, 240-258.
14. Saygin E., & Baykara, M. (2021). Karaciğer Yetmezliği Teşhisinde Özellik Seçimi Kullanarak Makine Öğrenmesi Yöntemlerinin Başarılarının Ölçülmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33(2), 367-377.
15. Steffen, J., Jensen, M., Pomeroy, C. A., & Burian, S. J. (2013). Water supply and stormwater management benefits of residential rainwater harvesting in US cities. JAWRA Journal of the American Water Resources Association, 49(4), 810-824.
16. Tosunoglu, E., Yilmaz, R., Ozeren, E., & Saglam, Z. (2021). Eğitimde makine öğrenmesi: Araştırmalardaki güncel eğilimler üzerine inceleme. Ahmet Keleşoğlu Eğitim Fakültesi Dergisi, 3(2), 178-199.
17. Turkes, M. (1996). Spatial and temporal analysis of annual rainfall variations in Turkey. International Journal of Climatology: A Journal of the Royal Meteorological Society, 16(9), 1057-1076.
18. Turkes, M., Telat, K. O. C., & Saris, F. (2007). Türkiye’nin Yağiş Toplami ve Yoğunluğu Dizilerindeki Değişikliklerin ve Eğilimlerin Zamansal ve Alansal Çözümlemesi. Coğrafi Bilimler Dergisi, 5(1), 57-73.
19. Ulker, E. (2022). Investigation of Precipitatıon Potential of Aydin Province by Using Python with Regression Analysis Methods. 2nd International Antalya Scientific Research and Innovation Studies Congress, March 17-21, 526-531.
20. Yucel, G. (2022). Risk Altındaki Kültürel Miras: Karadeniz Bölgesi’ndeki Geleneksel Ahşap Yığma (Çantı) Camiler için Değerlendirme. Kent Akademisi, 15(2), 481-505.
21. Yalcinkaya, S., & Uzer, S. (2022). A GIS-based multi-criteria decision support model for planning municipal solid waste collection points: A case study of Çağdaş Neighbourhood, Çiğli District, Izmir, Turkey. Waste Management & Research, 40(8), 1297-1310.