Doğu Akdeniz Bölgesi İçin Makine Öğrenmesi Tabanlı Buharlaşma Modelleri
Doğal Afetler ve Çevre Dergisi, cilt.12, sa.2, ss.258-272, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 12 Sayı: 2
- Basım Tarihi: 2026
- Doi Numarası: 10.21324/dacd.1852115
- Dergi Adı: Doğal Afetler ve Çevre Dergisi
- Derginin Tarandığı İndeksler: Central & Eastern European Academic Source (CEEAS), Directory of Open Access Journals, TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.258-272
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Çukurova Üniversitesi Adresli: Evet
Özet
Buharlaşma; su kaynaklarının verimli kullanılabilmesi için yapılan planlama çalışmalarında, rezervuar alanlarının işletilmesinde ve tarımsal verimlilik konularında büyük öneme sahip meteorolojik bir değişkendir. Çalışmada, buharlaşmanın makine öğrenmesi algoritmaları kullanılarak hangi doğrulukta tahmin edilebileceği ve farklı algoritmaların verimlilikleri karşılaştırılarak en iyi buharlaşma tahminini veren algoritmaların tespiti amaçlanmıştır. Çalışmada 8 farklı makine öğrenmesi algoritması kullanılmıştır. Buharlaşmayı etkileyen birçok meteorolojik değişken olmasına rağmen, operasyonel çalışmalarda çoğunlukla kolay bir şekilde ulaşılabilen ve daha sık ölçüm noktası bulunan hava sıcaklığı değişkeni bağımsız değişken olarak kullanılmıştır. Doğu Akdeniz Bölgesi’nde yer alan 13 farklı meteoroloji gözlem istasyonunda (MGİ) istasyon bazında aynı zaman aralığında ölçülmüş aylık ortalama sıcaklık ve aylık toplam buharlaşma değerleri ile modeller kurulmuştur. Değişen MGİ konumlarına göre farklı makine öğrenmesi algoritmaları daha iyi başarı göstermiştir. Dörder istasyonda AdaBoost ve Lineer Regresyon, iki istasyonda Random Forest ve kalan birer istasyonlarda ise K-Nearest Neighbors, Gradient boosting ve Support Vector Machines algoritmaları en iyi tahminleri yapmışlardır. Bununla beraber, en iyi tahminleri yapan modellerin hata metrikleri arasında çok düşük farklar olduğu tespit edilmiştir. İstasyonlar bazında belirlenen en iyi modellerden en düşük kök ortalama karesel hata (RMSE) hatasına (16,4 mm) AdaBoost modeli ile Erdemli MGİ, en yüksek RMSE hatasına (39,2 mm) ise Rastgele Orman modeli ile Antakya MGİ’nun sahip olduğu sonucuna varılmıştır. Makine öğrenmesi algoritmalarının sıcaklık parametresi kullanılarak buharlaşma tahminleri yapan modeller kurulmasında kullanılabilir olduğu belirlenmiştir.
Evaporation is a key meteorological variable influencing water resources planning, reservoir operation, and agricultural productivity. Accurate estimation of evaporation is therefore essential for efficient water resources management. This study investigates the capability of machine learning (ML) algorithms to predict evaporation and identifies the most effective algorithms through a comparative performance assessment. Eight different ML algorithms were implemented to estimate evaporation using air temperature as the sole predictor variable. Although evaporation is controlled by several meteorological factors, air temperature was selected due to its wide availability and dense observational coverage, making it suitable for operational applications.The models were developed using monthly mean air temperature and monthly total evaporation data obtained from 13 meteorological observation stations located in the Eastern Mediterranean Region. The results indicate that the predictive performance of ML algorithms varies across station locations. AdaBoost and Linear Regression provided the best predictions at four stations each, Random Forest performed best at two stations, while K-Nearest Neighbors, Gradient Boosting, and Support Vector Machines achieved the best results at one station each. Despite these variations, the differences among the error metrics of the best-performing models were relatively small. Among the station-based optimal models, the lowest root mean square error (RMSE) (16.4 mm) was obtained using the AdaBoost algorithm at the Erdemli station, whereas the highest RMSE (39.2 mm) was produced by the Random Forest model at the Antakya station. Overall, the findings demonstrate that machine learning algorithms can effectively estimate evaporation using only air temperature as an input variable, highlighting their potential for practical applications in data-limited environments.