KURAKLIK TAHMİNİNDE VERİ ÖN İŞLEME ADIMLARIYLA GÜÇLENDİRİLMİŞ MAKİNE ÖĞRENMESİ YÖNTEMLERİ

Abstract

Kuraklık, dünya genelinde su kaynaklarının azalması, tarım verimliliğinin düşmesi ve ekosistem dengesinin bozulması gibi pek çok olumsuz etkiye neden olan karmaşık bir doğa olayıdır. Bu çalışma, kuraklık tespiti konusunda gelişmiş modellerin oluşturulmasını hedefleyerek, iklim değişiklikleriyle mücadelede bilimsel bir yaklaşım sunmayı amaçlamaktadır. Kuraklık üzerinde yapılan derinlemesine analiz, bilim dünyasına bu önemli konudaki anlayışımızı derinleştirmek ve sürdürülebilir çözümler geliştirmek adına önemli bir katkı sağlamayı amaçlamaktadır. Çeşitli sınıf dengesizliği işlemleri ve boyut azaltma tekniklerinin uygulanmasıyla kuraklık tespiti modelleri uygulanmıştır. Temel odak, sentetik azınlık üzerine örnekleme tekniği ile örnekleme yapmanın ve Near Miss ile örnekleme yapmanın kuraklık tahmin modelinin performansına etkisini değerlendirmektir. Ayrıca, Temel Bileşen Analizi ve Lineer Diskriminant Analizi, özellik boyutlarını azaltmak ve tahmin modelinin etkinliğini artırmak için kullanılmaktadır. Veri seti, sınıf dengesizliklerini ele almak için Sentetik Azınlık Üzerine Örnekleme Tekniği ve Near Miss yöntemleri kullanılarak ön işleme tabi tutulmaktadır. Daha sonra Temel Bileşen Analizi ve Lineer Diskriminant Analizi, özellik uzayını azaltmak ve kritik bilgileri korumak için uygulanmaktadır. Ön işlenmiş veri üzerinde makine öğrenmesi algoritmaları farklı kombinasyonlarla eğitilerek ve hibrit derin öğrenme modeli eğitilerek önerilen metodolojilerin etkinliği değerlendirilmektedir. Sonuçlar, Sentetik Azınlık Üzerine Örnekleme Tekniği tabanlı örnekleme yönteminin özellikle doğruluk, hassasiyet, duyarlılık ve F1 skoru açısından model performansını önemli ölçüde artırdığını göstermektedir. Ayrıca, boyut azaltma tekniklerinin birleşiminin, kuraklık tahmin modellerinin genel güvenilirliğini artırmada etkili olduğunu göstermektedir. Çalışmanın algoritmaları farklı kombinasyonlarla ve hazırlıklarla değerlendirmesine ek olarak bu algoritmaları hibrit kullanımıyla literatürden ayrışmaktadır. Yapay zekanın etkin kullanımında gerçek dünya problemlerine karşı yaklaşımıyla çalışma öne çıkacaktır. Bu çalışma, sınıf dengesizliği işlemleri ve boyut azaltma tekniklerinin sağlam kuraklık tespiti modellerinin geliştirilmesine katkı sağladığını göstermektedir. Bulgular, sınıf dengesizliklerini ele almak için uygun ön işleme adımlarının seçilmesi ve boyut azaltma tekniklerinin stratejik kullanımının, model etkinliğini artırmada önemli olduğunu vurgulamaktadır.Drought is a complex natural phenomenon that causes numerous adverse effects worldwide, including the depletion of water resources, reduced agricultural productivity, and disruption of ecosystem balance. This study aims to develop advanced models for drought detection, offering a scientific approach to combating climate change. The in-depth analysis of drought seeks to enhance our understanding of this critical issue in the scientific community and contribute to the development of sustainable solutions. Drought detection models have been implemented by applying various class imbalance processing techniques and dimensionality reduction methods. The primary focus is to evaluate the impact of the Synthetic Minority Over-sampling Technique and Near Miss sampling on the performance of the drought prediction model. Additionally, Principal Component Analysis and Linear Discriminant Analysis are employed to reduce feature dimensions and enhance model efficiency. The dataset is preprocessed using the Synthetic Minority Over-sampling Technique and Near Miss methods to address class imbalances. Subsequently, Principal Component Analysis and Linear Discriminant Analysis are applied to reduce the feature space while preserving critical information. The effectiveness of the proposed methodologies is assessed by training machine learning algorithms in different combinations and developing a hybrid deep learning model on the preprocessed data. The results indicate that SMOTE-based sampling significantly improves model performance, particularly in terms of accuracy, precision, recall, and F1 score. Furthermore, the combination of dimensionality reduction techniques proves to be effective in enhancing the overall reliability of drought prediction models. In addition to evaluating algorithms with different combinations and preprocessing techniques, this study distinguishes itself from the existing literature by exploring the hybrid use of these algorithms. The study stands out in the field of artificial intelligence by addressing real-world problems through an effective methodological approach. This research demonstrates that class imbalance processing and dimensionality reduction techniques contribute to the development of robust drought detection models. The findings emphasize the importance of selecting appropriate preprocessing steps to address class imbalances and strategically utilizing dimensionality reduction techniques to enhance model performance.