Rainfall forecasting is crucial to making decisions, managing irrigation resources, and
agriculture, and even predicting floods. Mediterranean rain regime is effective on Turkish
Republic of Northern Cyprus (TRNC). The use of machine learning methods is widespread
in many fields, including engineering, agriculture, transportation, and for the prediction.
Several machine learning procedures were used in this study to build daily rainfall prediction
models, including Decision Trees, Random Forests, Bagging Regressions, and Stacking
Regressions. Five climatic parameters, average temperature, specific humidity, relative
humidity, wind speed, and wind direction datasets were compiled on daily bases from 1995 to
2022 and used as input parameters after training and test phases. A comparison between the
actual rainfall data gathered from NASA and the predicted outcome rainfall data from the
machine learning models were used to determine the appropriate model which was having
maximum accuracy and minimum error. In order to evaluate them, the statistical measures, R2,
MSE, and MAE were used. It is determined that, the two most accurate models for predicting
daily rainfall as a whole of TRNC, were Stacking Regression, and Random Forest with R2, 95.66,
and 95.43, MSE 0.0428 and 0.045, and MAE 0.0821 and 0.0891, respectively. By applying the
similar approach, based on the selected meteorological station as a representative for each region
of TRNC, two appropriate machine learning models were found to be the best two fitted models
that are Stacking Regression and Bagging Regression.
ÖZ:
Yağış tahmini, kararlar almak, sulama kaynaklarını ve tarımı yönetmek ve hatta selleri tahmin
etmek için çok önemlidir. Kuzey Kıbrıs Türk Cumhuriyeti (KKTC) Akdeniz yağış rejimi
etkisindedir. Makine öğrenimi yöntemlerinin kullanımı, mühendislik, tarım, ulaşım ve
tahmin için olmak üzere birçok alanda yaygındır. Rastgele Ormanlar, Torbalama Regresyonları
ve İstifleme Regresyonları dahil olmak üzere günlük yağış tahmin modelleri oluşturmak için
literatürde çeşitli makine öğrenimi prosedürleri kullanılır. Beş iklim parametresi, ortalama
sıcaklık, özgül nem, bağıl nem, rüzgar hızı ve rüzgar yönü veri setleri, 1995'ten 2022'ye
kadar günlük olarak derlendi ve eğitim ve test aşamalarından sonra girdi parametreleri
olarak kullanıldı. NASA'dan toplanan gerçek yağış verileri ile makine öğrenimi
modellerinden tahmin edilen sonuç yağış verileri arasındaki karşılaştırma, maksimum
doğruluk ve minimum hataya sahip uygun modeli belirlemek için kullanıldı. Bunları
değerlendirmek için istatistiksel ölçümler, R
2
, MSE ve MAE kullanıldı. KKTC genelinde
günlük yağış tahmininde en doğru iki modelin sırasıyla R
2 95.66 ve 95.43, MSE 0.0428
ve 0.045 ve MAE 0.0821 ve 0.0891 ile İstifleme Regresyonu ve Rastgele Orman olduğu
belirlenmiştir. Benzer yaklaşım uygulanarak, temsili olarak seçilen meteoroloji
istasyonuna dayalı olarak KKTC'nin her bir bölgesini temsilen seçilen meteoroloji
istasyonuna dayalı olarak iki uygun makine öğrenme modelinin İstifleme Regresyonu ve
Torbalama Regresyonu olduğu bulundu.
