İklimde yaşanan değişiklikler hissedilir etkilerini göstermeye başlamıştır. Bu etkiler bazı yerlerde sıcak hava dalgaları ve kuraklık olarak görülürken bazı yerlerde ise soğuk hava dalgaları, ani şiddetli yağışlar ve sel-taşkınlar ile kendini göstermektedir. Bu durumlar, iklim değişikliği konusunda yapılan araştırmaların önemini arttırmaktadır. İklim değişikliğinin etkilerini ve olası sonuçlarını tahmin edebilmek için istasyon ölçüm değerlerinin yanı sıra iklim projeksiyonları geliştirilmiştir. Tahmin edilen senaryolar yardımı ile gelecekte iklimde oluşabilecek değişiklikler öngörülerek iklim değişikliğinin olumsuz etkilerini bertaraf etmek amaçlanmaktadır. Yapılan bu çalışmada, iklim değişikliğine bağlı olarak sıcaklık ve yağış parametrelerinde gelecek tahminlerini değerlendirmek üzere kullanılan referans verilerin etkinliği incelenmiştir. Araştırma bölgesi olarak belirlenen Doğu Karadeniz Havzası’nda farklı konumlarda bulunan 11 Meteoroloji Gözlem İstasyonu (MGİ)’nun gözlenmiş yağış ve sıcaklık verileri ile GFDL-ESM2M, HadGEM2-ES ve MPI-ESM-MR Küresel Dolaşım Modeli (KDM)’lerinin yağış ve sıcaklık projeksiyon verileri kullanılmıştır. Çalışmada KDM’lerin geçmiş verileri tahminlemesi ile elde edilen 1971-2000 yılları arasındaki veriler ve aynı yıl aralığında kaydedilmiş veriler referans alınarak 2022-2040 (P1), 2041-2070 (P2) ve 2071-2099 (P3) yılları arasındaki dönemler için sıcaklık ve yağışta dönemsel ortalama anomaliler değerlendirilmiştir. Sonuç olarak, projeksiyon ve gözlenmiş olmak üzere referans veri seçimindeki farklılıkların anomali hesaplamalarını etkilediği belirlenmiştir. Çalışma kapsamında; doğal engebe durumu yüksek olan bölgelerde, farklı referans verilerden elde edilen anomali değerleri arasındaki rölatif farkın yüksek olması sebebiyle, doğal engebesi fazla olan bölgeler için referans veri seçiminin daha büyük önem arz ettiği sonucuna ulaşılmıştır.

No abstract

In this study, taking into account the Aksu Stream data, daily total precipitation (P) and daily mean flow (Q) values were using time lagged, 8 different Rainfall-Runoff models were created and runoff value estimated for the future. The Rainfall-Runoff models have been tried with different methods and this methods performances compared for Rainfall-Runoff process. Artificial Intelligence (AI) methods, Artificial Neural Networks (ANN), Adaptive Neuro Fuzzy Inference System (ANFIS) and Heuristic Regression (HR) methods, Multivariate Adaptive Regression Splines (MARS) and Support Vector Machine (SVM) were used for describing the Rainfall-Runoff modelling. The performance of the methods is determined and compared with the Root Mean Square Error (RMSE), Correlation Coefficient (R) and Mean Absolute Error (MAE) coefficients. Although AI methods performance was very close, the lowest error value was obtained in the Rainfall-Runoff model created with the ANFIS method (RMSE=3.682, R=0.934, MAE=1.103). In the HR methods, the highest performance was observed on the Rainfall-Runoff model created with MARS (RMSE=3,101, R=0,952, MAE=1,302). In the performance evaluation, it was seen that HR methods have higher performance than AI methods for modelling Rainfall-Runoff process.