Akım Verilerine Dayalı Kuraklık Tahmini: Marmara Havzası'nda SDI ve Yapay Zeka Uygulamaları

Creative Commons License

Taşkolu İ., Acar R., Çırağ B.

INTERNATIONAL YILDIRIM BAYEZID SCIENTIFIC RESEARCH AND INNOVATION SYMPOSIUM-I, Bursa, Türkiye, 9 - 10 Mayıs 2025, cilt.1, ss.276-286, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Cilt numarası: 1
  • Basıldığı Şehir: Bursa
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.276-286
  • Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
  • Atatürk Üniversitesi Adresli: Evet

Özet

Kuraklık, yavaş gelişen ancak etkileri uzun yıllar boyunca hissedilebilen, geniş coğrafyaları etkisi altına alan ve su kaynakları, tarımsal üretim ile ekosistemler üzerinde ciddi tehditler oluşturan doğal afetlerin başında gelmektedir. İklim değişikliği, artan su talebi, nüfus yoğunluğundaki sürekli artış ve düzensiz su yönetimi gibi çeşitli antropojenik ve çevresel etkenler, kuraklık olaylarının hem sıklığını hem de şiddetini giderek artırmaktadır. Türkiye de bu riskten muaf olmayan ülkeler arasında yer almakta olup, özellikle su kaynaklarının yoğun şekilde kullanıldığı Marmara Havzası gibi bölgelerde kuraklık tehdidi çok daha belirgin ve hissedilir düzeydedir. Bu bağlamda, çalışma kapsamında Marmara Havzası sınırları içerisinde yer alan Göçbeyli, Cihandiye, Sölöz ve Çelikgörü akım gözlem istasyonlarına ait uzun yıllara dayanan aylık akım verileri kullanılarak hidrolojik kuraklık analizi gerçekleştirilmiştir. Analizlerde, kuraklık seviyelerinin belirlenmesinde yaygın olarak kullanılan Standartlaştırılmış Akım İndeksi (Streamflow Drought Index – SDI) yöntemi tercih edilmiştir. Elde edilen SDI verileri, gelecekteki kuraklık eğilimlerini tahmin etmek amacıyla makine öğrenmesi tabanlı XGBoost algoritması ve zaman serisi analizlerinde yaygın şekilde kullanılan Prophet modeliyle değerlendirilmiştir. Yapılan karşılaştırmalı model analizleri sonucunda, yalnızca Göçbeyli istasyonunda hafif düzeyde hidrolojik kuraklık gözlenmiş, diğer üç istasyonda belirgin bir kuraklık sinyali tespit edilmemiştir. Model performansları karşılaştırıldığında ise, XGBoost algoritmasının RMSE, MAE ve MAPE gibi hata ölçütlerinde Prophet’e kıyasla daha düşük değerlere sahip olduğu görülmüştür. Bu sonuçlar, XGBoost’un hidrolojik kuraklık tahmini konusunda yüksek doğrulukta ve güvenilir öngörüler sunabilen etkili bir yöntem olduğunu ortaya koymaktadır.