Erdem Çoban

İklim değişikliği, hidrolojik döngü üzerinde önemli etkilere sahiptir ve su kaynaklarının sürdürülebilir yönetimi açısından yağış trendlerinin belirlenmesi büyük önem taşımaktadır. Bu çalışmada, Türkiye’nin çeşitli bölgelerinde bulunan meteoroloji istasyonlarından elde edilen 1961-2020 yıllarına ait günlük maksimum yağış verileri kullanılarak trend analizleri gerçekleştirilmiştir. Çalışmada klasik ve yenilikçi trend analiz yöntemleri uygulanmıştır. Klasik yöntem olarak Mann-Kendall (MK) testi, modern yaklaşımlar olarak ise Yenilikçi Trend Analizi (YTA) ve türevleri (Geliştirilmiş YTA, Çift-YTA, Geliştirilmiş Görselleştirme ile Çift-YTA) kullanılmıştır. Tüm analizler Python kullanılarak gerçekleştirilmiş ve verilerin görselleştirilmesi sağlanmıştır. Analiz sonuçlarına göre, Marmara'nın kuzeybatısı ve Trakya'da yer alan Çanakkale, Çorlu ve Edirne istasyonlarında bütüncül olmayan artan trendler tespit edilmiştir. Batı Anadolu'da Dikili istasyonunda bütüncül olmayan artan trend eğilimi gözlemlenirken, Güneyde Dörtyol istasyonunda stabil artan trend görülmüştür. İç Anadolu’daki Niğde ve Yozgat istasyonlarında bütüncül olmayan artan trendler belirlenirken, Karadeniz Bölgesi'nde İnebolu istasyonunda bütüncül artan trend, Zonguldak istasyonunda ise azalan trend tespit edilmiştir. Elde edilen bulgular, analiz edilen istasyon verilerine göre son 60 yılda günlük maksimum yağış değerlerinde genel olarak artış eğiliminin olduğunu ortaya koymaktadır. Bu durum, iklim değişikliğinin bölgesel ölçekte yağış rejimleri üzerinde etkili olabileceğine işaret etmektedir. Çalışmada kullanılan farklı trend analiz yöntemleri, yağış verilerinin trend yapısını daha detaylı incelemeye olanak tanımış ve klasik yöntemlere kıyasla daha kapsamlı değerlendirme imkânı sağlamıştır.

Water hardness is a key parameter in evaluating water availability and plays a critical role in the development of sustainable water management strategies. In this study, water hardness was estimated using four advanced machine learning algorithms: Random Forest (RF), Support Vector Regression (SVR), Multiple Linear Regression (MLR), and AdaBoost. The input variables used for model training included sodium (Na), potassium (P), and anion-cation concentrations. The dataset was obtained from the Beşkonak flow measurement station located on the Köprüçay Stream in southern Turkey, which plays a vital role in the regional hydrological system. Model performance was assessed using statistical indicators such as mean square error (MSE), root mean square error (RMSE), coefficient of determination (R²), and mean absolute percentage error (MAPE). Among the evaluated models, MLR achieved the highest accuracy with an R² value of 0.9945, followed by SVR with 0.9939, AdaBoost with 0.9700, and RF with 0.9400. In terms of predictive error, MLR yielded the lowest RMSE value at 0.248, while SVR, AdaBoost, and RF recorded RMSE values of 0.264, 0.545, and 0.592, respectively. These results demonstrate that the MLR model outperformed the others in estimating water hardness, while the remaining models also produced acceptable levels of accuracy. This study provides a valuable contribution to the understanding of data-driven approaches for water quality assessment and offers insights for future water resource planning.

Günlük hava sıcaklığı, tarım, enerji, sağlık ve su yönetimi gibi pek çok sektörü doğrudan etkileyen kritik bir meteorolojik parametredir. Küresel iklim değişikliğiyle birlikte sıcaklık rejimlerindeki dalgalanmalar ve uzun vadeli artışlar, bölgesel tahmin modellerinin geliştirilmesini daha da önemli hale getirmiştir. Bu çalışmada, Isparta ili için günlük hava sıcaklığı tahmini amacıyla dört farklı modelin (XGBoost, LSTM, CNN ve CNN–LSTM) karşılaştırmalı analizi gerçekleştirilmiştir. Geçmiş yıllara ait günlük sıcaklık verileri kullanılarak yapılan tahminlerde, modeller hem eğitim hem de test setleri üzerinde MAE, MSE, R², NSE ve Willmott d gibi istatistiksel ölçütlerle değerlendirilmiştir. Elde edilen sonuçlar, test verisi üzerinde LSTM modelinin en yüksek doğruluğu sunduğunu göstermiştir (MAE 1,139, MSE 2,334, R² 0,966, NSE 0,965, Willmott d 0,991). CNN–LSTM modeli ise LSTM’e çok yakın değerlerle (MAE 1,236, MSE 2,661, R² 0,962, NSE 0,960, Willmott d 0,990) istikrarlı bir alternatif olarak öne çıkmıştır. CNN modeli rekabetçi performans sergilemiş (MAE 1,228, MSE 2,688, R² 0,961, NSE 0,960, Willmott d 0,989), XGBoost modeli ise diğer modellere kıyasla daha zayıf kalmıştır (MAE 2,526, MSE 10,63, R² 0,855, NSE 0,843, Willmott d 0,960). Genel olarak, LSTM modeli uzun vadeli bağımlılıkları yakalama başarısıyla öne çıkarken, CNN–LSTM modeli kısa dönemli örüntüleri de dikkate alarak güvenilir ve kararlı bir tahmin yaklaşımı sunmuştur. Bu bulgular, derin öğrenme modellerinin yerel ölçekli sıcaklık tahminlerinde karar vericilere daha doğru öngörüler sağlayabileceğini ortaya koymaktadır.

Dünya nüfusunun artması ve iklim değişikliğinin etkisiyle su kıtlığı giderek yaygınlaşmaktadır. Bu durum su kaynaklarının yönetimini daha kritik hale getirmektedir. Bu çalışma, iklim değişikliğinin etkilerini anlamak için hidrometeorolojik bir veri olan yağış ölçümlerinin trend analizi için farklı yöntemlerin kullanılmasını ve bu yöntemlerin sonuçlarının karşılaştırılmalı olarak incelenmesini içermektedir. Mann-Kendall (MK) testi, Wilcoxon testi ve Şen’in Yenilikçi Trend Analizi (YTA) yöntemleri bu çalışmanın temel araçlarıdır. Bu çalışma, Türkiye’nin Ege ve Akdeniz kıyı şeridinde yer alan sekiz farklı hidrometeorolojik istasyon üzerinden elde edilen yağış verilerini kullanarak detaylı bir trend analizi gerçekleştirmiştir. Bu analizler 30 dakika, 60 dakika ve 120 dakika süreyle ölçülen maksimum yağış verileri üzerinden gerçekleştirilmiştir. Akdeniz iklimi etkisindeki bu bölgelerde sonuç olarak yıllık yağış miktarında genel olarak belirgin bir artışın olduğu tespit edilmiştir.

Akarsu akım verilerinin tahmini su bilimi açısından kritik konuların başında gelmektedir. Özellikle yaz aylarında yağışların azalmasına ek olarak su kullanımın artması her yıl iklimsel değişikliklerin etkisinin arttığı dünyamızda tüm canlıları kuraklık riskiyle yüz yüze getirmektedir. Bu yüzden yaz aylarındaki suyun kullanımın önceden planlanması ve bu konuya daha hassas bir şekilde yaklaşılması her geçen gün daha da zorunlu hale gelmektedir. Bu planlamanın yapılmasında ise akarsu akım debilerinin tahmini, su ihtiyacının karşılanması açısından önemlidir. Bu çalışmada Beyşehir Gölünü besleyen üç akarsu üzerinde bulunan, akarsu gözlem istasyonlarından temin edilen veriler ile makine öğrenmesi modelleri kurulmuştur. Rastgele Orman (RO) ve Adaptive Yükseltme (AdaBoost) algoritmalarının kullanıldığı bu modeller ile üç girdi ve bir çıktı olacak şekilde; sonbahar, kış, ilkbahar mevsimsel ortalama akış değerlerinden yaz mevsimi ortalama akışı tahmin edilmeye çalışılmıştır. RO algoritması test ve tahmin arasındaki belirleme katsayısı (R^2) 0.9368 değerindedir. Kök ortalama kare hatası (RMSE) değeri ise 0.0275 olarak bulunmuştur. AdaBoost algoritması ise RO algoritmasına göre daha güçlü tahminde bulunarak test ve tahmin arasındaki R^2 değeri 0.981, RMSE değeri ise 0.05 olarak bulunmuştur.

Artan nüfus ve sanayileşme suya olan ihtiyacı hıza arttırmaktadır. Bu artış projelerin boyutlarını da arttırmaktadır. Klasik yöntemlerle yapılan projelendirmelerde maliyetler oldukça yüksek çıkabilmektedir. Bu çalışmada su kaynakları projelerinin en önemlilerinden olan beton ağırlıklı barajların Simbiyotik Arama Algoritması (SOS) kullanılarak optimum boyutlarının bulunması amaçlanmıştır. Çalışmada baraj yükseklikleri ve deprem ivmeleri değişimi ile maliyet artışları da ve bu artışların oranları hesaplanmıştır. Elde edilen sonuçlar grafikler ve tablolar ile düzenlenmiştir. Ayrıca çalışmada her girdi parametresi için modelleme yapabilecek bir programda geliştirilmiştir.