Yağış eğilimlerini anlamak, iklim değişikliğini ve su kaynakları ile afetlere karşı hazırlığı etkileyen faktörleri değerlendirmek için kritik öneme sahiptir. Bu çalışmada Çanakkale için Standart Yağış İndeksi'nin (SPI) uzun vadeli eğilimlerini analiz etmek amaçlanmıştır. 1929-2023 dönemine ait yağış verileri kullanılmıştır. SPI eğilimlerini değerlendirmek için Doğrusal Regresyon, Otoregresif Entegre Hareketli Ortalama (ARIMA) ve Uzun Kısa Vadeli Bellek (LSTM) ağları olmak üzere üç ayrı model kullanılmıştır. Doğrusal regresyon modeli, SPI değerlerinde kısa vadeli önemli dalgalanmalar göstermiştir ancak daha yağışlı veya daha kuru koşullara doğru net bir uzun vadeli eğilim ortaya koymamıştır. Durağanlık için optimize edilmiş ARIMA modeli, çalışma dönemi boyunca belirgin bir yön eğilimi olmaksızın nispeten istikrarlı yağış desenleri de önermiştir. Sıralı veri analizi için tasarlanan LSTM modeli, SPI değerlerinde karmaşık zamansal bağımlılıkları yakalamış ancak kalıcı uzun vadeli bir eğilim ortaya koymamıştır. Sonuçlar yağışta önemli yıllık değişkenliği ortaya koymaktadır. Bu bulgular, Çanakkale İli'ndeki iklim modellerinin karmaşıklığını vurgulamakta ve yağış eğilimlerini doğru bir şekilde değerlendirmek için çeşitli modelleme yaklaşımlarına olan ihtiyacı ortaya koymaktadır. Net bir yön eğiliminin olmaması, kısa vadeli iklim değişkenliğinin bölgedeki yağış modellerindeki uzun vadeli değişikliklerden daha önemli bir rol oynadığını göstermektedir. Bu çalışma, iklim tahmin yeteneklerini geliştirmek için gelişmiş modelleme tekniklerine yönelik daha fazla araştırma için bir temel sağlamıştır. Gelecekteki çalışmalar, iklim adaptasyon stratejileri ve su kaynakları yönetimi için çok önemli olan doğruluğu artırmak için hibrit ve topluluk yöntemlerini araştırmalıdır.
Understanding precipitation trends is critical for assessing climate change and its impacts on water resources, and disaster preparedness. In this study it was aimed to analyzes the long-term trends of the Standardized Precipitation Index (SPI) for Çanakkale. The precipitation data from a period of 1929 to 2023 was used. Three distinct models—Linear Regression, Autoregressive Integrated Moving Average (ARIMA), and Long Short-Term Memory (LSTM) networks—were employed to evaluate SPI trends. The linear regression model indicated significant short-term fluctuations in SPI values but did not reveal a clear long-term trend toward wetter or drier conditions. The ARIMA model, optimized for stationarity, also suggested relatively stable precipitation patterns, with no pronounced directional trend over the study period. The LSTM model, designed for sequential data analysis, captured complex temporal dependencies in SPI values but did not indicate a persistent long-term trend. Instead, the results highlighted substantial interannual variability in precipitation. These findings underscore the complexity of climate patterns in Çanakkale Province and emphasize the need for diverse modeling approaches to accurately assess precipitation trends. The lack of a clear directional trend suggests that short-term climate variability plays a more significant role than long-term changes in precipitation patterns in the region. This study provides a foundation for further research into advanced modeling techniques to enhance climate prediction capabilities. Future studies should explore hybrid and ensemble methods to improve accuracy, which is crucial for climate adaptation strategies and water resource management.
