Zonguldak, Türkiye örnek vakası: Açıklanabilir yapay zeka ve PCA tabanlı makine öğrenimi ile sıcaklık eğilimi öngörüsü

Yerel sıcaklık eğilimleri neden önemli

Birçok topluluk için iklim değişikliği uzak, küresel bir hikâye gibi gelebilir. Ancak etkileri en belirgin şekilde yerel hava durumunda ortaya çıkar: daha sıcak yazlar, yağış düzenlerinde kayma ve daha şiddetli fırtınalar. Bu çalışma, Türkiye’nin Batı Karadeniz’inde kıyısal ve sanayi kenti olan Zonguldak’a odaklanarak pratik bir soruyu ele alıyor: modern yapay zeka yerel sıcaklık eğilimlerini yalnızca doğru tahmin etmekle kalmayıp, bu tahminlere nasıl ulaştığını da açıklayarak planlayıcılar ve halkın sonuçlara güvenip kullanmasını sağlayabilir mi?

Ham hava kayıtlarını kullanılabilir ipuçlarına dönüştürmek

Bu soruya yanıt aramak için araştırmacılar Zonguldak için 2000–2022 yıllarını kapsayan yirmi yılı aşkın aylık hava kayıtlarını topladı. Veri seti ortalama, minimum ve maksimum hava sıcaklığı, çeşitli yağış ölçümleri, rüzgâr yönü ve hızı ile nem gibi değişkenleri içeriyordu. Herhangi bir bilgisayar modeli bu verilerden öğrenmeden önce ekip verileri temizleyip standartlaştırdı: eksik değerler dolduruldu, rüzgâr yönü gibi metin etiketleri sayılara dönüştürüldü ve tüm değişkenler ortak bir ölçeğe getirilerek tek bir ölçümün birimlerinden dolayı diğerlerini gölgede bırakması engellendi.

Karmaşık hava örüntülerini yoğunlaştırmak

İklim verileri ünlü şekilde dolaşık olur: birçok değişken birlikte değişir ve bazıları güçlü şekilde bağlıdır. Bu ağı önemli bilgiyi kaybetmeden basitleştirmek için araştırmacılar başlıca bileşen analizi (PCA) adı verilen bir teknik kullandı. Her bir orijinal ölçümü ayrı ayrı incelemek yerine PCA, verideki varyasyonun çoğunu yakalayan az sayıda yeni “özet” bileşen oluşturur. Bu çalışmada ekip, orijinal bilginin yüzde 95’ini koruyacak kadar bileşen tuttu. Birinci başlıca bileşen olarak bilinen en önemli faktör, anlamlı bir şekilde sıcaklık ve rüzgârı harmanlıyordu: daha yüksek minimum ve maksimum sıcaklıklar bu bileşeni yukarı çekerken, daha güçlü rüzgârlar onu aşağı çekiyordu.

En güvenilir öngörü motorlarını seçmek

Bu sadeleştirilmiş iklim bileşenleriyle ekip, aylık ortalama sıcaklığı tahmin etmek için bir dizi makine öğrenimi yöntemini test etti. Bazıları basit doğrusal modellerdi; diğerleri, sinir ağları ve güçlendirilmiş ağaçlar gibi, daha karmaşık ilişkileri yakalayabiliyordu. Araştırmacılar veriyi eğitim ve test setlerine ayırdı ve her yöntemi çeşitli hata ve uyum ölçüleriyle değerlendirdi. Karmaşık “kara kutu” sistemleri etrafındaki ilgiye rağmen burada açık kazananlar iki basit doğrusal yaklaşım, yani doğrusal regresyon ve ridge regresyon oldu. Bu modeller tutarlı şekilde en düşük hataları verdi ve test verisindeki varyasyonun yüzde 90’dan fazlasını açıkladı; bu da bu bölge ve zaman ölçeği için sıcaklığın büyük ölçüde doğrusal ve öngörülebilir davrandığını gösteriyor.

Yapay zekânın kara kutusunu açmak

Tahminler altyapı, tarım veya sağlık planlamasını etkileyecekse yalnızca doğruluk yeterli değildir. Modellerin neden belirli tahminleri yaptığını görmek için ekip açıklanabilir yapay zeka araçlarına yöneldi. Bu analize uygun ağaç tabanlı bir model eğitti ve iki tamamlayıcı yöntemi kullandı: bir faktör karıştırıldığında tahminlerin ne kadar kötüleştiğini ölçen “permütasyon önemi” ve her faktörün her bireysel tahmine katkısını atayan SHAP değerleri. Her iki yaklaşım da aynı hikâyeyi işaret etti: birinci başlıca bileşen modelin kararlarında baskın rol oynuyordu ve birkaç diğer bileşen ikincil roller üstleniyordu. Bu lider bileşenin nasıl oluşturulduğuna bakıldığında analiz, daha sıcak koşulların (daha yüksek minimum ve maksimum sıcaklıklar) tahmin edilen ortalama sıcaklığı güçlü şekilde yükselttiğini, daha hızlı rüzgârların ise onu baskılama eğiliminde olduğunu gösterdi. Nem ve yağış ise daha ölçülü roller oynadı.

Bunun insanlar ve planlayıcılar için anlamı

Açıkça söylemek gerekirse, çalışma hem doğru hem de anlaşılabilir sıcaklık tahmin araçları geliştirebilmenin mümkün olduğunu gösteriyor. Zonguldak için dikkatle elde edilmiş iklim bileşenleriyle yönlendirilen basit, iyi test edilmiş istatistiksel modeller daha karmaşık yapay zeka sistemleri kadar iyi veya daha iyi performans gösterdi. Açıklanabilirlik analizleri modellerin fiziksel olarak mantıklı davrandığını doğruladı: sıcaklıktaki değişikliklere güçlü yanıt veriyorlar ve rüzgârla dengeleyici bir tepki gösteriyorlar. Performans ve şeffaflığın bu birleşimi, yerel iklim eğilimlerini izlemek ve güvenilir, yorumlanabilir kanıtlara dayalı uyum stratejileri tasarlamak isteyen diğer bölgeler için umut verici bir plan şablonu sunuyor.

Atıf: Arslan, R.U., Aksoy, B. & Yapıcı, İ.Ş. Temperature trend prediction with explainable artificial intelligence and PCA based machine learning: a case study of Zonguldak, Turkey. Sci Rep 16, 4910 (2026). https://doi.org/10.1038/s41598-026-35173-6

Anahtar kelimeler: sıcaklık tahmini, iklim değişikliği, makine öğrenimi, açıklanabilir yapay zeka, başlıca bileşen analizi