Yağış tahmini için gelişmiş genetik programlama modelleri

Yağış tahmini, hidrolojik süreçlerin doğrusal olmayan ve dinamik doğası nedeniyle karmaşık bir zorluktur. Bu tez, kısa vadeli yağış tahmini için genetik programlama (GP) ile dalgacık (wavelet) tabanlı sinyal ayrıştırmayı birleştiren gelişmiş bir hibrit modelleme yaklaşımı önermektedir. Çalışmada, 2016–2023 yılları arasında Antalya, Türkiye'den alınan sıcaklık, nem, deniz seviyesi basıncı, rüzgar hızı, güneş radyasyonu ve yağış gibi meteorolojik değişkenleri içeren veri seti kullanılmıştır. Ham veriler, normalizasyon, eksik değerlerin giderilmesi ve aykırı değerlerin düzeltilmesi yoluyla ön işlemden geçirilmiştir. Ardından, çok ölçekli bileşenleri çıkarmak için hem ham hem de gecikmeli meteorolojik değişkenlere dalgacık ayrıştırması uygulanmıştır. Çalışmada, ham girdiler, gecikmeli özellikler ve dalgacıkla dönüştürülmüş verilerin çeşitli kombinasyonlarını kullanan GP modelleri geliştirilmiş ve değerlendirilmiştir. Model performansı, Ortalama Kök Kare Hata (RMSE) ve Nash-Sutcliffe Verimlilik Katsayısı (NSE) ile ölçülmüştür. Bulgular, dalgacık ayrıştırması kullanılmadan gecikmeli meteorolojik değişkenlerle eğitilen GP modelinin en iyi tahmin performansını gösterdiğini ortaya koymaktadır. Buna karşılık, dalgacık bileşenlerini entegre eden modeller, artan girdi karmaşıklığı nedeniyle daha düşük doğruluk sergilemiştir. Korelasyon analizine dayalı değişken seçimi ise model verimliliğini, doğruluktan ödün vermeden artırmıştır. Genel olarak, çalışma GP tabanlı modellerin yağış tahmininde güçlü bir potansiyele sahip olduğunu ve zamansal bilgilerin ve değişken seçiminin önemini vurgulamaktadır. Gelecek araştırmalarda, alternatif hibrit stratejiler ve gelişmiş değişken mühendisliği yöntemlerinin incelenmesi önerilmektedir. ANAHTAR KELIMELER: Genetik Programlama, Dalgacık Ayrıştırması, Yağış Tahmini, Sembolik Regresyon, Değişken Seçimi, Antalya