Kapsam ve Veri
Kullanılan Değişkenler
- Yağış (rain_mm), ET0 (et0_mm_month)
- Sıcaklık (t_mean_c), Nem (rh_mean_pct)
- Basınç (pressure_kpa), VPD (vpd_kpa_mean)
- Mevsimsellik (sin/cos), gecikmeler ve hareketli ortalamalar
Modelleme Mantığı
- Yıllık genişleyen eğitim penceresi
- 2027 = 2000–2026 iklim sürücüleri ile eğitim
- 2028+ = 2000–(önceki yıl) ile eğitim
- Gelecek bandı: ±max(RMSE)
Kurumsal kaynak ayrımı: Operasyonel baraj/doluluk ve su arzı verileri İSKİ ve İBB Açık Veri Portalı kaynaklıdır. İklim sürücü serileri Kandilli Rasathanesi (Boğaziçi Üniversitesi) ölçüm derlemeleri esas alınarak oluşturulmuştur; Kandilli ifadesi proje bağlamı/kurum bilgisidir.
ET0 Nasıl Hesaplanıyor?
ET0 (referans evapotranspirasyon) bu projede iklim panelinden aylık olarak gelir ve burada yeniden hesaplanmaz. Aşağıdaki formül yalnızca referans amaçlıdır.
FAO‑56 Penman‑Monteith (ET0)
- ET0: referans evapotranspirasyon (formül tanımı)
- Rn: net radyasyon, G: toprak ısı akısı
- T: sıcaklık (°C), u2: 2 m rüzgar hızı
- es−ea: buhar basıncı açığı (VPD)
- Δ: doygun buhar basıncı eğimi, γ: psikrometrik sabit
Yıllık Özet (Panel ET0)
Not: Bu özet değerler 21 Mart 2026 tarihli güncel panel serisinden hesaplanmıştır.
Yorum notu: +56.1 mm/yıl yıllık artış hızı değildir; yalnızca iki dönem ortalaması arasındaki seviye farkıdır. Yıllık trend hızı için +24.5 mm / 10 yıl kullanılır.
Bu Projede Değişkenleri Neden Böyle Aldık?
- ET0 serisini panelden doğrudan alıyoruz: simülasyonda tek ET0 kaynağı kullanıp çelişkiyi önlemek için.
- Rn, G, u2 gibi ham girdileri bu sayfada yeniden türetmiyoruz: repoda sürekli/günlük ham radyasyon-rüzgar seti tutulmuyor, o nedenle panelde tutarlı ET0 serisini baz alıyoruz.
- Açık su buharlaşması için Kc kullanıyoruz: ET0 formülden gelir, baraj buharlaşmasına dönüşümde
E = Kc × ET0uygulanır. - Yıllık ET0 özetini iklim panelinden hesaplıyoruz: 2010–2024 gözlem, 2031–2035 ileri dönem beklentisi aynı seri üzerinden çıkarılır.
- Trend ve dönem farkını ayrı tutuyoruz:
+24.5 mm / 10 yıllineer trend eğimidir;+56.1 mm/yılise yalnızca dönem ortalaması farkıdır. - Formülde VPD (es−ea) kullanıyoruz: buharlaşma talebini fiziksel olarak en iyi taşıyan terim olduğu için sıcaklık ve nem etkisini birlikte yansıtır.
ET0 Paket (İklim Paneli) — Baraj
Bu bölüm, iklim panelinden türetilen ET0 grafiklerinin baraj odaklı kopyalarıyla hazırlanmıştır.
Mobilde görselleri sola-sağa kaydırarak detayları daha okunur görebilirsin.
Değişkenler Nereden Geliyor?
Doğrudan Gözlenen / Projeksiyon
- rain_mm: Panel + iklim projeksiyonu
- et0_mm_month: Panel + iklim projeksiyonu
- t_mean_c: Panel + iklim projeksiyonu
- rh_mean_pct: Panel + iklim projeksiyonu
Panel ifadesi, aylık satır (zaman) ve değişken sütunlarından (iklim + doluluk sürücüleri) oluşan birleşik veri tablosunu ifade eder. 2000–2024 döneminde iklim sürücüleri gözlemden, 2026–2040 döneminde iklim projeksiyonundan gelir; 2025 ayları klimatolojik dolgu ile tamamlanır.
Geçiş notu: Gözlem ve projeksiyon serileri başlangıç noktasında uyumlandırılır. Model çeşitliliğine bağlı küçük seviye farkları doğal kabul edilir.
Türetilen / Doldurulan
- pressure_kpa: Panelde var; gelecekte aylık klimatoloji ile tamamlanır
- vpd_kpa_mean: T ve RH’den hesaplanır (VPD = es − ea)
- balance: rain_mm − et0_mm_month
- delta/lag/MA: değişim, gecikme, 3–6 ay ortalamalar
Türetim adımları project_to_2040_rolling.py içinde otomatik çalışır.
Temel Model Kapsamı
Karar desteğinde temel model seti; doğrusal (Ridge), ağaç tabanlı (GBR, HGB, RF, ETR), ileri boosting (XGBoost, LightGBM, CatBoost), olasılıksal/istatistiksel (NGBoost, GPR, ARIMAX, Bayesian Ridge) ve fizik tabanlı (Budyko, Thornthwaite) aileleri birlikte kapsar.
Bu sürümde simülasyon paneli, veri bulunan tüm model ailesini tek yerden çalıştıracak şekilde entegre edilmiştir. Model seçimi menüsünde görülen her model doğrudan senaryo motoruna bağlıdır.
Doğruluk Metrikleri (Basit Anlatım)
Her model için bu değerler, ilgili model görsellerindeki bilgi kutularında raporlanır.
Modellerin Kullanım Rehberi
Mekanizma, grafik karakteri ve kullanım bağlamını tek tabloda topladık. Böylece model seçiminde hızlı ve tutarlı karar verebilirsiniz.
Tablo, model yorumunu standartlaştırır: Mekanizma modelin matematiksel çekirdeğini, Grafik Karakteri eğri davranışını, Kullanım Bağlamı karar notlarında hangi soruya daha uygun olduğunu, Doğruluk Oranı ise çapraz doğrulamadaki Pearson uyum yüzdesini özetler.
| Model | Mekanizma | Grafik Karakteri | Kullanım Bağlamı | Doğruluk Oranı |
|---|---|---|---|---|
| Ridge | L2 düzenlemeli doğrusal temel model | Düzgün, düşük varyanslı, stabil | Temel referans trend | %68.5 |
| GBR | Ardışık hata azaltan boosting | Kırılım noktalarına duyarlı | Rejim değişimi analizi | CV rapor dışı |
| HGB | Histogram tabanlı boosting | Dengeli ve hızlı tepki | Büyük veri ve hızlı değerlendirme | CV rapor dışı |
| RF | Bagging tabanlı ağaç topluluğu | Orta senaryolarda yumuşak | Robust genel tahmin | CV rapor dışı |
| ETR | Ekstra rastgeleleştirilmiş ağaçlar | Daha pürüzsüz, daha temkinli | Gürültüye dayanıklı öngörü | %79.2 |
| XGBoost | Düzenlileştirmeli gradient boosting | Şoklara yüksek duyarlılık | Kuraklık stres testleri | %83.9 |
| LightGBM DART | Dropout destekli leaf-wise boosting | Keskin ama kontrollü | Yüksek doğruluk / düşük gecikme | %79.8 |
| CatBoost | Simetrik ağaç + hedef sızıntı kontrolü | Dengeli, stabil, genellenebilir | Karma veri yapıları | %79.2 |
| SVR (RBF) | Çekirdek tabanlı marjinal regresyon | Kıvrımlı, doğrusal olmayan | Non-lineer ilişki yakalama | %76.4 |
| NGBoost | Olasılık dağılımı öğrenen boosting | Belirsizlik bandı üreten | Risk odaklı karar desteği | %68.5 |
| GPR | Gaussian süreç regresyonu | Yumuşak ve sürekli | Belirsizlikli kısa/orta vade | %71.1 |
| ARIMAX | Zaman serisi + dışsal değişken | Mevsimsellik ve otokorelasyon odaklı | Saf seri davranışı karşılaştırması | %69.6 |
| GBM Quantile %50 | Medyan kuantil boosting | Merkez rejim çizgisi | Nötr referans senaryo | %78.3 |
| Bayesian Ridge | Bayesçi doğrusal katsayı tahmini | Daha temkinli, olasılıksal | Parametre belirsizliği analizi | %68.8 |
| ElasticNet | L1+L2 birlikte düzenleme | Sadeleştirilmiş, dengeli | Özellik seçimi ve stabilite | %67.9 |
| Huber | Aykırı değerlere dayanıklı kayıp | Ekstrem noktalarda stabil | Outlier baskın dönemler | %73.4 |
| Budyko | Su-enerji denge yaklaşımı | Fiziksel tutarlılık odaklı | Uzun dönem hidrolojik referans | CV dışı (fizik) |
| Thornthwaite | Sıcaklık temelli su dengesi | Kurak dönemde belirgin düşüş | Klasik iklim-su kıyaslaması | CV dışı (fizik) |
| Stacking | Meta-öğrenici ile model birleştirme | Tekil model sapmasını azaltan | Genel performans optimizasyonu | CV rapor dışı |
| Ensemble Median | Model medyanı ile konsensüs | Uç değerlere dirençli | Karar notlarında birincil referans | CV rapor dışı |
Yöntem notu: Karar notlarında tek model yerine en az üç model sınıfı birlikte raporlanmalıdır: lineer referans (Ridge), ağaç/boosting ailesi (GBR-HGB-RF-ETR) ve fizik/seri tabanlı kontrol (Budyko/ARIMAX). Doğruluk oranı sütunu, CV Pearson r değerinin yüzde karşılığıdır; CV raporunda yer almayan modeller için açıklayıcı not gösterilir.
Temel Modeller
Bu bölümdeki modeller, karar desteğinde temel referans olarak seçilen çekirdek aileyi gösterir. Her model için mekanizma, grafik karakteri ve kullanım bağlamı aynı şablonda verilmiştir.
RIDGE: Ridge Regression (L2 Düzenlemeli Doğrusal Referans)
Doğrusal Referans · L2 Düzenleme- Derinlemesine Mekanizma: İklim değişkenleri ile doluluk ilişkisini doğrusal bir çerçevede kurar; L2 düzenlileştirme katsayı oynaklığını azaltarak daha kararlı tahmin üretir.
- Neden Varsayılan?: Yorumlanabilirliği yüksek ve düşük varyanslı bir referans model olduğu için varsayılan seçimdir.
GBR: Gradient Boosting Regressor (Gradyan Artırmalı Ağaç Regresyonu)
ML · Ridge Entegreli · Ardışık Düzeltmeler- Derinlemesine Mekanizma: Artık hatayı adım adım azaltan ardışık ağaçlar kurar; doğrusal olmayan iklim-doluluk ilişkilerini etkili biçimde temsil eder.
- Sürüm 4 yaklaşımı: Ridge referansı ile hizalanarak uzun vadede daha dengeli ve karşılaştırılabilir bir eğri üretir.
HGB: Histogram-based Gradient Boosting (Histogram Tabanlı Gradyan Artırma)
ML · Histogram Tabanlı · Verimli Öğrenme- Derinlemesine Mekanizma: Sürekli değişkenleri histogram kutularına ayırarak hesaplama maliyetini düşürür; büyük veri setlerinde hızlı ve tutarlı öğrenme sağlar.
- Sürüm 4 yaklaşımı: Ridge referansı ile birlikte kalibre edilerek ani rejim değişimlerinde daha istikrarlı tepki verir.
RF: Random Forest Regressor (Rastgele Orman Regresyonu)
ML · Bagging · Topluluk Öğrenmesi- Derinlemesine Mekanizma: Çok sayıda karar ağacını farklı örneklemlerle eğitir ve tahminleri ortalayarak varyansı azaltır; genellenebilirliği artırır.
- Sürüm 4 yaklaşımı: Ridge referansı ile uyumlandırılarak orta ve uzun vadede daha dengeli bir trend davranışı sağlar.
ETR: Extra Trees Regressor (Ekstra Rastgele Ağaçlar)
ML · Yüksek Rastgeleleştirme · Gürültüye Dayanıklılık- Derinlemesine Mekanizma: Random Forest’e göre daha yüksek rastgeleleştirme uygular; eşik değerlerini daha geniş bir uzayda örnekleyerek aşırı uyumu azaltır. Bu sayede ölçüm gürültüsüne karşı daha dayanıklı bir tahmin üretir.
- Grafik Karakteristiği: V4 kalibrasyonunda Ridge ile hizalanarak daha tutarlı ve karşılaştırılabilir bir eğri üretir.
Diğer Gelişmiş YZ ve Fiziksel Modeller
CatBoost (Categorical Boosting)
ML · Simetrik Ağaç · Ridge Uyumlu- Matematiksel Motor: Simetrik (oblivious) ağaç yapısı ve hedef sızıntısını azaltan öğrenme düzeni sayesinde kategorik etkileri dengeli temsil eder ve aşırı uyumu sınırlar.
- Simülasyon Karakteristiği: V4 kalibrasyonu ile Ridge referansına hizalanmıştır; bu sayede uzun vadede aşırı dalgalanmadan kaçınan, daha dengeli bir tepki üretir.
SVR (Destek Vektör Regresyonu - RBF Kernel)
Çekirdek Tabanlı Regresyon · RBF- Matematiksel Motor: RBF (Radial Basis Function) çekirdeği ile doğrusal olmayan ilişkileri epsilon-tube içinde modelleyerek küçük hataları tolere eder, büyük sapmaları ise daha güçlü ceza ile dengeler.
- Simülasyon Karakteristiği: RBF çekirdek yapısı nedeniyle uzak ufukta ortalamaya yakınsama eğilimi gösterebilir; V4 kalibrasyonunda Ridge desteği ile eğri stabilitesi artırılmıştır.
NGBOOST (Doğal Gradyan Olasılıksal Boosting)
ML · Olasılıksal Boosting · Doğal Gradyan- Matematiksel Motor: Sadece bir nokta tahmini yerine olasılık dağılımı (genellikle Gaussian veya LogNormal) üretir. Doğal gradyan düzeltmesiyle hem ortalamayı (mu) hem varyansı (sigma) birlikte öğrenen güçlü bir olasılıksal yaklaşımdır.
- Simülasyon Karakteristiği: Nokta tahmini yerine olasılık dağılımı üreterek belirsizlik aralığını raporlar; V4 kalibrasyonunda uzun dönem trend ile uyumlu sonuç verir.
GPR (Gaussian Process Regression - Matern Kernel)
Stokastik Süreçler · Bayesian Yaklaşımı- Matematiksel Motor: Matern ve Constant kernel bileşimiyle veriyi Bayesçi süreç çerçevesinde sürekli bir olasılık fonksiyonu olarak temsil eder. İşlemsel maliyeti yüksektir ancak pürüzsüz ve açıklanabilir bantlar üretir.
- Simülasyon Karakteristiği: GPR uzun ufukta ortalamaya yakınsama eğilimindedir; V4 kalibrasyonunda Ridge referansı ile birleştirilerek trend tutarlılığı güçlendirilmiştir.
ARIMAX (Mevsimsel Zaman Serisi)
İstatistik · Oto-Regresif Mimarisi- Matematiksel Motor: Dışsal değişkenlere (sıcaklık, nem) ve geçmişin gecikmeli kopyalarına dayanır. Hareketli Ortalamalar (Moving Average) ve Entegre (I) fark denklemleri yardımıyla veri yığınlarındaki gürültüyü ayrıştırır.
- Simülasyon Karakteristiği: Zaman bağımlı yapıyı mevsimsel bileşenlerle birlikte taşır; stokastik artık terimi üzerinden iklim oynaklığını projeksiyona yansıtır.
Kullanım Bağlamı: Ani iklim şokları, mevsimsel sapma kırılmaları ve seri bağımlılığı birlikte değerlendirilirken öncelikli modeldir.
Quantile GBM (%10 ve %50 Birlikteliği)
ML · Quantile Kayıp · Risk Bandı- Matematiksel Motor: "Quantile Loss" (Pinball Loss) fonksiyonu ile çalışır. %50 Quantile sistemi sistemin tam ortanca davranışını modellerken, %10 Quantile "en kötü senaryonun %10'luk ekstrem kuraklık dilimine" odaklanarak eğitilmiştir.
- Simülasyon Karakteristiği: Özellikle %10 Quantile modeli kuraklık tarafını temsil eder. 2040 ufkunda sert düşüşleri gösterebilir; V4 kalibrasyonu ile fiziksel sınırlar içinde tutulur.
Bayesian Ridge (Olasılıksal Doğrusal)
ML · Bayes Teoremi · Stokhastik- Matematiksel Motor: Katsayıları bir "Gaussian Olasılık Dağılımı" olarak ele alır. Yeni veya belirsiz iklim sapmalarını gördükçe toleransını (Varyans) ve olasılıklarını otomatik olarak günceller (Posteriori Dağılım).
- Simülasyon Karakteristiği: Aşırı agresif karar ağaçlarının aksine, tahminlerinde daima bir güvence bandı bulundurur. Düşüşleri veya pikleri kesin konuşmadan, yumuşak bir bant şeklinde 2040'a yansıtır.
ElasticNet (L1+L2 Düzenlemeli Regresyon)
ML · L1+L2 Düzenleme · Kararlı- Matematiksel Motor: Ridge (L2) ve Lasso (L1) düzenlemelerini birlikte kullanarak gereksiz değişken etkisini azaltır ve model sadeliğini korur.
- Simülasyon Karakteristiği: Aşırı uçlara daha az gider ve karmaşık rejimlerde istikrar sağlar. Düşük varyanslı yapısıyla karar desteğinde dayanıklı bir referans üretir.
Kullanım Bağlamı: Çoklu doğrusal bağlantının güçlü olduğu veri setlerinde dengeli katsayı tahmini ve yorumlanabilirlik için uygundur.
Huber Regressor (Aykırı Değere Dayanıklı Regresyon)
ML · Dayanıklı Kayıp · Sağlam Kalibrasyon- Matematiksel Motor: Mutlak ve karesel kayıp arasında eşik tabanlı geçiş kullanarak aykırı gözlemlerin model üzerindeki etkisini sınırlar.
- Simülasyon Karakteristiği: Ekstrem şokların merkez eğilimi bozmasını sınırlar; ana trend hattını daha dayanıklı ve dengeli biçimde korur.
Kullanım Bağlamı: İklim verisindeki aykırı sapmalardan (outlier) daha az etkilenen dayanıklı trend analizleri için uygundur.
Fiziksel Modeller: Budyko ve Thornthwaite
Fizik Tabanlı Hidrolojik Yaklaşım- Budyko Eğrisi: Yağış, potansiyel buharlaşma ve akış arasındaki uzun dönem su-enerji dengesini tanımlayan kuramsal hidrolojik çerçevedir.
- Thornthwaite-Mather Su Dengesi: Toprağın su tutma kapasitesini depolama yaklaşımıyla temsil eder; toprak doygunluğunda oluşan fazla akışı (runoff) hesaplayan klasik bir yöntemdir.
Temel Modeller
Siyah: Gözlenen (Geçmiş). Turuncu: Simülasyon (Gelecek). Kesik çizgi: son gözlenen ay. Turuncu gölgeli alan: ±RMSE bandı.
Ridge (Lineer Temel)
Kategori: Temel Model (Lineer)
Çalışma Mantığı: OLS'in L2 penaltısı (Ridge shrink) ile dengelenmiş versiyonu. Çoklu doğrusal bağlantıya dirençli, güvenilir bir sistemdir.
Kullanım Bağlamı: İklim ve su serilerinin temel eğilimini düşük gürültü ile izlemek için referans model olarak kullanılır.
GBR (Gradient Boosting)
Kategori: Temel Model (Ansambl Ağaç)
Çalışma Mantığı: Zayıf ağaçların (weak learners) hatalarını kademeli şekilde sıfırlama (boosting) prensibine dayanır. Stokastik eklentilerle dengelenmiştir.
Kullanım Bağlamı: İklimsel kırılma noktalarını (kuraklık başı/sonu) hassasiyetle yakalayabilen dinamik doğrusal olmayan (non-linear) karmaşık öngörüler yapar.
HGB (HistGradient Boosting)
Kategori: Temel Model (Gelişmiş Ansambl)
Çalışma Mantığı: Sürekli veriyi histogram kutularına dönüştürerek öğrenen, aykırı değerlere daha dayanıklı ve hesaplama açısından verimli bir gradyan artırma yaklaşımıdır.
Kullanım Bağlamı: Eksik veya sınırlı senaryo girdilerinde dayanıklı performans gerektiren değerlendirmeler için uygundur.
RF (Random Forest)
Kategori: Temel Model (Bagging Ağaç)
Çalışma Mantığı: Rastgele seçilmiş örneklem ve özellik alt kümeleriyle eğitilen çok sayıda ağacın ortalamasını alarak düşük varyanslı tahmin üreten bir topluluk modelidir.
Kullanım Bağlamı: Aşırı dalgalanmayı sınırlayan orta bant senaryolarının izlenmesi için kullanılır.
ETR (Extremely Randomized Trees)
Kategori: Temel Model (İleri Seviye Bagging)
Çalışma Mantığı: RF'in maksimum rastgeleleştirilmiş versiyonudur. Karar ağacı düğümlerini spesifik bir eşiğe bağlamadan rastgele kırparak aşırı öğrenmeyi engeller.
Kullanım Bağlamı: Ağaç tabanlı modellerde erken düzleşme eğilimini azaltan, yüksek genelleme kapasitesine sahip referans topluluk modelidir.
Gelişmiş Model Kataloğu (Sürüm 4 — 17 Model)
Sürüm 4 (V4), model ailesinin güncel üretim sürümüdür; tüm modeller aynı veri hazırlama, eğitim ve doğrulama protokolüyle üretilmiştir.
Kullanım Rehberi: Model Seçim Çerçevesi
Simülasyon ekranında birden fazla model ailesi bulunmaktadır. Analiz amacına göre uygun model sınıfı aşağıdaki özetle seçilebilir:
- Merkez Eğilim ve Karar Notu Referansı: ENSEMBLE_MEDIAN veya STACKING. Tekil model etkisini azaltan dengeli konsensüs tahmini sağlar.
- Alt Risk Bandı (Kuraklık Stresi): SVR veya Budyko_Physics. Düşük doluluk rejimlerinde risk sınırını incelemek için uygundur.
- Uzun Dönem Kararlı Referans Trend: Ridge, BayesianRidge veya ElasticNet. Düşük varyanslı ve yorumlanabilir temel eğilim analizi sunar.
- Rejim Değişimi ve Mevsimsel Kırılma Analizi: XGBoost, CatBoost, NGBoost veya ARIMAX. Ani değişimlere duyarlı senaryo karşılaştırmalarında etkilidir.
- Doğal Varyans ve Desen Analizi: RF (Random Forest), ETR veya GBM_Q50.
Çapraz Doğrulama Karşılaştırma Tablosu (Purged Walk-Forward, 3 yıl)
| Model | Kategori | RMSE ↓ | MAPE ↓ | Pearson r ↑ | Açıklama |
|---|---|---|---|---|---|
| XGBoost | ML | 39.33 | 85.1% | 0.839 | En yüksek Pearson korelasyonu |
| ARIMAX | Zaman Serisi | 39.73 | 85.6% | 0.696 | SARIMAX(1,1,1) + SPEI-6 + kümülatif denge |
| CatBoost | ML | 39.51 | 85.0% | 0.792 | Kategorik değişken destekli boosting |
| QuantileGBM–50 | İklim | 40.16 | 86.7% | 0.783 | Medyan (en olası) senaryo |
| NGBoost | İklim | 40.12 | 87.0% | 0.685 | Stanford NGB — olasılıksal tahmin (Normal dağılım) |
| ExtraTrees (ETR) | ML | 40.11 | 87.1% | 0.792 | Rastgeleleştirilmiş ağaçlar |
| GPR | ML | 40.10 | 87.0% | 0.711 | Matern + RationalQuadratic + White kernel |
| LightGBM DART | ML | 40.35 | 88.3% | 0.798 | DART boosting — overfit engeli |
| SVR | ML | 40.52 | 87.9% | 0.764 | RBF kernel, C=50, ε=0.005 |
| Huber | Lineer | 40.48 | 87.9% | 0.734 | Aşırı iklim değerlerine dayanıklı regresyon |
| ElasticNet | Lineer | 40.24 | 87.1% | 0.679 | L1+L2 birleşik ceza — özellik seçimi |
| BayesRidge | Lineer | 40.16 | 87.1% | 0.688 | Belirsizlik bandı üretir |
| RidgeCV | Lineer | 40.12 | 87.0% | 0.685 | L2 ceza — stabil referans modeli |
| T-M 1955 — UNESCO IHP standart su bütçesi |
Fizik tabanlı modellerde çapraz doğrulama hatası görece yüksek olabilir; buna karşın iklim rejimi değişimlerinde fiziksel tutarlılık sağladıkları için tamamlayıcı kontrol modeli olarak kullanılır.
Fizik Tabanlı İklim ve Hidroloji Modelleri
Budyko-Fu v2 — 1974/2007
Fizik · UNESCO · WMO · Mevsimsel Dinamik ω- φ = ET0/P (kuruluk oranı) → Q/P = 1 − [1+φ − (1+φω)1/ω]
- Dinamik ω: SPI-6 < −0.5 → ω_dry=2.5; yağışlı → ω_wet=1.8
- Kalibrasyon: runoff + (−ET0) + SPI-6 + API → Ridge OLS (4d)
- UNESCO/WMO/IPCC AR6 standart havza su dengesi referansı
Kullanım Bağlamı: Fizik tabanlı uzun dönem kuraklık sınırlarının değerlendirilmesinde uygundur.
Thornthwaite-Mather v2 — 1955
Fizik · UNESCO IHP Standart · Wilting Point Düzeltmeli- Yağış → Gerçek ET (toprak kapasitesi orantılı) → Satürasyon akışı
- Toprak: fc=180 mm, wp=40 mm (Istanbul killi-tın)
- Gerçek runoff: FC üstündeki fazla → yüzey akışına (wilting point düzeltmeli)
- Kalibrasyon: runoff + (−ET0) + SPI-3 + API → Ridge OLS (4d)
- UNESCO IHP Uluslararası Hidrolojik Program metodolojisi
Kullanım Bağlamı: Toprak nemi ve buharlaşma dengesinin aylık stres limitlerinin fiziksel değerlendirmesinde uygundur.
İstatistiksel İklim Modelleri
ARIMAX
SARIMAX(1,1,1)- Dışsal değişkenler: cum_balance_12 + SPEI-6 + t_mean_c
- IPCC AR6 minimal yeterli eksojen set
- CV RMSE: 39.73 pp · r=0.696
Kullanım Bağlamı: Geleneksel mevsimsel döngülerde sıcaklık ve yağış etkisinin zaman serisi bağlamında değerlendirilmesinde uygundur.
NGBoost (Stanford)
Olasılıksal · Duan et al. 2020- Her ay için delta doluluk → Normal dağılım
- 500 estimator, lr=0.05, natural_gradient=True
- CV RMSE: 40.12 pp · r=0.685
Kullanım Bağlamı: Gelecekteki belirsizlik dağılımının (geniş bant) değerlendirilmesinde referans alınır.
Makine Öğrenmesi Modelleri
LightGBM DART
- CV Pearson: 0.798
- CV RMSE: 40.35 pp · MAPE: 88.3%
Kullanım Bağlamı: Düzenlileştirilmiş ve dropout destekli ağaç tahminlerinin stabilitesinin değerlendirilmesinde uygundur.
XGBoost
- CV Pearson: 0.839 — en yüksek korelasyon
- CV RMSE: 39.33 pp · MAPE: 85.1%
Kullanım Bağlamı: Eğilimdeki sert düşüş/yükseliş ivmeleri ve yapısal iklim kırılmalarının değerlendirilmesinde öncelikli modeldir.
Extra Trees (ETR)
- CV Pearson: 0.792
- CV RMSE: 40.11 pp · MAPE: 87.1%
Kullanım Bağlamı: Ağaç tabanlı modellerde erken düzleşme eğilimini azaltan, yüksek genelleme kapasitesine sahip referans topluluk modelidir.
CatBoost
- CV Pearson: 0.792
- CV RMSE: 39.51 pp · MAPE: 85.0%
Kullanım Bağlamı: Gürültülü ve kesintili verilerde elde edilen tutucu ağaç tahminlerinin değerlendirilmesinde uygundur.
SVR (RBF Kernel)
- CV Pearson: 0.764
- CV RMSE: 40.52 pp · C=50, ε=0.005
Kullanım Bağlamı: Doğrusal olmayan trend rejimleri, üst sınır eğrileri ve dip senaryolarının değerlendirilmesinde uygundur.
GPR (Gauss Süreci)
- CV Pearson: 0.711
- CV RMSE: 40.10 pp · Matern(ν=1.5) + White kernel
Kullanım Bağlamı: Olasılık dağılımlarının yüksek süreklilikle (smooth) üretildiği senaryolarda belirsizlik yapısını değerlendirmek için uygundur.
Lineer ve İklim Regresyon Modelleri
RidgeCV
- CV Pearson: 0.685 · RMSE: 40.12 pp
- L2 cezalı doğrusal — stabil referans modeli
Kullanım Bağlamı: İklim ve su trendlerinin ana hattını düşük gürültü ile izlemek için referans (baseline) model olarak kullanılır.
ElasticNet & BayesRidge
- ElasticNet: L1+L2, RMSE: 40.24 pp
- BayesRidge: belirsizlik bandı, RMSE: 40.16 pp
Kullanım Bağlamı: Düşük etkili iklim değişkenlerini bastıran L1+L2 yapısı ile belirsizlik bandı üreten parametrik olasılık sınırlarının birlikte değerlendirilmesinde uygundur.
Huber Regressor
- CV Pearson: 0.734 · RMSE: 40.48 pp
- ε=1.20 — aşırı değerlere dayanıklı robust regresyon
Kullanım Bağlamı: İklim verisindeki aykırı sapmalardan (outlier) daha az etkilenen dayanıklı trend analizleri için uygundur.
Toplulaştırma (Ensemble) Modelleri
Stacking Ensemble
Tüm modellerin tahminlerini girdi olarak kullanan meta-model (RidgeCV meta-learner).
Kullanım Bağlamı: Farklı model ailelerinden gelen çıktıları birleştirerek tekil model yanlılığını azaltan nihai karar desteği için kullanılır.
Ensemble Median
Tüm model tahminlerinin medyanı — en muhafazakâr toplu projeksiyon.
Kullanım Bağlamı: Aşırı uç senaryoların baskılandığı medyan trendi ve genel iklimin en olası gidişatını izlemek için uygundur.
Çapraz Doğrulama Karşılaştırma Grafiği (Modellerin farklı eğitim/test bölmelerindeki performans kıyası)
Not: V4 sonuçları purged walk-forward CV üzerinden hesaplandı; model sonuçları birlikte değerlendirilmelidir.
Etkileşimli Simülasyon
Bu bölümde yağış/ET0 değişimi ve kullanım‑buharlaşma kayıp oranlarını ayarlayarak projeksiyonun nasıl değiştiğini canlı görebilirsiniz. Grafikte bir tarihin üstüne gelince o ayın olası doluluğu görünür.
Veri hazır
İklim Senaryosu
Kayıp Bileşenleri
Not: ET0 etkisi iki kanaldan işlenir: açık su buharlaşması artar ve havza etkin akış katsayısı bir miktar düşer.
Not: Yağış ve ET0 etkileri havza/göl alanı üzerinden hacme çevrilir; senaryo farkı baz projeksiyona eklenir.
Not: Pay yüzdeleri iki ayrı paydaya göre verilir: şehir toplam arzı ve su dengesi çıkışı (kullanım+buharlaşma).
Model Karşılaştırma (2040 Sonu)
—Kartlara tıklayarak simülasyonu seçtiğiniz modelle çalıştırabilirsiniz.
Gerçek Hesap (2023)
- Buharlaşma: — (— aktif kapasite, — su dengesi çıkışı payı)
- Kullanım: — (— şehir toplam arzı payı, — su dengesi çıkışı payı)
- Aktif kapasite: — milyon m³
- Toplam baraj alanı: — km²
Akademik Yöntem Notu
Simülasyon, baz projeksiyonun aylık doluluk değişimini (ΔS) hacim tabanlı su dengesiyle günceller. Yağış havza alanı üzerinden akış katsayısı ile içeri alınır; göl yüzeyine düşen yağış doğrudan eklenir. ET0, açık su katsayısı (Kc) ile buharlaşmaya çevrilir; kullanım yıllık talep ve mevsimsellik profiline göre aylık hacme dönüştürülür.
Akış katsayısı (R_m), 2010–2024 doluluk değişimi ile yağış–buharlaşma–kullanım dengesini en küçük kareler ile uyumlayarak (0–1 aralığında) kalibre edilir.
İklim ve kullanım senaryosu etkisi, 2010–2024 gözlenen aylık doluluk değişimi büyüklüğüne göre ölçeklenir ve aylık etki tavanı ile sınırlandırılır (aşırı oynaklık engellenir).
Senaryo etkisi, baz projeksiyondaki aylık değişime eklenen hacim farkı olarak uygulanır.
ΔS_mcm = R_m·P_m·A_catch·0.001 + P_m·A_lake·0.001 − Kc·ET0_m·A_lake·0.001 − U_m Fill′ = clip( Fill + (ΔS_scen − ΔS_base)/C )
Akademik Gelecek Değerlendirmesi
Bu bölüm, 2040 ufku için tek model çıktısı yerine çoklu model dağılımını, su dengesi parametrelerini ve iklim/talep duyarlılığını birlikte raporlamak amacıyla hazırlanmıştır. Yorumlama yaklaşımı; merkezi eğilim (medyan), saçılım (IQR) ve stres duyarlılığı eksenlerini birlikte kullanır.
Yöntemsel Çerçeve
- Çekirdek denklem aylık rezerv değişimini hacim bazında hesaplar: havza akışı + göl yüzeyi yağışı − ET0 kaynaklı buharlaşma − yıllık kullanımdan türetilen aylık kullanım.
- Model parametreleri tarihsel gözlemlerle düzenli güncellenir; senaryo etkileri fiziksel tutarlılık sınırları içinde uygulanır.
- Projeksiyon başlangıcında gözlem ve tahmin serileri uyumlandırılır; senaryo farkı baz projeksiyon üzerine kademeli olarak yansıtılır.
- Model aileleri arasında karşılaştırılabilirliği korumak için senaryo etkileri ortak bir ölçekleme yaklaşımıyla dengelenir.
Veri Tabanlı Bulgular
- 2040 min–maks aralığı bazı modellerde 0–100 sınırına dayanabilir; bu nedenle karar raporunda tek başına min–maks yerine medyan + IQR + alt/üst kuantil birlikte verilmelidir.
- +10% yağış, +10% ET0 ve kullanım artışı senaryoları birlikte değerlendirildiğinde; iklim sinyali ile talep baskısı aynı düzlemde karşılaştırılabilir hale gelir.
- ET0 artışı ile kullanım artışı aynı yönde negatif etki üretir; yağış artışı dengeleyici etki gösterir ancak tek başına yeterli bir güvenlik tamponu oluşturmaz.
- Belirsizlik tek kaynaktan gelmez: model ailesi farkı, iklim projeksiyon saçılımı ve talep büyüme varsayımı birlikte toplam riski belirler.
Operasyonel Yorum
- Aylık izleme notlarında asgari raporlama seti: 2040 medyanı, Q1–Q3 bandı, stres senaryosu ve eşik-altı model oranı.
- ET0 eğilimi yıllık yağış toplamından ayrı değil birlikte yorumlanmalıdır; tek değişkenli açıklama karar hatası üretir.
- Kritik eşik yönetiminde tek model eğrisi yerine model mutabakat oranı (kaç model eşik altında) esas alınmalıdır.
- Kalibrasyon parametreleri çeyreklik döngüde güncellenmeli; kullanım profili ve iklim katsayıları yeni gözlem geldikçe yeniden fit edilmelidir.
Bu göstergeler sayfadaki güncel model/iklim verilerinden otomatik hesaplanır; metrikler kullanıcı senaryosu değiştiğinde yeniden üretilir.
Kaynakça
- FAO‑56: Crop Evapotranspiration (PDF)
- FAO Penman‑Monteith yöntemi (not)
- HEC USACE Penman‑Monteith yöntemi
- WMO Guide (WMO‑No.8)
- İBB Açık Veri API (CKAN)
- İSKİ Baraj Doluluk
- İSKİ Su Kaynakları (baraj havzaları)
- Kandilli Rasathanesi ve Deprem Araştırma Enstitüsü (Boğaziçi Üniversitesi)
- NOAA NAO indeks serisi
- AA 2023 İstanbul su kullanımı haberi
- Forecasting: Principles and Practice (FPP3)
- Tüm kaynaklar (tam liste)
Not: Bu liste 21 Mart 2026 tarihinde doğrulanmış temiz kaynak listesidir: references.html.