Günlük İklim Tahmini için İstatistiksel ve Derin Öğrenme Modellerinin Karşılaştırmalı Analizi: Delhi Veri Kümesi Üzerine Bir Vaka Çalışması

Abstract

İklim değişikliğinin etkilerinin giderek arttığı günümüzde, meteorolojik parametrelerin doğru ve güvenilir bir şekilde tahmin edilmesi, tarımsal planlamadan afet yönetimine kadar pek çok alanda kritik öneme sahiptir. Bu çalışma, 2013-2017 yıllarını kapsayan Delhi iklim verilerini kullanarak ortalama sıcaklık, nem, rüzgâr hızı ve ortalama basıncın günlük tahmini için yedi tahmin modelinin (iki temel istatistiksel model (ARIMA, SARIMA) ve beş derin öğrenme modeli (LSTM, CNN, MLP, CNN-BiLSTM-Attention ve Wavelet-CNN-LSTM)) sistematik bir karşılaştırmasını sunmaktadır. Tüm modellerin hiperparametreleri Rastgele Arama yöntemiyle optimize edilmiş ve istatistiksel güvenilirliği sağlamak için farklı rastgele tohumlarla 10 bağımsız çalışma yapılmıştır. Model performansı RMSE, MAE, MAPE, MASE ve R² metrikleri kullanılarak değerlendirilirken, performans farklılıklarının istatistiksel anlamlılığını değerlendirmek için Nemenyi post-hoc analizi ile Friedman testi kullanılmıştır. Sonuçlar, Wavelet-CNN-LSTM modelinin genel sıralamada en iyi performansı gösterdiğini, ardından sırasıyla LSTM, MLP ve CNN modellerinin geldiğini ve bunların hepsinin ARIMA ve SARIMA modellerinden önemli ölçüde daha iyi performans sergilediğini göstermektedir. Sıcaklık (R² = 0,922) ve basınç (R² = 0,9) için yüksek tahmin doğruluğu elde edilirken, rüzgâr hızı, doğası gereği stokastik yapısı nedeniyle tüm modeller için en zorlu değişken olma özelliğini korumaktadır (R² < 0,2). Tahmin edilebilirlik analizi, düşük otokorelasyon ve yüksek değişkenlik ile karakterize edilen rüzgâr hızının kaotik davranışının, günlük çözünürlükte deterministik tahmin üzerinde temel sınırlamalar getirdiğini doğrulamaktadır.

As the impacts of climate change continue to intensify, accurate forecasting of meteorological parameters is of critical importance for many applications ranging from agricultural planning to disaster management. This study presents a systematic comparison of seven forecasting models – two baseline statistical (ARIMA, SARIMA) and five deep learning (LSTM, CNN, MLP, CNN-BiLSTM-Attention, and Wavelet-CNN-LSTM) – for daily prediction of mean temperature, humidity, wind speed, and mean pressure using Delhi climate data covering 2013–2017. Hyperparameters for all models are optimized via Random Search, and 10 independent runs with different random seeds are conducted to ensure statistical reliability. Model performance is evaluated using RMSE, MAE, MAPE, MASE, and R² metrics, while the Friedman test with Nemenyi post-hoc analysis is employed to assess statistical significance of performance differences. Results indicate that the Wavelet-CNN-LSTM model achieves the best overall ranking, followed by LSTM, MLP, and CNN, all of which performed significantly better than the ARIMA and SARIMA models. High prediction accuracy is obtained for temperature (R² = 0.922) and pressure (R² = 0.9), whereas wind speed remains the most challenging variable for all models (R² < 0.2) due to its inherently stochastic nature. Predictability analysis confirms that the chaotic behavior of wind speed, characterized by low autocorrelation and high variability, imposes fundamental limits on deterministic forecasting at daily resolution.