Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques

Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri

Tez No: 944673
Yazar: KÜBRA KÜLLAHCI
Danışmanlar: PROF. DR. ABDÜSSELAM ALTUNKAYNAK
Tez Türü: Doktora
Konular: İnşaat Mühendisliği, Civil Engineering
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2025
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
Bilim Dalı: Hidrolik ve Su Kaynakları Mühendisliği Bilim Dalı
Sayfa Sayısı: 200

Özet

Yağış, su döngüsünün sürekliliğini sağlayarak ekosistemlerin dengesini koruyan, su kaynaklarının yenilenmesini destekleyen ve hidrolojik sistemlerin işleyişini belirleyen temel bir hidro-meteorolojik süreçtir. Yüzey ve yer altı su kaynaklarının beslenmesini sağlarken, akarsu rejimlerini düzenleyerek havza ölçeğinde su bütçesinin dengelenmesine katkıda bulunur. Hidrolik açıdan ele alındığında, yağış miktarı ve mekânsal-zamansal değişkenliği, akış süreçlerini şekillendirerek taşkın oluşum mekanizmalarını etkiler, aynı zamanda su yapılarının tasarım ve işletme kriterlerini belirler. Yoğun ve ani yağış olayları, yüzey akışını artırarak taşkın riskini yükseltirken, uzun süreli düşük yağış dönemleri su kaynakları üzerindeki baskıyı artırarak kuraklık yönetiminde önemli zorluklar yaratmaktadır. Bu durum, su kaynaklarının sürdürülebilir yönetimini ve hidrolojik sistemlerin dinamik yapısını anlamaya yönelik kapsamlı analizleri zorunlu kılmaktadır. Türkiye'nin farklı coğrafi ve iklimsel koşulları göz önüne alındığında, yağışın hidrolojik süreçler üzerindeki bu etkileri bölgesel ölçekte belirgin farklılıklar göstermektedir. Son yıllarda, yağış rejimlerindeki değişimler hidrolojik denge üzerinde önemli etkiler yaratmış, özellikle taşkın, kuraklık ve yer altı su seviyelerindeki dalgalanmalar dikkat çekici boyutlara ulaşmıştır. Örneğin, Türkiye'de 2000-2023 yılları arasında meydana gelen taşkın olaylarının %60'ından fazlası ani ve yoğun yağışlarla ilişkilendirilmiş, bu olayların büyük bir kısmı kısa sürede yüksek debili yüzey akışı oluşturarak yerleşim alanlarında su baskınlarına neden olmuştur. Öte yandan, uzun süreli kurak dönemlerin sıklığı ve süresi artış göstermektedir. Türkiye'de son 50 yıl içinde yaşanan büyük kuraklık olaylarının %70'inin yağış eksikliğine bağlı olduğu belirlenmiştir. Özellikle tarımsal üretim açısından kritik öneme sahip olan bölgelerde yıllık yağıştaki %10-15'lik bir azalma, toprak nem seviyelerinin düşmesine ve sulama ihtiyacının artmasına neden olmaktadır. Bunun sonucunda, su kaynakları üzerindeki baskı giderek artmakta ve yer altı suyu seviyelerinde uzun vadeli azalmalar gözlemlenmektedir. Ayrıca, yağış rejimlerindeki değişkenlik nedeniyle yer altı su seviyelerinde dalgalanmalar meydana gelmiş, son yıllarda bazı bölgelerde yer altı su seviyelerinin yıllık ortalama 1-2 metre düştüğü rapor edilmiştir. Bu durum, tarımsal sulama için kullanılan su kaynaklarının azalmasına ve bazı bölgelerde tuzlanma gibi hidrojeolojik bozulmaların ortaya çıkmasına neden olmaktadır. Geleceğe yönelik projeksiyonlar, yağış dinamiklerindeki bu dalgalanmaların süreceğini ve taşkın kuraklık döngüsünün giderek daha belirgin hale geleceğini göstermektedir. Bu nedenle, kısa ve uzun vadeli yağış tahminlerindeki hassasiyet, dayalı hidrolojik analizler ve sürdürülebilir su yönetimi stratejileri, mevcut ve gelecekteki su kaynakları planlaması açısından kritik bir gereklilik haline gelmiştir. Bu nedenle bu tez kapsamında Türkiye'nin farklı bölgelerindeki karmaşık yağış dinamiklerini daha iyi anlamak ve tahmin doğruluğunu maksimize etmek amacıyla yenilikçi ve veri odaklı yöntemler geliştirilmiştir. Yağış tahminlerinin kısa ve uzun vadede doğruluğunu artırmak amacıyla, analizler günlük, aylık ve saatlik olmak üzere farklı zaman ölçeklerinde gerçekleştirilmiş, böylece yağış dinamiklerinin zamansal değişkenliği daha ayrıntılı bir şekilde değerlendirilmiştir. Bu tez kapsamında yer alan araştırma makalelerinde, gelişmiş sinyal ayrıştırma teknikleri, havza ölçeğinde mekansal bağımlılıkları dikkate alan ön işleme yöntemleri ve yüksek seviyeli ayrıştırma teknikleri, tahmin doğruluğunu artırmak için bağımsız olarak uygulanmıştır. Bu metodolojiler, veri gösterimlerini sistematik olarak iyileştirmek, kritik desenlerin çıkarılmasını sağlamak ve farklı ölçeklerde model performansını optimize etmek için tasarlanmıştır. Her bir yöntem, birden fazla analitik bakış açısını bir araya getirerek yalnızca yağış tahminlerinin doğruluğunu artırmakla kalmamış, aynı zamanda su kaynaklarının yönetiminde daha bilinçli kararlar alınmasının desteklenmesi amaçlanmıştır. Tez kapsamında yayımlanan ilk araştırma makalesi, günlük yağış verilerinin tahminine odaklanmıştır. Çalışmada, günlük yağış tahminlerinin doğruluğunu artırmak amacıyla veri ön işleme sürecinde üç farklı gelişmiş sinyal ayrıştırma yöntemi bağımsız olarak uygulanmıştır: Tekil Spektrum Analizi (SSA), Ayrık Dalgacık Dönüşümü (DWT) ve Deneysel Mod Ayrıştırması (EMD). Bu yöntemler, verideki kritik bilgilerin filtrelenmesini ve işlenmesini kolaylaştırırken, gürültünün azaltılması, temel eğilimlerin belirlenmesi, ani değişimlerin tespiti ve bileşenlerin ayrı ayrı işlenmesi gibi önemli avantajlar sunarak modelin tahmin doğruluğunu ve sağlamlığını artırmak için tasarlanmıştır. Çalışmada, sinyal ayrıştırma süreci bulanık mantık yaklaşımıyla entegre edilerek günlük yağış tahmin doğruluğunun iyileştirilmesi hedeflenmiştir. Bu kapsamda, sinyal ayrıştırma tekniklerinin yağış verileri üzerindeki etkileri analiz edilerek, bulanık mantık tabanlı entegrasyonun tahmin performansına katkısı detaylı bir şekilde ortaya konmuştur. İlk çalışmada, farklı sinyal ayrıştırma yöntemlerinin tahmin performansı üzerindeki etkisi analiz edilmekle birlikte, yalnızca tek bir tahmin algoritması kullanılmıştır. İlk çalışmada, farklı sinyal ayrıştırma yöntemlerinin tahmin performansına etkisi incelenirken, yalnızca tek bir tahmin algoritması kullanılmıştır. Ancak, bu tez kapsamında yayımlanan ikinci araştırma makalesinde, sinyal ayrıştırma yöntemlerinin çeşitlendirilmesinin yanı sıra, sinyal ayrıştırma sürecinin farklı tahmin algoritmalarının performansı üzerindeki etkisi de kapsamlı bir şekilde analiz edilmiştir. Bu doğrultuda, genişletilmiş bir karşılaştırmalı analiz gerçekleştirilmiş ve farklı kombinasyonların tahmin doğruluğuna olan katkısı detaylı olarak değerlendirilmiştir. Bu çalışmada, günlük yağış tahmini için Maksimum Örtüşmeli Ayrık Dalgacık Dönüşümü (MODWT) ve Ayrık Dalgacık Dönüşümü (DWT) olmak üzere iki farklı sinyal ayrıştırma yöntemi kullanılmıştır. Bu yöntemler, altı farklı makine öğrenimi algoritmasıyla entegre edilerek, veri ön işleme sürecinin tahmin doğruluğuna olan etkisi kapsamlı bir şekilde incelenmiştir. Böylece, farklı sinyal ayrıştırma yaklaşımlarının ve tahmin algoritmalarının birlikte kullanılmasıyla elde edilen performans iyileştirmeleri karşılaştırılmış, en verimli model kombinasyonları belirlenmiştir. Her bir sinyal ayrıştırma yönteminin tahmin algoritmalarıyla etkileşimi detaylı olarak analiz edilmiş ve belirli koşullar altında hangi kombinasyonların daha yüksek doğruluk sağladığı ortaya konmuştur. Bu doğrultuda, en verimli model yapılarını belirlemek gerçekleştirilmiş amacıyla kapsamlı istatistiksel değerlendirmeler ve performans ölçütleri doğrultusunda model çıktıları karşılaştırılmıştır. Sonuç olarak, sinyal ayrıştırma süreçlerinin tahmin doğruluğuna olan etkisi derinlemesine incelenmiş, en uygun model yapılandırmaları belirlenmiş ve bu bulguların ileriye dönük tahmin çalışmalarında nasıl değerlendirilebileceğine dair çıkarımlar yapılmıştır. Önceki iki çalışmada, noktasal bazlı tahminler gerçekleştirilmiş ve veri ön işleme süreci sinyal ayrıştırma yöntemleri kullanılarak uygulanmıştır. Ancak tez kapsamında yayımlanan üçüncü makalede, yalnızca tekil istasyon verilerine dayalı analizlerin ötesine geçilmiş, farklı istasyonlar arasındaki zamansal ve mekânsal ilişkileri dikkate alan bütüncül bir yaklaşım geliştirilmiş ve aylık yağış tahmin analiz süreci daha kapsamlı hale getirilerek zenginleştirilmiştir. Bu kapsamda, doğrusal cebirin güçlü bir aracı olan tekil değer ayrıştırması (SVD) ile türetilen ve“eigen zaman serisi”olarak adlandırılan yeni bir yaklaşım sunulmuştur. Çalışmada, havza genelinde aylık yağış tahmin performansını artırmak amacıyla yeni bir Eigen zaman serisi modeli oluşturulmuş ve tekil istasyon verileri yerine, havzanın genel hidrolojik dinamiklerini temsil eden bütünleşik bir veri yapısı elde edilmiştir. Bu doğrultuda, 40 farklı istasyonun aylık toplam yağış desenleri tek bir Eigen zaman serisi ile modellenmiş, ardından bu modelin çıktıları İstifleme Topluluk yöntemi ile işlenerek tahmin doğruluğunun maksimize edilmesi hedeflenmiştir. Önerilen yaklaşımın, mekânsal bağımlılıkları dikkate alarak havzanın genel hidrolojik davranışını daha doğru ve kararlı bir şekilde modelleyen yenilikçi bir çerçeve sunması amaçlanmaktadır. Özellikle, Eigen zaman serisi yöntemi literatürde ilk kez bu çalışmada kullanılarak aylık hidrometeorolojik tahminlere uygulanmıştır. Böylece, geleneksel noktasal tahmin modellerinin sınırlamalarının ötesine geçilerek geniş ölçekli aylık hidrolojik tahminlerde hem doğruluk hem de genelleştirilebilirlik açısından önemli kazanımlar sağlanmıştır. Tez kapsamında hazırlanan dördüncü makalede, saatlik yağış tahmin doğruluğunu artırmak amacıyla gelişmiş bir ayrıştırma tekniği ile derin öğrenme tabanlı bir yaklaşım entegre edilerek kapsamlı bir analiz gerçekleştirilmiştir. Bu çalışmada, yağış zaman serisinin daha etkin modellenmesi ve tahmin performansının iyileştirilmesi için Permütasyon Entropisi (PE) tarafından yönlendirilen ileri seviye bir ayrıştırma yöntemi olan İkincil Ayrıştırma tekniği, güçlü bir derin öğrenme modeli olan WaveNet algoritması ile birleştirilmiştir. Önerilen yöntemde, PE kullanılarak yağış zaman serisinin en karmaşık bileşenleri belirlenmiş, bu bileşenler İkincil Ayrıştırma tekniği ile detaylı bir şekilde ayrıştırılarak daha iyi tanımlanabilir alt seriler oluşturulmuştur. Bu ayrıştırılmış alt seriler, WaveNet modeli ile ayrı ayrı tahmin edilerek elde edilen sonuçlar yeniden birleştirilmiş ve böylece saatlik yağış zaman serisinin daha doğru ve kararlı bir şekilde modellenmesi sağlanmıştır. Çalışma kapsamında, ileri seviye ayrıştırma tekniklerinin derin öğrenme yaklaşımlarıyla entegrasyonunun yağış tahmin süreçlerine nasıl katkı sağlayabileceği kapsamlı bir şekilde analiz edilmiştir. Tez kapsamında yayımlanan birinci makalenin bulguları, sinyal ayrıştırma teknikleriyle veri ön işleme tabi tutulan modellerin günlük yağış tahmininde, bağımsız modellere kıyasla üstün performans sergilediğini ortaya koymuştur. Özellikle, Tekil Spektrum Analizi (SSA) ile entegre edilen bulanık modelin, diğer yöntemlere kıyasla daha yüksek tahmin doğruluğu sağladığı tespit edilmiştir. Bu bulgular, sinyal ayrıştırma tekniklerinin yağış tahmini süreçlerinde veri yapısını daha etkin bir şekilde temsil ederek model performansını önemli ölçüde artırabileceğini göstermektedir. Tez kapsamında yayımlanan ikinci makalenin bulguları, önerilen hibrit MODWT modellerinin tüm istasyonlarda 3 güne kadar tahmin doğruluğunda önemli bir iyileşme sağladığını göstermiştir. Ayrıca, MODWT ayrıştırma yönteminin, çalışmada kullanılan altı farklı algoritmadan elde edilen tutarlı ve güçlü performans sonuçlarıyla doğrulandığı gibi, geniş bir yelpazedeki makine öğrenimi algoritmalarıyla yüksek uyumluluk gösterdiği belirlenmiştir. Bu bulgu, veri ön işlemenin tahmin modellerinin başarısındaki kritik rolünü açıkça ortaya koymaktadır. Özellikle MODWT yöntemi, zaman serisi verilerinin yapısal özelliklerini daha iyi temsil ederek gürültüyü azaltmış ve modelin temel eğilimleri daha etkin bir şekilde öğrenmesine olanak tanımıştır. Ayrıca, yağış tahmininde sistematik bir çerçeve sunarak model seçim sürecine bilimsel bir temel kazandırmıştır. Bu sayede, farklı tahmin algoritmalarında istikrarlı ve güvenilir performans elde edilerek, daha doğru ve etkili tahmin modellerinin geliştirilmesine önemli bir katkı sunulmaktadır. Tez kapsamında yayımlanan üçüncü araştırma makalesinde elde edilen bulgular, yağış tahmini alanında önemli bir ilerleme sunarak, mevcut tahmin yöntemlerine kıyasla daha yüksek doğruluk ve güvenilirlik sağlayan yeni bir yaklaşım ortaya koymaktadır. Eigen zaman serisinin modelleme sürecine entegrasyonu, yağış tahmini araştırmalarında yenilikçi bir gelişme sağlamıştır. SVD algoritması kullanılarak türetilen bu zaman serisi, veri içindeki temel desenleri ve zamansal bağımlılıkları etkin bir şekilde yakalayarak modelin tahmin performansını önemli ölçüde artırmıştır. Özellikle istifleme topluluk yöntemi ile farklı model yapılarının entegrasyonu, uzun vadeli yağış tahminlerinde güvenilir ve yüksek doğruluk sağlayan güçlü bir tahmin platformu oluşturmuştur. Bu yöntem, bölgesel su kaynakları yönetimi stratejileri için de önemli bir potansiyel sunmaktadır. Çalışmanın etkileri, yalnızca anlık tahmin doğruluğunu artırmakla sınırlı kalmamış, aynı zamanda tek bir girdiyle bir havzadaki tüm izleme istasyonlarından elde edilen yağış desenlerinin öğrenilebileceğini göstermiştir. Bu bulgu, yalnızca yağış tahmin yöntemlerinin geliştirilmesi açısından değil, aynı zamanda daha geniş kapsamlı hidrolojik tahmin çalışmalarında da yeni bir paradigma sunmaktadır. Tez çalışması kapsamında hazırlanan dördüncü makalesinde elde edilen bulgular, saatlik yağış zaman serilerinin karmaşık ve doğrusal olmayan özelliklerini ele almak amacıyla geliştirilen yenilikçi bir teknik olan İkincil ayrıştırma tekniğinin etkinliğini ortaya koymaktadır. Çalışmada, Tekil Spektrum Analizi (SSA), Permütasyon Entropisi (PE) ve WaveNet derin öğrenme çerçevesi entegre edilerek, özellikle ikincil ayrıştırma süreci ile modelin tahmin performansının önemli ölçüde artırıldığı belirlenmiştir. PE ile yönlendirilen bu ayrıştırma süreci, en karmaşık alt serilerin belirlenmesini ve daha ayrıntılı bir şekilde analiz edilmesini sağlayarak yağış dinamiklerinin daha iyi temsil edilmesine ve tahmin doğruluğunun iyileştirilmesine katkıda bulunmuştur. Önerilen modelin farklı istasyonlar ve zaman ufuklarında tutarlı bir şekilde üstün tahmin performansı sergilemesi, modelin farklı zaman ölçeklerine uyum sağlama yeteneğini ve dayanıklılığını vurgulayarak güvenilir bir tahmin çerçevesi sunduğunu kanıtlamıştır. Bütüncül bir bakış açısıyla değerlendirildiğinde, bu tez kapsamında farklı zaman ölçeklerinde kapsamlı bir yağış tahmin analizi gerçekleştirilmiş, tahmin doğruluğunu artırmaya yönelik yenilikçi yöntemler geliştirilmiş ve elde edilen bulgular bilimsel yayınlarla desteklenmiştir. Bu yayınlar ve ortaya konan bulgular, yalnızca ülkemiz için değil, küresel ölçekte de su yönetimi, taşkın ve kuraklık risklerinin azaltılması, iklim değişikliğine uyum ve afet yönetimi stratejileri açısından önemli bir katkı sunmaktadır. Geliştirilen yöntemler, hidrolojik süreçlerin daha iyi anlaşılmasını sağlarken, gelecekte alınacak kararlar için bilimsel bir temel oluşturmakta ve sürdürülebilir su kaynakları yönetimine yönelik yol gösterici bir çerçeve oluşturacağına inanılmaktadır.

Özet (Çeviri)

Precipitation is a key driver of the hydrological cycle, sustaining ecosystems, regulating surface and groundwater systems, and shaping river flow regimes. Its magnitude and variability directly influence flood and drought occurrences, as well as runoff dynamics. From a hydraulic perspective, it affects the design and operation of water infrastructure and is central to effective resource planning. With increasing climate variability, extreme precipitation events have become more frequent, posing growing risks to urban areas, agriculture, and water security. Turkey's diverse climatic and geographic conditions result in significant regional variability in precipitation patterns. Between 2000 and 2023, over 60% of recorded flood events were triggered by sudden and intense rainfall, leading to high surface runoff and severe urban flooding. Simultaneously, the frequency and duration of droughts have increased, with nearly 70% of major droughts over the past 50 years linked to prolonged precipitation deficits. These shifts have caused reduced soil moisture, greater irrigation demands, and groundwater declines of up to 1–2 meters annually in some regions—posing threats to both agricultural productivity and groundwater quality through issues like salinization. These challenges highlight the urgent need for region-specific analyses and accurate precipitation forecasting tools. This dissertation addresses this need by developing innovative, data-driven methods to improve forecasting accuracy and better capture the complex hydrological dynamics across Turkey, ultimately supporting more resilient and adaptive water resource management strategies.To improve precipitation forecast accuracy across different timescales, analyses have been conducted at daily, monthly, and hourly temporal resolutions, thereby enabling a more comprehensive assessment of the temporal variability of precipitation dynamics. Within the scope of this thesis, the research articles employed advanced signal decomposition techniques, pre-processing methods that account for spatial dependencies at the watershed scale, and high-level decomposition approaches, all independently applied to enhance prediction accuracy. These methodologies were designed to systematically improve data representation, facilitate the extraction of critical patterns, and optimize model performance across different scales. Each method integrates multiple analytical perspectives, not only enhancing the accuracy of rainfall predictions but also supporting more informed decision-making in water resource management. The first research article published within the scope of this thesis focused on the prediction of daily rainfall data. In the study, three different advanced signal decomposition methods were independently applied in the data pre-processing stage to improve the accuracy of daily rainfall predictions: Singular Spectrum Analysis (SSA), Discrete Wavelet Transform (DWT), and Empirical Mode Decomposition (EMD). These methods were designed to facilitate the filtering and processing of critical information while offering key advantages such as noise reduction, trend identification, detection of abrupt changes, and the independent processing of components, ultimately enhancing the predictive accuracy and robustness of the model. In the study, the signal decomposition process was integrated with a fuzzy logic approach to improve daily rainfall prediction accuracy. Within this scope, the effects of signal decomposition techniques on rainfall data were analysed, and the contribution of fuzzy logic-based integration to prediction performance was detailed comprehensively. In the first study, while the impact of different signal decomposition methods on prediction performance was examined, only a single prediction algorithm was employed. However, in the second research article published within the scope of this thesis, in addition to diversifying signal decomposition methods, the effect of the signal decomposition process on the performance of different prediction algorithms was comprehensively analysed. In this context, an extended comparative analysis was conducted, and the contribution of various combinations to prediction accuracy was evaluated in detail. In this study, two different signal decomposition methods—Maximum Overlap Discrete Wavelet Transform (MODWT) and Discrete Wavelet Transform (DWT)—were utilized for daily rainfall prediction. These methods were integrated with six different machine learning algorithms, enabling a thorough investigation of the impact of the data pre processing process on prediction accuracy. Consequently, the performance improvements achieved through the combined use of different signal decomposition approaches and prediction algorithms were compared, and the most efficient model combinations were identified. The interaction between each signal decomposition method and the prediction algorithms was thoroughly analysed, and the combinations yielding higher accuracy under specific conditions were identified. Accordingly, comprehensive statistical evaluations were conducted to determine the most efficient model structures, and model outputs were compared based on performance metrics. Consequently, the impact of signal decomposition processes on prediction accuracy was examined in depth, optimal model configurations were identified, and insights were provided on how these findings could be leveraged in future forecasting studies. In the previous two studies, point-based predictions were conducted, and data Preprocessing was implemented using signal decomposition methods. However, in the third article published within the scope of this thesis, the analysis extended beyond single-station data, introducing a holistic approach that accounts for the temporal and spatial relationships among different stations. As a result, the monthly rainfall prediction analysis process was made more comprehensive and enriched. Within this framework, a novel approach termed the“eigen time series”was introduced, derived using singular value decomposition (SVD), a powerful tool in linear algebra. The study aimed to enhance monthly rainfall prediction performance across the basin by developing a new eigen time series model, replacing individual station data with an integrated data structure that represents the overall hydrological dynamics of the region. Accordingly, the monthly total rainfall patterns of 40 different stations were modelled using a single eigen time series. The outputs of this model were then processed using the Stacking Ensemble method to maximize prediction accuracy. The proposed approach is designed to provide an innovative framework that incorporates spatial dependencies, allowing for a more accurate and stable representation of the basin's overall hydrological behavior. Notably, the eigen time series method was applied to monthly hydrometeorological forecasting for the first time in this study. By overcoming the limitations of traditional point-based prediction models, this approach facilitated significant improvements in large-scale monthly hydrological predictions, yielding notable advancements in both accuracy and generalizability. In the fourth article prepared within the scope of this thesis, a comprehensive analysis was conducted by integrating an advanced decomposition technique with a deep learning based approach to enhance the accuracy of hourly rainfall predictions. In this study, to achieve a more effective modeling of the rainfall time series and improve prediction performance, an advanced decomposition method—Secondary Decomposition— guided by Permutation Entropy (PE) was combined with a powerful deep learning model, the WaveNet algorithm. In the proposed method, PE was utilized to identify the most complex components of the rainfall time series. These components were then thoroughly decomposed using the Secondary Decomposition technique to generate more distinguishable subseries. This decomposed subseries was individually predicted using the WaveNet model, and the resulting forecasts were subsequently recombined, ensuring a more accurate and stable representation of the hourly rainfall time series. Within the scope of this study, the contribution of integrating advanced decomposition techniques with deep learning approaches to rainfall forecasting processes was comprehensively analysed. The articles produced within the scope of this thesis collectively demonstrate the pivotal role of data preprocessing and hybrid modeling in enhancing rainfall forecasting accuracy across different temporal scales. The first study showed that models incorporating signal decomposition outperformed standalone models in daily rainfall prediction. Notably, the fuzzy model integrated with Singular Spectrum Analysis (SSA) achieved the highest accuracy, underscoring the benefit of decomposing complex rainfall signals into more structured subcomponents for improved model learning. The second study revealed that hybrid models utilizing the Maximal Overlap Discrete Wavelet Transform (MODWT) significantly enhanced multi-day prediction performance at all stations. MODWT proved effective across six different machine learning algorithms, confirming its robustness and adaptability. By reducing noise and improving the structural representation of time series, MODWT facilitated more effective trend extraction and model training. The third study introduced a novel forecasting framework based on the integration of eigen time series derived via Singular Value Decomposition (SVD) and a stacking ensemble approach. This method not only improved long-term prediction accuracy but also demonstrated that rainfall patterns across entire watersheds can be reliably forecasted using inputs from a single monitoring station—offering a scalable strategy for regional water resource planning. The fourth study proposed a secondary decomposition-based deep learning model that combined SSA, permutation entropy (PE), and WaveNet. By identifying and further analyzing the most complex subseries, this approach significantly improved hourly rainfall prediction performance. Its consistent success across stations and forecasting horizons highlights both its robustness and adaptability to non-linear, high-frequency hydrological processes. Together, these findings contribute a comprehensive, data-driven framework for accurate and scalable rainfall forecasting, advancing the field toward more resilient hydrological planning and management. This thesis presents a multi-scale rainfall forecasting analysis supported by innovative methods to enhance prediction accuracy. The validated findings contribute to water management, disaster risk reduction, and climate adaptation, both nationally and globally. The proposed approaches improve understanding of hydrological processes and offer a scientific basis for future decision making in sustainable water resource management.

Benzer Tezler

Tez No
864195
Adana ve çevre illeri kapsayan havalimanlarında meydana gelen gök gürültülü fırtınaların zamansal ve mekansal analizi; 24 Aralık 2019 örnek olay çalışması
Temporal and spatial analysis of thunderstorms in airports covering Adana and surrounding provinces; 24 December 2019 case study
ESRA DAŞDEMİR
Yüksek Lisans
Türkçe
2024
Meteoroloji İstanbul Teknik Üniversitesi
Meteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ DENİZ
DOÇ. DR. EMRAH TUNCAY ÖZDEMİR
Tez No
368926
Advancement of satellite-based rainfall applications for basin-scale hydrologic modeling
Uydu-tabanlı yağış ölçümlerinin havza ölçekli hidrolojik modellemelerdeki gelişimi
YAĞMUR DERİN
Yüksek Lisans
İngilizce
2014
Jeoloji Mühendisliği Orta Doğu Teknik Üniversitesi
Jeoloji Mühendisliği Ana Bilim Dalı
YRD. DOÇ. KORAY KAMİL YILMAZ
Tez No
400159
Towards improved modeling for hydrologic predictions in poorly gauged basins
Başlık çevirisi yok
KORAY KAMİL YILMAZ
Doktora
İngilizce
2007
İnşaat Mühendisliği The University of Arizona
DR. HOSHİN GUPTA
Tez No
956911
Advanced genetic programming models for precipitation forecasting
Yağış tahmini için gelişmiş genetik programlama modelleri
NOORIA SULTANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Antalya Bilim Üniversitesi
Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALI DANANDEH MEHR
Tez No
402662
Evaluation of high-resolution satellite precipitation products in hydrologic simulations of northern latitude river basins
Başlık çevirisi yok
MUHAMMET ÖMER DİŞ
Doktora
İngilizce
2015
Biyoloji The University of Connecticut
DR. EMMANOUIL N. ANAGNOSTOU

Geri Dön