İklim değişikliği projeksiyonu ve bunun olası senaryolarının su kaynaklarına etkisi: Dicle-Fırat alt havzası örneği

Dünyanın iklim sistemi benzeri görülmemiş dönüşümlerden geçerken, iklim değişikliği ile su kaynakları arasındaki karmaşık etkileşimi anlamak, olağanüstü bir bilimsel arayış olarak ortaya çıkmaktadır. Bu çalışmada Fırat ve Dicle alt havzalarındaki iklim değişikliği etkilerin incelemek için 23 meteorolojik ve 11 Hidrolojik istasyondan elde edilmiş farklı yılları kapsayan akış, yağış, sıcaklık, nisbi nem ve buharlaşma değişkenlerin ilk olarak Mann-Kendall (M-K), Spearman Rho (SR) ve Yenilikçi Trend Analizi (ITA) yöntemleri ile eğilimleri incelenmiştir. Bu şekilde trend varlıkları hakkında detaylı bilgiler elde edilerek istasyonların geçmişten günümüze kadar, günümüzden de ileriki yıllar da nasıl değişeceği konusunda fikir sahibi olunmuştur. Daha sonra çalışma alanındaki istasyonların. ani değişimlerini saptamak için Sıralı Mann-Kendall (SMK) ve Cusum testleri uygulanmıştır. İkinci olarak çalışma alanındaki istasyonların aylık, 3 aylık ve 12 aylık SP, SPEI ve SDI meteorolojik ve hidrolojik kuraklık indeksleri tespit edilmiştir. Bu istasyonların kuraklık indekslerinin trend analizleri yapılarak istasyonların kuraklığı hakkında detaylı bilgiler elde edilmiştir. Ayrıca bu indeksler arasındaki korelasyonlar incelenerek aralarındaki ilişkiler belirlenmiştir. Üçüncü olarak GFDL-ESM2M, HadGEM2-ES, MPI-ESM-MR küresel iklim modellerinin RCP 4.5 ve RCP 8.5 senaryoları için meteorolojik verilerin için projeksiyon haritaları üretilmiştir. Bu haritalar üretilirken tahmin verileri ile çalışıldığı için daha doğru projeksiyon haritalarının üretilmesi amacıyla çalışma alanı dışındaki illere ait istasyon verileri de kullanılmıştır. Son olarak Çok Katmanlı Algılayıcı (MLP), Rasgele Orman (RF), Destek Vektör Makinası (SVM) gibi makine öğrenmesi yöntemleri kullanılarak öncelikli olarak gözlemlenen yıllardaki meteorolojik verilerin bağımsız, akış verisinin bağımlı değişken olduğu modeller kurularak en yüksek doğruluk veren model belirlenmiştir. Ardından yağış, sıcaklık, buharlaşma ve nem projeksiyon verileri girdi olarak kullanılarak akış verisi çıktı olarak tahmin edilmiştir. Bu şekilde akışın gelecekteki değeri ortaya konarak su varlıklarının kullanımının gelecekte daha doğru planlanması amacına katkı sağlanmıştır.

As the Earth's climate system undergoes unprecedented transformations, understanding the complex interplay between climate change and water resources emerges as an extraordinary scientific pursuit. In this study, in order to examine the effects of climate change on the Euphrates and Tigris sub-basins, flow, precipitation, temperature, relative humidity and evaporation variables covering different years obtained from 23 meteorological and 11 hydrological stations were firstly analyzed by Mann-Kendall (M-K), Spearman Rho (SR) and Innovative. Trends were examined using Trend Analysis (ITA) methods. In this way, detailed information about trend assets is obtained and an idea is obtained about how the stations will change from past to present and in the coming years. Then the stations in the work area. Sequential Mann-Kendall (SMK) and Cusum tests were applied to detect sudden changes. Secondly, monthly, 3-month and 12-month SP, SPEI and SDI meteorological and hydrological drought indices of the stations in the study area were determined. By making trend analyzes of the drought indices of these stations, detailed information about the drought of the stations was obtained. In addition, the correlations between these indices were examined and the relationships between them were determined. Thirdly, projection maps were produced for meteorological data for RCP 4.5 and RCP 8.5 scenarios of GFDL-ESM2M, HadGEM2-ES, MPI-ESM-MR global climate models. Since we worked with forecast data while producing these maps, station data from provinces outside the study area were also used in order to produce more accurate projection maps. Finally, by using machine learning methods such as Multi-Layer Perceptron (MLP), Random Forest (RF), Support Vector Machine (SVM), the model with the highest accuracy was determined by establishing models in which the meteorological data in the observed years were independent and the flow data was the dependent variable. Then, rainfall, temperature, evaporation and humidity projection data were used as input and flow data was predicted as output. In this way, the future value of the flow is revealed, contributing to the aim of more accurately planning the use of water assets in the future.