Estimation of Samsun long-term total precipitation data using IDW and Kriging interpolation techniques

Öz

Long-term precipitation forecasting plays a crucial role in strategic areas such as agriculture, water resource management, and combating climate change. These forecasts enable preparedness for droughts and floods, ensure the sustainable management of water resources, and protect ecosystems. In this study, long-term total precipitation data (mm) for Samsun province were estimated using the Inverse Distance Weighted (IDW) method and Kriging methods, which are frequently used in the literature, based on precipitation data from 81 stations in neighboring provinces. The data, obtained from the Turkish State Meteorological Service (MGM), cover the years 1927-2022. The performance comparison of the methods was conducted using Root Mean Square Error (RMSE), Mean Absolute Error (MAE), the coefficient of determination (R²), and the Nash-Sutcliffe Efficiency Coefficient (NSE). The results of the study revealed that among the different interpolation methods, the Kriging (Universal - Linear) method was identified as the most effective, with low error values (MAE: 6.988, RMSE: 8.200, and NSE: 0.734) and a high coefficient of determination (R²: 0.933). These findings demonstrate that this method is an effective tool for precipitation estimation. The Ordinary Kriging - Circular and Spherical methods also provided acceptable results with low error and high R² values. In contrast, the Quadratic and IDW (p=3) methods showed the poorest performance, with the highest error values and the lowest R². Overall, the Universal Kriging - Linear method outperformed the other approaches by providing the closest estimates to observed values. This study highlights the strength of the Kriging method in precipitation forecasting and demonstrates its effectiveness as a tool for flood risk analysis, agricultural planning, and sustainable water resource management.

Anahtar Kelimeler

• Kriging
• Samsun
• Inverse Distance Weighting
• Precipitation
• Forecast

Samsun uzun dönem toplam yağış verilerinin IDW ve Kriging interpolasyon teknikleri kullanılarak tahmin edilmesi

Öz

Uzun dönem yağış tahmini, tarım, su yönetimi ve iklim değişikliğiyle mücadele gibi stratejik alanlarda önemli bir rol oynamaktadır. Bu tahminler, kuraklık ve taşkınlara karşı hazırlık yapmayı, su kaynaklarının sürdürülebilir bir şekilde yönetilmesini ve ekosistemlerin korunmasını sağlamaktadır. Bu çalışmada, Samsun ili uzun dönem toplam yağış verileri (mm) çevre illere ait 81 istasyonun yağış verileri kullanılarak literatürde sıklıkla kullanılan Ters Uzaklık Ağırlıklı Ortalama (IDW) ve Kriging yöntemleri kullanılarak tahmin edilmiştir. Veriler, Meteoroloji Genel Müdürlüğü'nden (MGM) temin edilmiş olup 1927-2022 yıllarını kapsamaktadır. Yöntemlerin performans karşılaştırması, Karekök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (OMH), determinasyon katsayısı (R²) ve Nash-Sutcliffe Etkinlik Katsayısı (NSE) kullanılarak gerçekleştirilmiştir. Çalışmanın sonucunda, farklı interpolasyon yöntemlerinin performansı karşılaştırılmış ve Kriging (Universal-Linear) yöntemi, düşük hata değerleri (OMH: 6.988, KOKH: 8.200 ve NSE: 0.734) ve yüksek determinasyon değeri (R²: 0.933) ile en başarılı yöntem olarak belirlenmiştir. Bu sonuç, söz konusu yöntemin yağış tahmininde etkin bir araç olduğunu göstermektedir. Ordinary Kriging - Circular ve Spherical yöntemleri de düşük hata ve yüksek R² değerleriyle kabul edilebilir sonuçlar vermiştir. Buna karşın Quadratic ve IDW (p=3) yöntemleri, en yüksek hata ve en düşük R² değerlerine sahip olup en kötü performansı göstermiştir. Genel bir değerlendirme ile, Universal Kriging-Linear yöntemi, gözlenen değerlere en yakın tahminleri sunarak diğer yöntemlere göre üstünlük sağlamıştır. Çalışma, yağış tahmininde Kriging yönteminin gücünü vurgulamakta ve bu yöntemin özellikle taşkın risk analizi, tarımsal planlama ve su kaynaklarının sürdürülebilir yönetimi gibi alanlarda etkili bir araç olarak kullanılabileceğini göstermektedir.

Anahtar Kelimeler

• Ters Uzaklık Ağırlıklı Ortalama
• Samsun
• Kriging
• Yağış
• Tahmin

Teşekkür

Yazarlar veri temini konusunda desteklerinden dolayı Meteoroloji Genel Müdürlüğüne ve çalışanlarına teşekkür etmektedir. Ayrıca yazarlar desteklerinden dolayı KTO Karatay Üniversitesine ve Gümüşhane Üniversitesine teşekkür etmektedir.

Kaynakça

1. Aktaş, S., Kalyoncuoğlu, Ü. Y., & Kılıç, N. C. A. (2018). Eğirdir göl havzasının De Martonne yöntemi ile kuraklık analizi. Mühendislik Bilimleri ve Tasarım Dergisi, 6(2), 229-238. https://doi.org/10.21923/jesd.398521
2. Aküzüm, T., Çakmak, B., & Gökalp, Z. (2010). Türkiye’de su kaynakları yönetiminin değerlendirilmesi. Tarım Bilimleri Araştırma Dergisi, 3(1), 67-74.
3. Akyel, E., & Çorumluoğlu, Ö. (2022). An efficient financial profitability performance analysis of ODHCs Distribution in Turkey in GIS Environment. Turkish Journal of Geographic Information Systems, 4(1), 1-4. https://doi.org/10.56130/tucbis.871830
4. Altunkaynak, A., Başakın, E. E., & Kartal, E. (2020). Dalgacik K-En yakın komşuluk yöntemi ile hava kirliliği tahmini. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25(3), 1547-1556. https://doi.org/10.17482/uumfd.809938
5. Amelia, R., & Julianti, E. (2023). Implementation of Inverse Distance Weighting (IDW) and Kriging method for distribution pattern humidity and temperature data on weather changes in the Bangka Islands. In IOP Conference Series: Earth and Environmental Science, 1267(2023), 012091. https://doi.org/10.1088/1755-1315/1267/1/012091
6. Arslanoğlu, M., & Özçelik, M. (2005, Mart 28- Nisan 1). Sayısal arazi yükseklik verilerinin iyileştirilmesi [Kurultay sunumu]. TMMOB Harita ve Kadastro Mühendisleri Odası 10. Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara, Türkiye.
7. Aydın, O. (2014). Türkiye’de yıllık ortalama toplam yağışın kriging yöntemiyle belirlenmesi (Yayın No. 536622) [Doktora tezi, Ankara Üniversitesi]. YÖK Ulusal Tez Merkezi.
8. Caloiero, T., Pellicone, G., Modica, G., & Guagliardi, I. (2021). Comparative analysis of different spatial interpolation methods applied to monthly rainfall as support for landscape management. Applied Sciences, 11(20), 9566. https://doi.org/10.3390/app11209566

9. Chen, F. W., & Liu, C. W. (2012). Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan. Paddy and Water Environment, 10, 209-222. https://doi.org/10.1007/s10333-012-0319-1.
10. Çatalbaş, M. C., & Gülten, A. (2018). Bilgisayar tomografi imgeleri için geliştirilmiş ters mesafe ağırlıklandırma yöntemi tabanlı süper çözünürlük. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 33(2), 697-712. https://doi.org/10.17341/gazimmfd.416379
11. Ercan, B., & Yüce, M. İ. (2018). Kilis ili aylık sıcaklık ve yağış verileri trend analizi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(2), 947-953.
12. Jalili Pirani, F., & Modarres, R. (2020). Geostatistical and deterministic methods for rainfall interpolation in the Zayandeh Rud basin, Iran. Hydrological Sciences Journal, 65(16), 2678-2692. https://doi.org/10.1080/02626667.2020.1833014
13. Kaplan, C. H., Büyükyıldız, M., & Köyceğiz, C. (2024). Comparison of interpolation methods in the spatial distribution of monthly precipitation data in Konya Closed Basin. Konya Journal of Engineering Sciences, 12(4), 920-940. https://doi.org/10.36306/konjes.1537038
14. Karabulut, M., Gürbüz, M., & Korkmaz, H. (2008). Precipitation and temperature trend analyses in Samsun. Journal International Environmental Application & Science, 3(5), 399-408.
15. Katipoğlu, O. M. (2022). Spatial analysis of seasonal precipitation using various interpolation methods in the Euphrates basin, Turkey. Acta Geophysica, 70(2), 859-878. https://doi.org/10.1007/s11600-022-00756-0
16. Khorrami, B., & Gündüz, O. (2019, Ekim 9-12). Khorrami, B., & Gündüz, O. Aylık ortalama yağış için jeoistatistiksel interpolasyon tekniklerine dayalı geliştirilmiş mekansal varyasyon deseni: İzmir Türkiye’den örnek bir çalışma [Kongre sunumu]. 10. Ulusal Hidroloji Kongresi, Muğla, Türkiye.
17. MGM. (2024) Meteoroloji Genel Müdürlüğü. MGM. Erişildi 10 Aralık, 2024, https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx
18. Partal, T., Kahya, E., & Cığızoğlu, K. (2011). Yağış verilerinin yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini. İTÜ dergisi/d, 7(3), 73-85.
19. Prasetiyowati, S. S., & Sibaroni, Y. (2018). Prediction of DHF disease spreading patterns using inverse distances weighted (IDW), ordinary and universal kriging. Journal of Physics: Conference Series (Vol. 971(1), 012010. https://doi.org/10.1088/1742-6596/971/1/012010
20. Şahin, K., & Yılmaz, A. (2009). Samsun ilinde doğal kaynaklara dayalı turizm arzı ve planlanması. Uluslararası Sosyal Araştırmalar Dergisi, 2(7).
21. Şan, M., Akçay, F., Linh, N. T. T., Kankal, M., & Pham, Q. B. (2021). Innovative and polygonal trend analyses applications for rainfall data in Vietnam. Theoretical and Applied Climatology, 144, 809-822. https://doi.org/10.1007/s00704-021-03574-4
22. Taylan, E. D., & Damçayırı, D. (2016). Isparta bölgesi yağış değerlerinin IDW ve Kriging enterpolasyon yöntemleri ile tahmini. İMO Teknik Dergi, 27(3), 7551-7559.
23. Tiyawarman, A. A. C., Kurniadin, N., Wumu, R., & SM, A. A. I. (2024). Pemetaan muka air tanah dengan menggunakan metode IDW dan Kriging di PT Bukit Baiduri Energi (Blok Utara) Kabupaten Kutai Kartanegara. Journal of Geomatics Engineering, Technology, and Science, 2(2), 71-77. https://doi.org/10.51967/gets.v2i2.39
24. Tona, A. U., Demir, V., Kuşak, L., & Yakar, M. (2022). Su kaynakları mühendisliğinde CBS’nin kullanımı. Türkiye Coğrafi Bilgi Sistemleri Dergisi, 4(1), 23-33. https://doi.org/10.56130/tucbis.993807
25. Uzun, A., & Demir, Y. (2016). Kentsel saçaklanmanın tarım alanlarına yayılımının uydu görüntüleri yardımıyla belirlenmesi: Samsun örneği. Anadolu Tarım Bilimleri Dergisi, 31(3), 408-416. https://doi.org/10.7161/omuanajas.269995
26. Workneh, H. T., Chen, X., Ma, Y., Bayable, E., & Dash, A. (2024). Comparison of IDW, Kriging and orographic based linear interpolations of rainfall in six rainfall regimes of Ethiopia. Journal of Hydrology: Regional Studies, 52, 101696. https://doi.org/10.1016/j.ejrh.2024.101696
27. Yaseen, Z. M. (2021). An insight into machine learning models era in simulating soil, water bodies and adsorption heavy metals: Review, challenges and solutions. Chemosphere, 277, 130126. https://doi.org/10.1016/j.chemosphere.2021.130126
28. Yenipınar, E., Kayhan, M. M., Çubukçu, E. A., Demir, V., & Sevimli, M. F. (2021). Türkiye’nin uzun dönem yağış miktarının IDW ve Kriging yöntemleri ile tahmin edilmesi. Türkiye Uzaktan Algılama Dergisi, 3(2), 47-52. https://doi.org/10.51489/tuzal.949782
29. Yılmaz, M., Tosunoğlu, F., & Demirel, M. C. (2021). Taşkın frekansı analizinde klasik yöntemler ve alternatif bir parametre tahmin yönteminin karşılaştırılması. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(2), 1243-1254. https://doi.org/10.21597/jist.805365
30. Zhao, Z., Luo, S., Zhao, X., Zhang, J., Li, S., Luo, Y., & Dai, J. (2024). A novel interpolation method for soil parameters combining RBF neural network and IDW in the Pearl River Delta. Agronomy, 14(11), 2469. https://doi.org/10.3390/agronomy14112469