Comparison of Deep Learning, Machine Learning, and Statistical Models for Precipitation and Temperature Forecasting Performance: A Case Study of Hakkari Province

Gül E.

Firat University journal of experimental and computational engineering (Online), cilt.5, sa.2, ss.496-518, 2026 (Hakemli Dergi)

Özet

Bu çalışma, Türkiye'nin güneydoğusundaki Hakkâri bölgesinde aylık ortalama sıcaklık ve toplam yağış tahmini

için derin öğrenme (LSTM), makine öğrenmesi (Random Forest) ve istatistiksel (Prophet) modellerin

karşılaştırmalı performansını değerlendirmektedir. 1940–2025 dönemine ait ERA5 reanaliz verileri kullanılmış;

model doğruluğu hata kareler ortalamasının karekökü (RMSE), ortalama mutlak hata (MAE), belirtme katsayısı

(R²), Nash–Sutcliffe verimliliği (NSE) ve Kling–Gupta verimliliği (KGE) olmak üzere beş metrikle

karşılaştırılmıştır. 85 yıllık tarihsel iklim kaydının zamansal analizi, tüm mevsimlerde istatistiksel olarak anlamlı

ısınma eğilimleri (0,221°C/10 yıl, p < 0,001) ortaya koymaktadır; ilkbahar ısınması 1,578°C/10 yıl (p < 0,001) ile

en belirgin mevsimsel eğilimi oluşturmaktadır. Toplam yağıştaki uzun dönemli değişim ihmal edilebilir

düzeydedir (+0,60 mm/10 yıl). Kar örtüsü ve evapotranspirasyon doğrudan modellenmediğinden, kar-yağmur faz

geçişi ve kuraklık riskine ilişkin yorumlar ampirik sonuç değil, fiziksel olarak olası hidrolojik çıkarımlar olarak

sunulmaktadır. Sızıntı önleyici değerlendirme çerçevesinde sıcaklık tahmininde Prophet en yüksek doğruluğu

sağlamıştır (RMSE = 1,51°C, MAE = 1,15°C, R² = 0,976, NSE = 0,976, KGE = 0,952). Random Forest ikinci

sıradadır (RMSE = 1,96°C, MAE = 1,59°C, R² = 0,960, NSE = 0,960, KGE = 0,839); LSTM daha düşük

performans göstermiştir (RMSE = 2,52°C, MAE = 2,08°C, R² = 0,933, NSE = 0,933, KGE = 0,791). Yağış tahmini,

sıcaklık tahminine göre belirgin biçimde daha zorlu kalmıştır. Prophet yağışta en iyi performansı sergilemiştir

(RMSE = 50,15 mm, MAE = 33,88 mm, R² = 0,601, NSE = 0,601, KGE = 0,681). Random Forest (RMSE = 52,26

mm, MAE = 35,56 mm, R² = 0,567, NSE = 0,567, KGE = 0,672) ve LSTM (RMSE = 53,80 mm, MAE = 36,80

mm, R² = 0,542, NSE = 0,542, KGE = 0,680) benzer ve sınırlı tahmin becerisi göstermiştir. Bu bulgular, sıcaklık

gibi güçlü mevsimsellik gösteren değişkenlerin farklı modelleme yaklaşımlarıyla tahmin edilebilirliğini

koruduğunu; buna karşılık aylık yağışın, aynı ay bilgisi dışlandığında ve gecikmeli öngörücüler kullanıldığında,

sızıntı önleyici koşullar altında yalnızca orta düzeyde tahmin edilebilirlik sergilediğini göstermektedir. Gelecekteki

çalışmalar, ek mekânsal öngörücüler, karla ilişkili değişkenler ve hidrometeorolojik göstergelerin dâhil

edilmesinden ve ayrıca hibrit derin öğrenme ile topluluk öğrenmesi mimarilerinin test edilmesinden yarar

sağlayabilir.