Kurak ve yarı kurak bölgelerde yağışın mekânsal değişkenliğini analiz etmek için rastgele orman tabanlı regresyon kriging entegrasyonu

Kurak topraklarda yağışı haritalamanın önemi

Su kıtlığının yaşandığı ülkelerde yağışın nerede ve ne zaman düştüğünü kesin olarak bilmek, gıda güvenliği ile kriz arasında fark yaratabilir. Pakistan dağlar, çöller ve verimli ovaları kapsar ve iklim değişikliğiyle birlikte yağışlar giderek daha düzensiz hale gelmiştir. Oysa yer tabanlı meteoroloji istasyonları az ve uzak aralıklardadır. Bu çalışma pratik bir soruyu ele alıyor: sınırlı verilerle, modern makine öğrenimi ile klasik haritalama teknikleri birleştirilerek tarım, sel planlaması ve su yönetimi için daha net, daha güvenilir yağış haritaları üretilebilir mi?

Dağınık yağış ölçümlerini tam haritalara dönüştürmek

Araştırmacılar, Pakistan çapındaki 42 istasyondan iki on yıllık aylık yağış verisiyle (2001–2010 ve 2011–2021) çalıştı ve tutarlı bir NASA iklim veri seti kullandı. Çok sayıda çevresel değişkeni karmaşık bir modele sokmak yerine kasıtlı olarak yalnızca enlem ve boylam kullandılar. Bu sade tasarım, odaklanmaları gereken temel sorunu netleştirdi: dağınık nokta ölçümlerini sürekli bir haritaya en iyi hangi matematiksel yaklaşım dönüştürür. Araştırmacılar, Jeobilimlerde yaygın olarak kullanılan regresyon kriging çerçevesine yerleştirilmiş Altı makine öğrenimi yöntemini karşılaştırdı—Rastgele Orman, Destek Vektör Makinesi, K-En Yakın Komşu, Sinir Ağı, Elastik Net ve Polinom Regresyonu.

Büyük veri tarzı öğrenmeyle mekânsal sezgiyi harmanlamak

Regresyon kriging iki aşamada işler. İlk olarak, bir regresyon modeli koordinatlardan herhangi bir konum için yağışı tahmin eder; bu, daha yağışlı dağlar ve daha kurak çöller gibi geniş desenleri yakalar. İkinci olarak, kriging adı verilen mekânsal bir yöntem, gözlemlerle tahminler arasındaki geriye kalan yerel desenli farkları tamamlar. Bu ikinci adımı güvenilir kılmak için ekip önce çeşitli mesafelerdeki istasyon çiftleri arasındaki yağış benzerliğinin nasıl değiştiğini inceleyen bir araç olan variogramı inceledi. Mevsimler ve iki on yıl boyunca yağış benzerliğinin mesafeyle nasıl azaldığını en iyi tanımlayan basit “dairesel” ve “doğrusal” matematiksel şekillerin olduğunu buldular; bu, ani sıçramalardan ziyade bölge çapında düzgün yağış sistemlerine işaret eder.

Rastgele Orman öne çıkıyor

Mekânsal yapı belirlendikten sonra, her makine öğrenimi yöntemi hibrit modelin regresyon motoru olarak sırasıyla test edildi. Yazarlar performansı hata standart ölçüleri ve modelin yağıştaki varyasyonun ne kadarını açıklayabildiğiyle değerlendirdi. Neredeyse tüm aylar ve her iki on yıl boyunca Rastgele Orman tabanlı yaklaşım en doğru ve istikrarlı haritaları üretti. Tahmin hatalarını polinom regresyona göre çok daha fazla azalttı ve özellikle yağışın en yoğun ve en değişken olduğu muson aylarında destek vektör makinelerini, sinir ağlarını ve diğer yöntemleri tutarlı şekilde geride bıraktı. Ortaya çıkan haritalar gerektiği yerde düzgün, ancak kuru ve yağışlı bölgeler arasındaki keskin kontrastları hâlâ yakalıyor ve belirsizlik göreceli olarak düşüktü.

Değişen yağış desenlerinin gösterdikleri

İki on yılı karşılaştırarak çalışma ayrıca yağış davranışının kaydığına dair işaretler gördü. Ortalama olarak, son on yıl (2011–2021) daha yağışlıydı ve özellikle ilkbaharda ve muson sırasında aylar arası ve yerler arası değişkenlik daha fazlaydı. Yağışın mekânsal yapısı daha yaygın hale gelmiş; bu da suyun nerede dağıtıldığında daha geniş dalgalanmalar olduğuna işaret ediyor. Önemli olarak, Rastgele Orman–kriging kombinasyonu hem daha ılıman olan önceki iklimi hem de daha değişken olan güncel dönemi doğruluk kaybetmeden ele aldı; bu da böyle esnek araçların ısınan, daha öngörülemez bir dünyaya uygun olduğunu düşündürüyor.

Haritalardan sahadaki kararlara

Günlük bağlamda makale, akıllı algoritmaların sınırlı yağış kayıtlarından daha fazla değer çıkarabileceğini ve veri kıtlığı olan bölgelerde bile faydalı yüksek çözünürlüklü haritalar üretebileceğini gösteriyor. Pakistan için bu haritalar sulama, rezervuar işletmeleri ve sel savunmalarının daha iyi planlanmasını destekleyebilir ve kuraklık veya sağanaklara en çok maruz kalan toplulukları belirlemeye yardımcı olabilir. Yazarlar çalışmalarının haritalama tekniklerine odaklanan bir kavram kanıtı olduğunu, henüz tam bir sel veya kuraklık erken uyarı sistemi olmadığını vurguluyorlar. Yine de sonuçları nettir: Rastgele Orman öncülüğündeki topluluk makine öğrenimi ile jeostatiksel haritalamanın birleştirilmesi, dünyadaki kurak ve yarı kurak alanlarda yağışın nasıl değiştiğini izlemek için güçlü ve pratik bir yol sunar.

Atıf: Manaf, M., Ali, Z. & Scholz, M. Integrating random forest-based regression kriging for analyzing spatial variability of rainfall in arid and semi-arid regions. Sci Rep 16, 5298 (2026). https://doi.org/10.1038/s41598-026-36074-4

Anahtar kelimeler: yağış haritalaması, rastgele orman, regresyon kriging, Pakistan iklimi, su kaynakları