Akıllı Sulamayı Desteklemek İçin Uydu Tabanlı Makine Öğrenmesi Yaklaşımlarıyla Yağış Tahmini: Ankara ve Samsun Örneği

Abstract

Tarım, su yönetimi ve afet hazırlığı açısından doğru yağış tahminleri kritik öneme sahiptir ve artan iklim belirsizliği bu gereksinimi daha da güçlendirmektedir. Geleneksel yöntemler, yağışın doğrusal olmayan ve yüksek değişkenlik gösteren yapısını, özellikle yerel ölçekte, yeterince temsil edememektedir. Bu çalışma, akıllı sulama sistemlerini desteklemek amacıyla Türkiye’de Ankara ve Samsun şehirleri için günlük yağış tahmininde makine öğrenmesi tekniklerinin etkinliğini incelemektedir. PERSIANN uydu verisi (2020–2024) kullanılarak oluşturulan zaman serileri; gecikmeli değerler, hareketli istatistikler, kurak dönem indeksleri ve mevsimsel kodlamalar ile zenginleştirilmiştir. Doğrusal regresyon, Rastgele Orman, SVR, Gradyan Artırma ve XGBoost modelleri karşılaştırmalı olarak değerlendirilmiştir. Bulgular, model performansının hem seçilen algoritmaya hem de iklim koşullarına bağlı olarak değiştiğini göstermektedir. SVR en düşük ortalama mutlak hatayı üretirken, aşırı koşullarda kararsız kalmıştır. XGBoost ise büyüklük ve gerçekleşme tahminlerinde daha dengeli sonuçlar sağlamıştır. Hiçbir modelin tüm senaryolarda üstün olmadığı görülmüş, bu durum ensemble ve hibrit yaklaşımların gerekliliğini ortaya koymuştur. Çalışma, Türkiye’de şehir ölçeğinde ML tabanlı yağış tahminine sistematik bir katkı sunmakta ve uydu verileri ile uygulama odaklı modelleri bütünleştirmektedir. Ancak nadir olayların modellenmesi, yorumlanabilirlik ve hesaplama verimliliği önemli açık problemler olarak devam etmektedir.Accurate rainfall forecasting is essential for agriculture, water management, and disaster preparedness, and its importance is further amplified by increasing climate variability. Traditional approaches often fail to adequately capture the nonlinear and highly variable nature of rainfall, particularly at the local scale. This study investigates the effectiveness of machine learning techniques for daily rainfall prediction in Ankara and Samsun, Türkiye, to support smart irrigation systems. Rainfall time series derived from the PERSIANN satellite dataset (2020–2024) were enriched with lagged values, rolling statistics, dry-spell indices, and seasonal encodings. Multiple models, including Linear Regression, Random Forest, Support Vector Regression (SVR), Gradient Boosting, and XGBoost, were comparatively evaluated. The findings indicate that model performance varies depending on both the selected algorithm and climatic conditions. SVR achieved the lowest mean absolute error but exhibited instability under extreme conditions, whereas XGBoost provided more balanced performance in both magnitude and occurrence prediction. No single model consistently outperformed others, highlighting the necessity of ensemble and hybrid approaches. This study presents a systematic city-scale evaluation of ML-based rainfall forecasting in Türkiye, integrating satellite-derived data with application-oriented modeling. However, challenges remain in modeling rare events, improving interpretability, and ensuring computational efficiency for real-time applications.