Seasonal forecasting and trend analysis in redefinedclimate zones: A deep learning and climate indicesapproach
Yeniden tanımlanan iklim bölgelerinde mevsimsel tahminve eğilim analizi: Derin öğrenme ve iklim indisleriyaklaşımı
- Tez No: 1012091
- Danışmanlar: PROF. DR. AHMET DURAN ŞAHİN
- Tez Türü: Doktora
- Konular: Meteoroloji, Meteorology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Meteoroloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Atmosfer Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İklim değişikliği ile birlikte aşırı hava olaylarının sıklığı ve şiddeti, yirminci yüzyılın ikinci yarısından itibaren küresel ölçekte belirgin biçimde artış göstermiştir. Bu durum, iklim değişkenliği ve iklim ekstremlerinin yalnızca uzun dönemli eğilimler açısından değil, aynı zamanda mevsimsel öngörülebilirlik bağlamında da değerlendirilmesini gerekli kılmaktadır. Özellikle karmaşık topoğrafik özelliklere sahip ve farklı iklim rejimlerinin etkileşim alanında yer alan ülkelerde, mevsimsel tahminlerin güvenilirliği iklim bölgelerinin nasıl tanımlandığı ile doğrudan ilişkilidir. Türkiye, belirgin bölgesel iklim farklılıkları, güçlü topoğrafik etkiler ve büyük ölçekli atmosferik dolaşım desenlerine olan duyarlılığı nedeniyle bu açıdan önemli bir örnek oluşturmaktadır. Bu tez, mevsimsel tahminlerin geliştirilmesi ve uzun dönemli iklim eğilimlerinin daha doğru temsil edilebilmesi amacıyla, iklim bölgelerinin iklim ekstremleri ve bölgesel heterojenlik dikkate alınarak veri temelli yöntemlerle yeniden tanımlanmasını esas alan bütüncül bir yaklaşım sunmaktadır. Tez çalışması, birbirini tamamlayan üç ana bileşen üzerinden yapılandırılmıştır. İlk aşamada, Türkiye genelinde sıcaklık ve yağış ekstremlerindeki uzun dönemli değişimler incelenerek iklim değişikliği sinyalinin temel özellikleri ortaya konulmuştur. İkinci aşamada, bu değişkenlikleri daha iyi temsil edebilecek veri temelli iklim bölgeleri tanımlanmış ve bu yeni bölgeler çerçevesinde derin öğrenme tabanlı mevsimsel tahminler üretilmiştir. Üçüncü aşamada ise operasyonel bir mevsimsel tahmin sistemi olan Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF) Mevsimsel Tahmin Sistemi Sürüm 5 (SEAS5)'in sıcaklık, yağış ve kuraklık öngörülebilirliği, yeniden tanımlanan iklim bölgeleri temelinde değerlendirilmiştir. Tezin ilk bölümünde, Türkiye genelinde sıcaklık ve yağış ekstremlerindeki uzun dönemli değişimler 1960–2019 dönemi için analiz edilmiştir. İklim değişikliği sinyalinin zaman içerisindeki evrimini ve özellikle yirminci yüzyılın sonrasında meydana gelen olası yapısal değişimleri ortaya koyabilmek amacıyla, analiz dönemi iki ardışık alt periyoda ayrılmıştır (1960–1989 ve 1990–2019). Bu iki dönemli karşılaştırmalı yaklaşım, iklim dağılımlarında ve ekstremlerde meydana gelen değişimlerin yalnızca doğrusal eğilimler olarak değil, aynı zamanda rejimsel bir farklılaşma bağlamında değerlendirilmesini amaçlamaktadır. Günlük maksimum, minimum ve ortalama sıcaklık verileri ile toplam yağış verileri kullanılarak gerçekleştirilen analizlerde, ortalama sıcaklık ve yağış dağılımlarındaki değişimler Olasılık Yoğunluk Fonksiyonları (PDF) aracılığıyla incelenmiş; bu analizler yalnızca ortalama değerlerdeki değişimleri değil, dağılımların genişliği ve şekil özelliklerindeki dönüşümleri de ortaya koymuştur. İklim ekstremlerindeki eğilimler ise İklim Değişikliği Tespiti ve İndeksleri Uzman Ekibi (ETCCDI) tarafından önerilen ekstrem ve bağıl indeksler kullanılarak nicel olarak değerlendirilmiştir. Elde edilen sonuçlar, Türkiye genelinde sıcaklıkla ilişkili ekstrem indekslerde belirgin, yaygın ve mekânsal olarak tutarlı bir artış eğiliminin bulunduğunu göstermektedir. Özellikle minimum sıcaklıklara dayalı indekslerde gözlenen artışlar, gece sıcaklıklarının ve soğuk dönemlerin belirgin biçimde ısındığını ortaya koymaktadır. Günlük maksimum sıcaklığın aylık minimum değerini temsil eden TXn indeksinde on yıl başına yaklaşık 2 °C'lik bir artış tespit edilmiş; bu artışın istasyonların büyük çoğunluğunda iki dönem arasında tutarlı olduğu ve ikinci dönemde belirgin biçimde güçlendiği görülmüştür. Bu bulgular, Türkiye'de iklim değişikliği sinyalinin en güçlü ve en kararlı bileşeninin sıcaklık artışı olduğunu açıkça ortaya koymaktadır. Buna karşılık, yağış ekstremleri sıcaklık ekstremlerine kıyasla çok daha heterojen bir mekânsal yapı sergilemiştir. Yıllık toplam yağışı temsil eden PRCPTOT indeksi Karadeniz ve bazı karasal bölgelerde artış gösterirken, Akdeniz, karasal ve geçiş bölgelerinde azalma eğilimleri gözlenmiştir. Benzer şekilde, çok yağışlı günleri (R95p) ve aşırı yağışlı günleri (R99p) temsil eden indeksler, Türkiye genelinde aşırı yağışların ikinci dönemde belirgin ve tutarlı bir artış göstermediğini ortaya koymuştur. Bu durum, yağış ekstremlerinin büyük ölçüde bölgesel dolaşım desenleri, topoğrafya ve yerel süreçler tarafından kontrol edildiğini ve ulusal ölçekte tek tip bir eğilimle temsil edilemeyeceğini göstermektedir. Tezin ikinci bölümünde, geleneksel iklim sınıflandırmalarının bu karmaşık mekânsal yapıyı yeterince yansıtamadığı varsayımından hareketle, iklim bölgelerinin veri temelli yöntemler kullanılarak yeniden tanımlanması hedeflenmiştir. Bu amaçla iklim bölgeleri, herhangi bir ön kabule dayanmaksızın, gözetimsiz (unsupervised) bir makine öğrenmesi yöntemi olan k-ortalama kümeleme algoritması kullanılarak belirlenmiştir. Bu kapsamda, 1993–2022 dönemini kapsayan ve Türkiye genelinde 82 istasyondan elde edilen günlük minimum ve maksimum sıcaklıklar ile toplam yağış verileri kullanılmıştır. Farklı küme sayıları (k = 2 - 15) test edilmiş; k = 5, 8 ve 10 çözümlerinin anlamlı olduğu belirlenmiş ve büyük ölçekli iklimsel gradyanlar ile yerel heterojenliği en iyi biçimde temsil eden 10 kümeli çözüm tercih edilmiştir. Yeniden tanımlanan iklim bölgelerinin iklimsel özelliklerini ayrıntılı biçimde ortaya koymak amacıyla ETCCDI ekstrem indeksleri kullanılmış ve Temel Bileşen Analizi (PCA) uygulanmıştır. PCA sonuçları, yağış ekstremlerinin birincil değişkenlik bileşeninde baskın rol oynadığını, sıcaklık ekstremlerinin ise hem birincil hem de ikincil bileşenlere anlamlı katkılar sağladığını göstermiştir. Bu bulgular, iklim bölgelerinin tanımlanmasında ortalama iklim değişkenlerinden ziyade ekstremlerin daha ayırt edici bir rol oynadığını ortaya koymaktadır. Bu yeni bölgeselleştirme çerçevesi temel alınarak, her bir iklim bölgesi için ayrı ayrı Uzun Kısa Süreli Bellek (LSTM) tabanlı derin öğrenme modelleri eğitilmiştir. Bu modeller aracılığıyla minimum ve maksimum sıcaklıklar ile toplam yağış için mevsimsel tahminler üretilmiştir. Sonuçlar, sıcaklık tahminlerinin yaz mevsiminde en yüksek doğruluğa sahip olduğunu, ilkbahar ve sonbaharda orta düzeyde, kış mevsiminde ise daha yüksek hata paylarıyla tahmin edildiğini göstermektedir. Yağış tahminleri ise genel olarak daha düşük başarı sergilemiş; özellikle kış aylarında ve yağışlı bölgelerde hata değerlerinin belirgin biçimde arttığı gözlenmiştir. Buna rağmen, küme tabanlı tahmin yaklaşımının alan geneline uygulanan tekil modellere kıyasla daha düşük hata ürettiği ve daha tutarlı sonuçlar sağladığı ortaya konulmuştur. Tezin üçüncü bölümünde, operasyonel bir mevsimsel tahmin sistemi olan ECMWF SEAS5'in Türkiye üzerindeki sıcaklık, yağış ve kuraklık tahmin başarısı değerlendirilmiştir. Değerlendirme süreci, daha önce tanımlanan iklim kümeleri temelinde gerçekleştirilmiş; Pearson korelasyon katsayıları, ayırt edicilik ölçütleri, Brier Beceri Skorları ve Alıcı İşletim Karakteristiği (ROC) Beceri Skorları gibi çoklu performans ölçütleri kullanılmıştır. Mevsimsel tahminler bir, iki ve üç aylık öncül süreler (lead-1, lead-2 ve lead-3) için ayrı ayrı değerlendirilmiş; ayrıca tahmin başarısının öncül süreye duyarlılığı (lead-time sensitivity) analiz edilerek farklı öncül sürelerdeki öngörülebilirliğin sağlamlığı test edilmiştir. Sonuçlar, sıcaklık tahminlerinin tüm mevsimlerde ve bölgelerde görece yüksek ve kararlı bir başarı sergilediğini ve bu başarının öncül süreden büyük ölçüde bağımsız olduğunu göstermektedir. Buna karşılık, yağış tahminleri mekânsal olarak oldukça heterojen ve genel olarak sınırlı bir beceri sergilemiştir. Özellikle karmaşık topoğrafyaya sahip ve kıyısal bölgelerde yağış tahmin başarısının çoğu zaman klimatolojik performansa yakın olduğu belirlenmiştir. Mevsimsel olarak değerlendirildiğinde, geçiş mevsimlerinde tahmin başarısının daha yüksek olduğu, kış mevsiminde ise içsel atmosferik değişkenliğin artması nedeniyle başarının baskılandığı gözlenmiştir. Küme tabanlı analizler, bölgelerin büyük çoğunluğunun benzer davranış sergilediğini göstermekle birlikte, Küme 9'un hidro-klimatik açıdan en ayırt edici bölge olarak öne çıktığını ortaya koymuştur. Bununla birlikte, büyük ölçekli atmosferik dolaşım desenlerinden biri olan Kuzey Atlantik Salınımı (NAO), Türkiye üzerindeki mevsimsel iklim değişkenliğini kısmen etkilese de, bu etkinin SEAS5 sistemi tarafından yerel ve bölgesel ölçekte tutarlı bir tahmin becerisine dönüştürülmesi sınırlı kalmıştır. NAO sinyalinin özellikle bazı kümelerde istatistiksel olarak izlenebilir olduğu görülmekle birlikte, bu etkinin çoğu bölgede yağış ve kuraklık tahmin başarısına güçlü ve genellenebilir bir katkı sağlamadığı belirlenmiştir. Bu durum, Türkiye ölçeğinde mevsimsel öngörülebilirliğin büyük ölçüde bölgesel süreçler, topoğrafik etkiler ve içsel atmosferik değişkenlik tarafından şekillendirildiğini göstermektedir.Ayrıca, mevsimsel öngörülebilirliğin sürekliliğini daha ayrıntılı biçimde inceleyebilmek amacıyla, sabit mevsimlerin yanı sıra örtüşen üç aylık kayan mevsimler de değerlendirmeye dâhil edilmiştir. Bu kapsamda JAS, ASO, SON, OND, NDJ, DJF, JFM, FMA, MAM, AMJ, MJJ ve JJA dönemleri kullanılarak tahmin becerisinin mevsimler arası geçişlerdeki davranışı analiz edilmiştir. Kuraklık öngörülebilirliği, Standartlaştırılmış Yağış İndeksi (SPI) kullanılarak değerlendirilmiş; anlamlı tahmin becerisinin yalnızca mevsimsel birikim ölçeğinde (SPI-3) elde edilebildiği, kısa dönemli kuraklık göstergelerinin (SPI-1) ise zayıf kaldığı belirlenmiştir. Bu durum, SEAS5'in kısa süreli ekstrem olaylardan ziyade yavaş gelişen kuraklık koşulları için erken uyarı amaçlı kullanımının daha uygun xxxv olduğunu göstermektedir. Bu bağlamda, özellikle yağış tahminlerinde elde edilen beceri düzeylerinin deterministik uygulamalar açısından sınırlı olduğu ve mevsimsel tahminlerin esas olarak olasılıksal bir çerçevede yorumlanması gerektiği vurgulanmaktadır. Sonuç olarak bu tez, iklim ekstremleri, veri temelli iklim bölgeleme, derin öğrenme ve dinamik mevsimsel tahmin yaklaşımlarını bir araya getirerek Türkiye için bütüncül ve bölgeselleştirilmiş bir iklim analiz ve tahmin çerçevesi sunmaktadır. Elde edilen bulgular, mevsimsel tahmin sistemlerinin sıcaklık temelli uygulamalarda güçlü bir potansiyele sahip olduğunu, yağış ve kuraklıkla ilişkili uygulamaların ise dikkatli, bölgeye özgü ve belirsizlik bilgisi içeren bir yaklaşımla ele alınması gerektiğini ortaya koymaktadır. Bu çalışma, iklim hizmetlerinin geliştirilmesi, risk yönetimi ve uyum stratejileri açısından karar vericilere bilimsel bir temel sunmayı hedeflemektedir.
Özet (Çeviri)
Improving seasonal forecasting and long-term trend assessment requires a data-driven redefinition of climate zones that explicitly incorporates climate extremes and regional heterogeneity, particularly in climatically complex regions such as Türkiye. Climate variability and extremes over Türkiye exhibit strong spatial contrasts due to the combined influence of large-scale atmospheric circulation, complex topography, and regional-scale processes. Conventional climate classifications based primarily on mean conditions often fail to fully represent this heterogeneity, limiting their usefulness for climate change assessment and seasonal prediction. This thesis addresses these challenges through a sequence of interrelated studies that progressively examine observed climate extremes, redefine climate regions using datadriven approaches, and assessthe skill of both machine learning–based and operational seasonal forecasting systems within a regionalized framework. The first component of the thesis investigates long-term changes in temperature and precipitation extremes across Türkiye over the period 1960–2019. To capture potential regime shifts associated with accelerated warming during the late twentieth century, the analysis period is divided into two sequential sub-periods: 1960–1989 and 1990– 2019. Daily maximum, minimum, and mean temperature data, together with total precipitation, are analyzed for the four conventional seasons. The evaluation is conducted within a regional framework based on seven widely used climatological climate regions over Türkiye, allowing regional-scale differences in climate variability and extremes to be explicitly assessed. Probability Density Functions (PDFs) are employed to examine shifts in the distributions of mean temperature and precipitation between the two sub-periods, providing insight into changes in central tendency, variability, and distributional shape. In addition, a suite of extreme and relative climate indices recommended by the Expert Team on Climate Change Detection and Indices (ETCCDI) is used to quantify changes in temperature and precipitation extremes across the identified climate regions. This combined distribution-based and index-based approach enables a comprehensive assessment of both gradual climate change signals and changes in extreme behaviour. The results reveal a clear and spatially coherent warming signal across Türkiye, with temperature-related extreme indices exhibiting widespread and robust upward trends. Indices associated with minimum temperatures show particularly pronounced increases, highlighting the strong contribution of nighttime and cold-season warming to the overall climate signal. The TXn index, representing the monthly minimum of daily maximum temperature, exhibits an increase of approximately 2 °C per decade, with most stations showing a consistent rise between the two sub-periods. These findings demonstrate that temperature-related extremes constitute the most robust and dominant manifestation of climate change across Türkiye. In contrast, precipitation extremes display substantially greater spatial heterogeneity and do not exhibit a uniform national-scale trend. While annual total precipitation and extreme precipitation indices such as R95p and R99p increase in some regions—most notably parts of the Black Sea region—they decrease or remain unchanged in Mediterranean, continental, and transitional climate zones. Overall, the first study establishes that warming-related extremes represent the most consistent climate change signal, whereas precipitation extremes remain regionally differentiated and inherently less predictable. Recognizing the limitations of conventional climate classifications in representing this spatial complexity, the second component of the thesis introduces a data-driven framework to redefine climate regions and enhance seasonal climate prediction. New climate zones are objectively identified using k-means clustering, an unsupervised machine learning method, applied to multivariate daily observations of minimum and maximum temperature and total precipitation from 82 stations covering the period 1993–2022. A range of cluster solutions (k = 2–15) is evaluated, with a 10-cluster configuration identified as providing the most effective balance between large-scale xxvii climatic gradients and local heterogeneity. To characterize the climatic behaviour of the newly defined regions, climate extremes are quantified using ETCCDI indices, and Principal Component Analysis (PCA) with biplot visualization is applied to identify the dominant drivers of variability. The PCA results indicate that precipitation extremes dominate the leading mode of variability, while temperature extremes contribute to both primary and secondary components, reflecting their widespread but spatially differentiated influence. These findings confirm that climate extremes, rather than mean climate variables alone, play a central role in defining regional climatic characteristics. Building upon this regionalization, seasonal forecasts for temperature and precipitation are generated using a Long Short-Term Memory (LSTM) deep learning model trained separately within each cluster. This cluster-based forecasting approach reveals pronounced spatial and seasonal asymmetries in forecast skill. Temperature forecasts exhibit the highest accuracy during summer, with root mean square errors typically between 1 and 2 °C, while errors increase during winter due to enhanced atmospheric variability. Precipitation forecasts show larger errors overall, with skill varying strongly across regions and seasons, and the largest uncertainties occurring during winter and in wetter clusters. Importantly, the cluster-based approach consistently outperforms aggregated, domain-wide forecasting methods, demonstrating the value of regionally tailored prediction frameworks. The third component of the thesis extends this regionalized perspective to the evaluation of an operational seasonal forecasting system. The seasonal forecast skill of the European Centre for Medium-Range Weather Forecasts (ECMWF) Seasonal Forecast System Version 5 (SEAS5) 51-member ensemble is assessed for temperature and precipitation over Türkiye for the period 1993–2022 using the previously derived cluster-based framework. Seasonal forecasts are evaluated at lead times of one, two, and three months (lead-1, lead-2, and lead-3), and seasonal values are derived consistently from these lead-time configurations. Forecast performance is evaluated using a comprehensive set of deterministic and probabilistic metrics, including correlation coefficients, discrimination measures, Brier Skill Scores, and Receiver Operating Characteristic (ROC) Skill Scores. Lead-time sensitivity is also explicitly evaluated to assess the robustness of seasonal forecast skill across different lead configurations. The results indicate that seasonal temperature forecasts from SEAS5 exhibit relatively high and stable skill across all clusters and seasons, with limited sensitivity to lead time. In contrast, precipitation forecasts display substantially weaker and more spatially heterogeneous skill. In many regions, particularly those influenced by complex topography and coastal processes, precipitation forecast skill approaches climatological performance, highlighting the inherent challenges of predicting precipitation at seasonal timescales. Although large-scale circulation patterns such as the NAO influence seasonal climate variability over Türkiye, their persistence is only weakly translated into meaningful local-scale forecast skill by the SEAS5 system. This limitation reflects the dominant role of regional-scale processes, internal atmospheric variability, and topographic effects in shaping precipitation predictability. Overall, skill magnitudes remain below levels required for deterministic applications, particularly for precipitation, underscoring the inherently probabilistic nature of seasonal forecasts and the importance of uncertainty-aware interpretation. Forecast skill exhibits a strong seasonal dependence, with the highest discrimination and probabilistic skill occurring during spring and summer, when large-scale circulation variability is comparatively reduced. In addition to conventional fixed seasons, forecast skill is further evaluated using overlapping three-month moving seasons, including JAS, ASO, SON, OND, NDJ, DJF, JFM, FMA, MAM, AMJ, MJJ, and JJA. This moving-season framework allows for a more continuous assessment of seasonal predictability and provides improved insight into transitions between climatological seasons. An additional assessment of drought predictability using the Standardized Precipitation Index (SPI) shows that meaningful skill is primarily achieved at seasonal accumulation scales (SPI-3), whereas short-term drought predictability (SPI-1) remains limited across most regions. These results indicate that SEAS5 can provide actionable information mainly for slowly evolving drought conditions rather than short-term hydrological extremes. Taken together, the findings of this thesis demonstrate that the integrated use of observed climate extremes, data-driven regionalization, deep learning–based forecasting approaches, and operational seasonal prediction systems provides a more realistic and informative framework for climate analysis over Türkiye. By explicitly accounting for regional heterogeneity and the limited transferability of large-scale circulation signals to local-scale predictability, the thesis highlights both the capabilities and the limitations of current seasonal forecasting systems.
Benzer Tezler
- A comparative analysis of LSTM and lıghtgbm models in short-term electricity load forecasting: a case study from türkiye
Kısa dönemli yük tahmininde LSTM ve lightgbm modellerinin karşılaştırmalı analizi: Türkiye'den bir vaka çalışması
MUHAMMET FURKAN BAYSAL
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Türkiye'deki otomotiv sektörü ve örnek bir talep tahmin çalışması
Automotive sector in Turkey and a demand forecasting analysis
BARIŞ AKGÜL
Yüksek Lisans
Türkçe
2010
İşletmeYıldız Teknik Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. ESRA ÖZTAMAN
- Vasıflı ve parlak çelik sektöründe çoklu regresyon analizi ile talep tahmini uygulaması
Application of demand forecast with multiple regression analysis in special and bright steel sector
BERGE ŞAHİN
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri MühendisliğiKarabük ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN YILDIZ
DR. ÖĞR. ÜYESİ HALİL İBRAHİM DEMİR
- Yeraltı suyu seviyelerinin çoklu model yaklaşımlarıyla tahmini ve trend analizi: ARIMAX, VAR, makine öğrenmesi ve shap tabanlı açıklanabilirlik analizi
Groundwater level prediction and trend analysis using multi-model approaches: ARIMAX, VAR, machine learning, and shap-based explainability
MELİKE NUR KOÇAK KATİPOĞLU
Yüksek Lisans
Türkçe
2026
İnşaat MühendisliğiErzincan Binali Yıldırım Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP ÖZGE TERZİOĞLU
- Zaman serilerinin analizinde arıma ve deterministik modellerin incelenmesi
Comperative study of arıma and deterministik trend models in analyzing time series
ZEKİ DOĞAN