1950-2006 Yılları Arasındaki Türkiye

MIDDLE EAST TECHNICAL UNIVERSITY
DEPARTMENT OF STATISTICS
1950-2006 Yılları Arasındaki Türkiye
Yağış Verilerinin İşlenmesi ve
Tanımlayıcı Veri Madenciliği İle
Analizi
Özgür Asar, Elçin Kartal, Sipan Aslan, Muhammed Z.
Öztürk, Ceylan Yozgatlıgil, İsmail Çınar, İnci Batmaz,
Vilda Purutçuoğlu, Cem İyigün, Fidan M. Fahmi,
Gülser Köksal, Murat Türkeş, Hasan Tatlı
METU-STAT-Technical Report-2011- 1
October, 2011
DEPARTMENT OF STATISTICS
MIDDLE EAST TECHNICAL UNIVERSITY
ANKARA 06531 – TURKEY
TECHNICAL REPORT
© Middle East Technical University
1950-2006 Yılları Arasındaki Türkiye YağışVerilerininİşlenmesi
veTanımlayıcı Veri Madenciliği ile Analizi
Handling and analysis of Turkish precipitation data for the period 1950-2006
using descriptive data mining techniques
Özgür ASAR1*, Elçin KARTAL1, Sipan ASLAN1, Muhammed ÖZTÜRK2, Ceylan
YOZGATLIGİL1, İsmail ÇINAR3, Ceyda Yazıcı1, İnci BATMAZ1, Vilda
PURUTÇUOĞLU1, Cem İYİGÜN4, Fidan FAHMİ1,Gülser KÖKSAL4, Murat
TÜRKEŞ2
1
İstatistik Bölümü, Orta Doğu Teknik Üniversitesi, Ankara
Coğrafya Bölümü, Çanakkale Onsekiz Mart Üniversitesi, Çanakkale
3
Fethiye Ali Sıtkı Mefharet Koçman Meslek Yüksekokulu, Muğla Üniversitesi, Muğla
4
Endüstri Mühendisliği Bölümü, Orta Doğu Teknik Üniversitesi, Ankara
2
ÖZET
Öz:Çeşitli amaçlarla toplanan büyük veri kümelerinin analizi öncesinde kalitesini denetlemek ve özelliklerini
tanımak için ayrıntılı olarak inceleme yapılması çok önemlidir. Bu amaçla Veri Tabanlarında Bilgi Keşfi
(VTBK) süreci araştırmacılara pek çok yaklaşım sunmaktadır. Verilerin işlenmesi ve Tanımlayıcı Veri
Madenciliği (TVM) bu yaklaşımlardan bazılarıdır. Verilerin önişlemesi veri kalitesinin güvencesi olurken, TVM
araştırmalı veri analizi yöntemleri ile sonraki analizler için hipotezlerin üretilmesini sağlamaktadır. Devlet
Meteoroloji İşleri Genel Müdürlüğü (DMİGM) de ülkemizin her tarafına yayılmış olan meteoroloji
istasyonlarında ölçtüğü çeşitli klimatoloji ve meteoroloji değişkenlerini sayısal ortamda araştırmacıların
kullanımına sunmaktadır. ‘Yağış’ değişkeni bu parametrelerin en önemlilerinden birisidir. Bu çalışmada,
DMİGM tarafından 1950-2006 yılları arasında 277 meteoroloji istasyonunda kaydedilenaylık toplam yağış
verisiişlenerek, TVM ile analiz edilmiştir. Bu amaçla öncelikle 57 yıla yayılan verilerin toplanma, hazırlanma ve
önişlenmesi süreçlerine değinerek, kayıp ve aykırı gözlemler incelenmiş; tanımlayıcı istatistikleri ve ilgili
grafikleri sunulmuştur. Çalışmanın temel amacı klimatolojik vemeteorolojik verilerin kaydına ilişkin bazı
sorunlara dikkat çekmek; başarılı bir veri önişlemenin analizlere olan katkısının önemini ortaya koymak; bizi
daha sonraki araştırmalara yönlendirecek çeşitli hipotezlerin üretilmesini sağlamaktır. Sonuçlar, kayıp
gözlemlerin meteorolojik verinin önemli bir sorunu olduğunu, ayrıca istatistikler ve aykırı gözlemlerin eğilimi,
küresel iklim değişikliğinin Türkiye’yi de etkilediğini göstermektedir. Tüm bu belirtiler, Türkiye için yağış ve
iklim bölgeleri ile klimatolojik mevsimlerin yeniden gözden geçirilmesi gerektiğini açıkça ortaya koymaktadır.
Anahtar Kelimeler: Veritabanı, Bilgi keşfi, Veri önişleme, Kayıp veri, Aykırı gözlem, Meteoroloji istasyonları,
Türkiye.
Abstract: For voluminous datasets collected for general purposes, it is very important to carefully check the
quality and to understand the features of data before conducting any analysis on them. Knowledge Discovery in
Databases (KDD) process provides researchers various approaches for achieving this purpose. Data handling
and Descriptive Data Mining (DDM) are two such approaches. While data handling guarantees data quality,
DDM enables generating hypotheses to be analyzed with the help of exploratory data analysis methods. Turkish
State Meteorological Services (TSMS) also provides researches climatological and meteorological data
collected at various stations spread out the country recorded in a digital medium. ‘Precipitation’ variable is
among the most important ones. In this study, monthly total precipitation data recorded by TSMS at 277 stations
from 1950 to 2006 are handled and analyzed by using DDM methods. For this purpose, first, collection,
preparation and preprocessing of 57 years of data are explained, and missing and outlying observations are
examined. Then, descriptive statistics and related graphics are presented. The main aim of this study is to draw
the attention to the problems related to the climatological and meteorological data recording. In addition, it is
aimed to emphasize the importance of contribution of a successful data preprocessing for further data analysis.
*
İletişim yazarı: Ö. Asar, e-posta: [email protected]
Moreover, it is also aimed to generate hypotheses that will lead us to future studies. Results indicate that missing
data is an important problem of climatological and meteorological data. Besides, statistics and the trend of
extreme observations (outliers) indicate that the global climate change is most probably in effect in Turkey. All
of these indicators reveal that the precipitation and climate regions as well as climatological seasons of Turkey
should be reevaluated.
Keywords: Database, Knowledge discovery, Data preprocessing, Missing data, Outliers, Meteorological
stations, Turkey.
1.GİRİŞ
Hava, herhangi bir yerde ve zamandaki atmosfer koşullarının kısa süreli durumu olarak
tanımlandığında, iklim çok genel olarak bir yerdeki ortalama hava koşulları olarak
tanımlanabilir(Türkeş, 2010). Öte yandan, iklim tanımının, uzun süreli ve şiddetli hava
anomalilerine (sapmalara) bağlı olarak kaydedilen uç değerleri, onların istatistiksel oluşma
olasılıklarını ve tüm değişkenlik özelliklerini de içermesi gerekir. Bu yüzden, bu yaklaşım
dikkate alınarak, son yıllarda iklim, belirli bir alandaki hava koşullarının, atmosfer öğelerinin
değişkenlikleri ve ortalama değerleri gibi uzun süreli (geleneksel olarak 30 yıl ve daha fazla)
istatistikleri ile tanımlanan bireşimi olarak da tanımlanır olmuştur (örn. Tekeli vd., 2010;
Türkeş, 2008a, 2008b, 2010). Bu yeni tanımda geçen ‘bireşim’ terimi, ortalama teriminden
daha fazlasını içerir. Türkiye Akdeniz makroklima bölgesinde yeralmaktadır. Ülkenin güney
bölgeleri 40. enlemin altında olması dolayısıyla tropik iklime yakın, kuzey kesimleri ise
ılıman iklim özellikleri göstermektedir. Bunların yanısıra, Türkiye iklimi aşırı soğuk kış
koşulları ile aşırı sıcak ve kuru yaz koşulları arasında çok çeşitli bölgesel ve mevsimsel
değişiklikler göstermektedir (Türkeş, 2010). Ayrıca son zamanlarda küresel ısınma sonucu
dünyada oluşan aşırı yağışlar nedeniyle ortaya çıkan sel baskınları, kuraklık gibi doğal
felaketlerin Türkiye için de önemli bir tehdit oluşturduğu düşünülmektedir (örn. IPCC, 2007;
Türkeş, 2008a, 2008b; Türkeş ve Acar Deniz, 2010).
Genel atmosfer yapısını, iklimi ve iklimsel değişkenlik çeşitlerini belirleyebilmek için yağış,
sıcaklık, rüzgar, nem gibi çeşitli hava ve iklim öğelerinin uzun sürelerde gözlemlenmesi
gerekir (Türkeş, 2007). Ülkemizde bu işi Devlet Meteoroloji İşleri Genel Müdürlüğü
(DMİGM) 1920’li yılların ortalarından beri yapmakta olup, kendisine bağlı olan meteoroloji
istasyonlarında ölçtüğü çeşitli değişkenleri digital ortamda araştırmacıların kullanımına
sunmaktadır.Son zamanlarda Türkiye’de yapılan iklim çalışmalarındakullanılan veri kümeleri
genellikle 1970 yılı ve sonrasına ilişkin kayıtlarıiçermektedir. Bunun temel nedeni 1970 yılı
öncesinde kısıtlı sayıda meteoroloji istasyonunun bulunmasıdır. Bu çalışmada ise 1950
yılından itibaren 57 yıl kayıtlanmış veriler analiz edilmektedir. Yazarların bilgisinde olduğu
kadarı ile bu çalışmada en uzun kayıt süresine sahip Türkiye yağış verileri kullanılmaktadır.
Ayrıca, bu, şimdiye kadar Türkiye klimatolojik ve meteorolojik verilerini ‘Veri Tabanlarında
Bilgi Keşfi’ (VTBK) sürecini kullanarak inceleyen ilk çalışmadır.
VTBK süreci veride gizli olan “ilginç ve daha önce keşfedilmemiş” bilgileri araştırır (Fayyad
vd., 1996; Larose, 2005). Bu amaçla veri öncelikle uygun şekilde düzenlenerek, ön
işlemlerden geçirilir. Bu süreç, sonraki analizlerin başarısını belirleyen önemli bir aşamadır.
Veri önişlemeden sonra uygulanabilecek olan Veri Madenciliği (VM) yöntemleri ise genel
olarak iki başlıkta toplanmaktadır: Tanımlayıcı Veri Madenciliği (TVM) ve tahminleyici veri
madenciliği (THVM) (Dunham, 2003; Tan vd., 2006; Batmaz ve Köksal, 2010). TVM
“araştırmalı veri analizi” yöntemleri (Hoaglin vd., 1983) kullanarak incelenen veri kümesinin
genel özelliklerinin sunulmasını amaçlar. Özetleme, kümeleme, ilişki kuralı üretme bu
yöntemlerden bazılarıdır (Giudici, 2003; Martinez ve Martinez, 2002). THVM ise mevcut
veriden yararlanarak belli durumlarda ne sonuçlar alınabileceğini tahmin etmeye yönelik
modellerin geliştirilmesi ile ilgilenir. VM’den elde edilen analiz sonuçlarının yorumlanması
ve uygulanması ise VTBK’nın son iki önemli aşamasıdır.
Bu çalışmada, DMİGM tarafından 1950-2006 yılları arasında 277 meteoroloji istasyonunda
kaydedilen aylık toplam yağış verisi VTBK sürecinde tanımlı veri işleme ve TVM yöntemleri
ile incelenmiştir. Bu amaçla öncelikle 57 yıllık verilerin toplanma, hazırlanma ve önişlenmesi
süreçlerine değinerek, kayıp ve aykırı olanlar belirlenmiş; veriler ağırlıklı olarak çeşitli
istatistiksel ve grafiksel yöntemler yardımı ile özetlenmiştir. Burada, aykırı gözlem analizinde
sadece türdeş olduğu bilinen 188 istasyona ait veriler kullanılmıştır (Göktürk vd., 2008).
Bu çalışmanın birkaç temel amacı bulunmaktadır. Bunlardan birincisi klimatolojik ve
meteorolojik verilerin kaydına ilişkin bazı sorunlara ilgililerin dikkatini çekmek ve başarılı bir
veri önişlemenin sonraki analizlere olan katkısının önemini ortaya koymaktır. Örneğin,
verilerde genellikle açık olmayan istasyonlar nedeni ile uzun süreler kayıp olan gözlemlerin
incelenmesi ve bunların uygun bir şekilde tamamlanmasının araştırması, sonraki analizlerin
önemli bir ilk adımını içerir (Aslan vd., 2010; Yozgatlıgil vd., 2010). Çalışmanın diğer amacı
ise bizi daha sonraki araştırmalara yönlendirecek olan çeşitli hipotezlerin üretilmesini
sağlamaktır. Örneğin, ekstrem aykırı ya da uç gözlemlerin (aşırı az veya çok yağışların) ve
bunların yıllar içindeki değişimlerinin incelenmesi, küresel iklim değişikliğinin Türkiye
üzerindeki etkisinin araştırılmasına öncülük edebilecektir (Asar vd., 2011). Diğer taraftan,
bilinen coğrafi bölgelere ilişkin yağış özelliklerinin incelenmesi, yağış (Türkeş ve Tatlı, 2010)
ve iklim bölgelerinin değişimine ilişkin ipuçları verebilecektir(Fahmi vd., 2011). Bunların
yanısıra tanımlayıcı istatistikler yardımıyla belirlenen aykırı değerler, ileriki yıllarda
oluşabilecek doğal afetlerin önceden belirlenmesine yardımcı olacak erken uyarı sistemlerinin
geliştirilmesine de yardımcı olabilecektir (Burlando vd., 1993; Batmaz ve Köksal, 2010).
Makale dört bölümden oluşur. Bölüm 2’de VTBK süreci izlenerek Türkiye yağış verilerinin
toplanması, hazırlanması ve önişlenmesi aşamaları açıklanmaktadır. 1950-2006 yılları
arasında kayıtlı olan Türkiye yağış verilerinin TVM yöntemleri ile analizine ise Bölüm 3’te
yer verilmektedir. Çalışmanın sonuçlarına ve gelecekte yapılması planlanan araştırmalara son
bölümde değinilmiştir.
2. VERİ KÜMESİNİN TOPLANMASI VE İŞLENMESİ
2.1 Verilerin Toplanması
Meteorolojik değişkenler 1920’li yılların ortalarından beri DMİGM tarafından zamanla
ülkenin geneline yayılmış olan toplam 277 meteoroloji istasyonunda ölçülmektedir.
Meteoroloji istasyonlarının konumları seçilirken yerleşim yerlerine yakın fakat yerleşim yeri
dışında olmasına dikkat edilmiştir. Ancak bugün zamanla gelişen şehirleşme nedeni ile birçok
istasyon şehir merkezi içinde kalmıştır. Bunun yanısıra bazı yerlerdeki, özellikle yüksek
rakımlı bölgelerdeki, istasyon sayısı yeterli değildir. Diğer yandan otomatik meteoroloji
istasyonlarının hayata geçmesi ile meteoroloji istasyonlarının ülkemizin mevcut mikrokilima
özelliklerini de kaydetmek üzere kırsala yaygınlaştırılabileceği düşünülmektedir.
Aynı zamanda DMİGM, meteoroloji istasyonlarında topladığı bu verileri ilgilenen
araştırmacılara sayısal ortamda kayıtlı olarak sunmaktadır. 2003 yılına kadar elle yapılan bu
ölçümler, 2003-2006 yılları arasında hem elle hem de otomatik olarak yapılmaya başlanmıştır.
2006 yılından sonraki veriler ise otomatik kayıttır. Bu çalışmada kayıtların elle yapıldığı
1950-2006 yıllarına ilişkin veriler kullanılmıştır.
Bu bölümde DMİGM’den sağlanan verilerin Türkiye iklim özelliklerini yansıtma gücü
değişik şekillerde irdelenmeye çalışılmıştır. Bu amaçla istasyonların bilinen coğrafi
bölgelerde şehir merkezinde (kent) veya dışında (kır) oluşlarına göre dağılışı ve bölgelerdeki
yoğunlukları hesaplanmıştır (Tablo 1).
Tablo 1. İstasyonların bölgelerde kır/kent’e göre dağılışı ve yoğunlukları
Bölge
Karadeniz (KAD)
Marmara (MAR)
Ege (EGE)
İç Anadolu (İÇA)
Doğu Anadolu (DA)
Akdeniz (AD)
Güneydoğu Anadolu
(GDA)
Toplam
Kır
(%59.5)
(%73.5)
(%83.3)
(%73.1)
(%75.5)
(%88.9)
(%59.3)
Kent
15 (%40.5)
9 (%26.5)
7 (%16.7)
14 (%26.9)
12 (%24.5)
4 (%11.1)
11 (%40.7)
Yoğunluk*
37/143 (2.59)
34/67 (5.08)
42/93 (4.51)
52/163 (3.19)
49/165 (2.97)
36/122 (2.95)
27/59 (4.58)
Toplam
37 (%13.3)
34 (%12.3)
42 (%15.2)
52 (%18.8)
49 (%17.7)
36 (%13.0)
27 (%9.7)
205 (%74.0)
72 (%26.0)
277/814 (3.40)
277 (%100)
22
25
35
38
37
32
16
*Yoğunluk 10,000 km2’ye düşen istasyon sayısıdır.
Tablo 1’de yeralan analiz sonuçlarına göre, en çok istasyonun %18.8’lik payla İç Anadolu
(İÇA) Bölgesi’nde olduğu belirlenmiştir. Bunu sırasıyla %17.7’lik payla Doğu Anadolu (DA)
Bölgesi, %15.2lik payla Ege (EGE) Bölgesi, %13.3’lük payla Karadeniz (KAD) Bölgesi,
%13’lük payla Akdeniz (AD) Bölgesi, %12.3’lük payla Marmara (MAR) Bölgesi ve %9.7’lik
payla Güneydoğu Anadolu (GDA) Bölgesi izlemektedir. Ayrıca toplam 277 istasyonun 205
adeti (%74’ü) kır istasyonu iken, kalan 72 adeti (%26’sı) kent istasyonu olarak belirlenmiştir.
En yüksek kır istasyonu oranının % 88.9’luk payla AD Bölgesi’nde, en düşük kır istasyonu
oranının ise %59.3’lük pay ile GDA Bölgesi’nde olduğu görülmüştür. Buna karşılık en
yüksek kent istasyonu oranının %40.7’lik payla GDA Bölgesi’nde, en düşük kent istasyonu
oranının ise %11.1’lik pay ile AD Bölgesi’nde olduğu gözlenmiştir.
Bunun yanısıra bölgelerdeki istasyon yoğunlukları incelendiğinde, KAD Bölgesindeki
yoğunluğu 10,000 km2’ye 2.59 istasyon ile en az, MAR Bölgesindeki yoğunluğun ise 10,000
km2’ye 5.08 ile en çok olduğu görülmektedir. Türkiye genelindeki istasyon yoğunluğu ise
10,000 km2’ye 3.4 tür.
İstasyonların ölçüm araçlarının bozulması, memur ve teknik eleman yokluğu vb. gibi çeşitli
nedenlerle ölçüm yapamadığı durumlar olmaktadır. Böyle durumlar istasyonların açık
olmamasına neden olabilmektedir. Çalışmada ayrıca açık olan istasyonlar5 üzerinden bölgeler
bazında yıllara göre kır ve kent istasyonlarının dağılışı da incelenmiştir. Analizlerde
GDABölgesinde açık olan kent istasyonu sayısında yıllar içinde büyük bir artış saptanırken,
diğer bölgelerdesadece küçük değişiklikler gözlenmiştir. Bunun dışında genel olarak hem
şehir merkezlerinde hem de kırsal bölgelerdeki açık istasyon sayısının 1960’lı yılların başı ve
ortalarında önemli bir şekilde arttığı; diğer yıllarda ise bu sayıda önemli bir değişiklik
olmadığı görülmüştür.
2.2 Verinin Hazırlanması
DMİGM’den elde edilen verilerde meteoroloji istasyonlarında ölçülen/gözlenendeğerler
elektronik ortamda kayıt tarihi (ay-yıl) ve yağış miktarı (kg/m2) olmak üzere iki sütun
şeklinde “.txt” uzantılı bir doküman dosyasına kaydedilmiştir. Çalışmada öncelikle bu
doküman dosyasında yeralan 1950-2006 yılları arasında 277 istasyonda kayıtlı olan veriler
Excel, SAS ve JMP istatistik programları yardımıylabir araya getirilip, birbirini izleyen
sütunlar şeklinde düzenlenerek yapılacak analizlere uygun bir şekle dönüştürülmüştür
(yöntem için bkz. Giudici, 2003).
Bunun yanısıra analizlerde zaman zaman gerekli olan istasyonların tarihçesi ve çevresine
ilişkin bilgilerin yeraldığı “meta veriler” de DMİGM’den sağlanabilmektedir. Ancak meta
veriler tüm sorulara yanıt verecek kapsamda olmayıp, önemli bilgi eksikleri bulunmaktadır.
5
Yılın yarısı kayıtta olan istasyon açık olarak kabul edilmiştir.
Örneğin, yer değişikliği yapılan istasyonların hangi yıllarda yerlerinin değiştirildiği bilgisi ve
ölçüm aletlerine ilişkin yapılan değişikliklerin bilgileri meta veride yer almamaktadır. Böyle
durumlarla karşılaşıldığında istasyonlarla iletişim kurularak gerekli bilgilere ulaşılmaya
çalışılmıştır.
2.3 Veri Önişleme
Tüm gerçek hayat verileri gibi Türkiye klimatoloji ve meteoroloji verileri de kirli, eksik ve
tutarsız olabilmektedir. VTBK sürecinin bu aşamasında amaç bu tür problemlerin
çözümlenmesidir . Bu bölümde belli başlı veri önişleme yöntemleri kullanılarak veri kalitesi
iyileştirilmeye çalışılmıştır (yöntmeler için bkz. Pyle, 1999; Witten, 2005).
2.3.1 Veri Temizleme
Klimatoloji ve meteoroloji verilerinin temizlenmesi genellikle (varsa) hatalı kayıtların
belirlenerek düzeltilmesi; ayrıca kayıp ve aykırı gözlemlerin işlenmesinden ibarettir. Bu
bölümde hatalı kayıtların düzeltilmesi çalışmasına yer verilmektedir. Kayıp ve aykırı
gözlemlerin işlenmesi sıra ile Bölüm 2.3.3 ve 2.3.4’te ele alınmıştır.
İklim araştırmalarında en çok kullanılan iki önemli değişken yağış ve sıcaklıktır. Bu iki
anahtar değişken yukarıda da ifade edildiği gibi uzun yıllardır DMİGM tarafından kayıt altına
alınmaktadır. Ancak, iklim verilerinin rasgeleliği ve türdeşliği ile iklimsel veri çözümlemesi
konusunda ayrıntılı çalışmaları bulunan Türkeş (örn. 1996, 1998, 1999, vb.) ve Türkeş vd.
(2002) yaptıkları meteoroloji arşiv taramaları, istasyon tarihçesi bilgileri, eksik veri
tamamlama ve türdeş çözümlemesi çalışmalarında, 1950’li yıllara kadar olan kayıtlarda çeşitli
hatalar bulmuş ve gerekli düzeltmeler yapılarakDMİGM’ye bildirmiştir. Bu çalışmada da
veriler Bölüm 2.2’de anlatıldığı gibi analizlere uygun bir şekle dönüştürüldüktensonra kalite
kontrol çalışmaları yapılmıştır. Yapılan incelemeler yağış olmayan veya çok az miktarda
yağış olan aylarda kayıtların boş bırakıldığınıgöstermektedir. Aynı şekilde, herhangi bir ay
için gözlem yapılamamışsa veya herhangi bir nedenden dolayı gözlemin değeri
kaydedilememişse, o kayıt da boş bırakılmıştır. Bu durum tüm boş bırakılan kayıtların ‘kayıp
veri’ olarak değerlendirilmesine neden olmaktadır. Bu nedenle çalışmamızda boş bırakılan
kayıtları ayırdedici bir inceleme yapılmıştır.
Bu amaçla, ilgili istasyonda sıcaklık verilerinin de kayıtlı olup olmadığı ve çevre
istasyonlardaki yağış değerleri göz önüne alınarak, yağışın olup olmadığıbelirlenmeye
çalışılmış; yağışın olmadığı belirlenen yerlerde kayıtlar sıfır olarak yeniden kodlanmıştır.
İlgili istasyonun sıcaklık değerlerine bakılarak, o ayda yağış olup olmamasının
belirlenebilmesinin nedeni; bir istasyon için herhangi bir ayda sıcaklık değeri kayıtlı ise, o
istasyon için ilgili ayda yağış değerinin de kayıtlı olması gerektiğidir. Çevre istasyonların
yağış değerlerine bakılarak, o ayda yağış olup olmadığının belirlenebilmesinin nedeni ise;
çevre istasyonların da ilgili aydaki gözlemleri kayıpsa, o bölgede ilgili ayda yağışın
gerçekleşmemesidir. Böylelikle az yağış olan veya olmayan kayıtlar sıfır değeri ile ifade
edilirken, kayıp gözlemler boş bırakılmıştır. Bu yöntem ile aylık toplam yağış veri
kümesindeki toplam gözlemlerin yaklaşık olarak yüzde 18’i kayıp gözlem olmaktan
çıkarılarak, veri kümesine sıfır kayıtlı değer olarak kazandırılmıştır.
2.3.2 Veri Dönüştürme
Klimatolojik ve meteorolojik verilerdeki diğer önemli bir veri önişleme yöntemi de serilerin
türdeşliğinin belirlenmesi ve eğer değilse türdeş hale getirilmesidir. Klimatolojik ve
meteorolojik veri kümelerinde, istasyonun yer değiştirmesi, ölçüm aletlerindeki sorunlar gibi
nedenlerden dolayı türdeş olmama, yani serilerin farklı dağılışlara sahip olması problemi
görülebilmektedir. Bunların türdeş hale getirilebilmesi için serinin dönüştürülmesi
gerekmektedir. Örneğin, Fethiye istasyonu 1962 yılında yer değiştirmiştir ve bu istasyondan
elde edilen veriler türdeş değildir (Türkeş vd., 2002). Benzer şekilde Antalya istasyonu da
aynı yılda yer değiştirmiştir ve bu istasyondan elde edilen veriler de türdeş değildir (Türkeş,
1999; Türkeş vd. 2002). Göktürk vd. (2008) yaptıkları bir araştırmada, 277 istasyonda
kaydedilen Türkiye yağış verilerinin 188’inin türdeş olduğunu belirlemişlerdir (Ünal vd.,
2003).
Ancak burada türdeşlik incelemesi bir başka çalışmaya bırakılmış (Yazıcı vd., 2011),
gerektiğinde yukarıda da belirtilen önceki çalışmalardan türdeş olduğu bilinen 188 istasyon
verileri incelemeye alınmıştır.
2.3.3 Kayıp Gözlem Analizi
Klimatolojik ve meteorolojik verilerin ölçümü, saklanması ve analizi süreçlerinde gerek
teçhizat kayıpları, gerekse çeşitli nedenlerden dolayı açık olmayan istasyonlar yüzünden
ortaya çıkankayıp gözlemler büyük bir sorun yaratmaktadır. Bu veriler ile yapılan
çalışmalardakayıp gözlemlerin tamamlanması için kullanılan en yaygın yöntem “basit
ortalama ile yerine koyma” yöntemidir (Aslan vd., 2010). Bu yöntem ile hazırlanan veri
kümelerinde, kayıp olan gözlem kayıtlı olduğu ayın bir yıl önceki ve sonraki aylarına ilişkin
gözlemlerin ortalaması ile tamamlanmaktadır. Ancak basit ortalama yöntemi, hem istasyonun
kendi içindeki gözlemlerinden yararlanarak tamamlanmasından, hem de bir önceki ve bir
sonraki yıllarda da kayıp gözlemlerin bulunabilme olasılığından dolayı güvenilir
olmayıp,serilerin tüm uzunluklarından yararlanılmasına olanak tanımaması nedeni ile de
başarılı sonuçlar vermemektedir. Araştırmalar, kayıp gözlemlerin Beklenti MaksimizasyonuMarkov Zincirleri Monte Carlo (BM-MZMC) yöntemi ile tamamlanmasının daha başarılı
sonuçlar verdiğini göstermektedir (Aslan vd., 2010; Yozgatlıgil vd., 2010).
Bu çalışmada Türkiye aylık toplam yağış veri kümesindeki 277 istasyona ilişkin 1950-2006
yılları arasındakikayıp gözlemlerin istasyonlara, yıllara ve bölgelere göre dağılışları
incelenmiştir.İstasyon bazında kayıp gözlemlerin dağılışına bakıldığında, bazı istasyonlarda
hiç kayıp gözlemin bulunmadığı (örnek olarak 17034-Trabzon Merkez İstasyonu, 17045Artvin İstasyonu), bazı istasyonlarda gözlemlenmesi gereken gözlemlerin yaklaşık yarısının
(örneğin, 17111-Bozcaada İstasyonu- %48.5); bazı istasyonlarda ise hemen hemen tamamının
(örneğin,17118-Yenişehir-Balıkesir İstasyonu-%95) kayıp olduğu gözlenmiştir. Kayıp
gözlemlerin Türkiye genelinde (277 istasyon) yıllara göre dağılışı incelendiğinde (Şekil 1) ise
bu oranların 1950-1958 yılları arasında%50’nin üzerindeyken, 1959-2006 yılları arasında
%50’nin ve 1980’li yıllardan sonra ise %10’un altına düştüğü görülür. Kayıp gözlemlerin
bölgeler bazında yıllara göre dağılışı da Türkiye genelindeki yapıya benzerlik göstermektedir.
Son olarak kayıp gözlemlerin bölgelere göre dağılışları incelendiğinde ise (Şekil 2), en çok
kayıp gözlemin yaklaşık %22’lik payla GDA Bölgesi’nde bulunduğu, en az kayıp gözlemin
yaklaşık olarak %10’luk payla KAD Bölgesi’nde olduğu anlaşılmıştır.
Kayıp gozlemlerin yıllara gore degisimi (Turkiye Genelinde)
80
70
kayıp gözlem yüzdesi (%)
60
50
40
30
20
10
0
1950
1960
1970
1980
yıllar
1990
2000
2010
Şekil 1. Kayıp gözlemlerin yıllara göre değişimi-Türkiye geneli
Kayıp gozlem yuzdelerinin bolgelere gore dagilimi
25
GDA
kayip deger yüzdesi (%)
20
AD
EGE
15
DA
10
ICA
MAR
5
KD
0
1
2
3
4
Bolgeler
5
6
7
Şekil 2. Kayıp gözlem yüzdelerinin bölgelere göre dağılımı
2.3.4 Aykırı Gözlem Analizi
Veri analizinden elde edilen,çeyreklerden yeterince uzak olan değerler “aykırı gözlem” olarak
tanımlanmaktadır (Hoaglin vd., 1983). Buna bağlı olarak aykırı gözlem sınırları aşağıdaki
şekilde hesaplanabilir.
Alt aykırı gözlem sınırı: Q0.25-3 (ÇAA)
Üst aykırı gözlem sınırı: Q0.75+3(ÇAA)
(1)
Çeyrekler Arası Açıklık (ÇAA)= Q0.75-Q0.25
Burada Q0.25ve Q0.75, sıra ile alt ve üst çeyrekleri gösterir. Çeyrekler Arası Açıklık (ÇAA) ise
üst ve alt çeyrek arasındaki farktır.
Aykırı gözlemlerin belirlenmesinde deBölüm 3’te yeralan tanımlayıcı istatistik analizinde
olduğu gibi her istasyon için oluşturulan aylık seriler kullanılmıştır. Bu amaçla sadece türdeş
olduğu bilinen 188 istasyon için aylık seriler üzerinden aykırı gözlem belirlemesi yapıldıktan
sonra, elde edilen aykırı gözlemler için bütün aylarda, yıllara göre, her ay için inceleme
yapılmıştır. Burada aykırı gözlem aşırı az veya çok yağış verisini ifade etmektedir.
Aykırı gözlem sayılarının aylara göre dağılışına bakıldığında en çok aykırı gözlemin Nisan,
Temmuz, Ağustos ve Eylül aylarında olduğu görülmüştür. Ayrıca aykırı gözlem sayılarının
aylara ve yıllara göre dağılışları incelendiğinde, yıllara göre artan bir eğilim içerdiği
belirlenmiştir. Bu eğilimi yakalayabilmek için, aykırı gözlem sayılarının yıllara göre dağılışı
üzerinden zaman serisi analizi yapılmıştır (Şekil 3). KPSS durağanlık testi (Kwiatkowski vd.,
1992) uygulandığında verinin durağan olmayıp, stokastik eğilimi olduğu belirlenmiştir (pdeğeri=0.01).
1950-2006 yılları arasında elde edilen aykırı gözlem sayılarının yıllara göre dağılışı
incelendiğinde, 1950-1958 yılları arasında, 1959-2006 süresine nazaran daha az sayıda aykırı
gözlem olduğu belirlenmiştir. Bu durumun, 1950-1958 yılları arasındaki açık istasyon
sayısının, sonraki yıllara oranla çok az sayıda olması ve bu zaman dilimindeki kayıp gözlem
yüzdelerinin sonraki zaman dilimlerine oranla yüksek olmasından kaynaklandığı
düşünülmektedir.
Şekil 3. Aykırı gözlem sayılarının yıllara göre değişimi
3. VERİLERİN TANIMLAYICI VERİ MADENCİLİĞİ İLE ANALİZİ
Yukarıda da belirtildiği gibi veri kümesinin özelliklerinin tanınması, veri girişi sürecinde olası
hataların belirlenmesi, sonraki istatistiksel analizlerin güvenilirliği açısından verinin
tanımlayıcı analizlerinin yapılması çok önemlidir (Munich Re, 2002). Bir istasyona ait
verilerin bütün olarak ele alınıp, yağış verisi üzerinden tanımlayıcı istatistiksel analizler
yapmak yerine, her istasyon için aylık 12 seri oluşturulup, aylık bazda tanımlayıcı istatistikleri
incelemek, serilerdeki özellikleridaha gerçekçi olarak belirlemek açısından önemlidir. Bu
değerlendirmeden yola çıkarak, Türkiye genelindeki 277 istasyon için aylık seriler
oluşturulmuştur. Daha sonra bu seriler üzerinden bölgelere, kır/kent istasyonu oluşuna,
istasyonlara ve aylara göreminimum ve maksimum değerler, ortalama, standart sapma,
çeyrekler ve ÇAA değerleri gibi çeşitli istatistikler hesaplanmıştır.
Bölgelere göre analiz sonuçları incelendiğinde (Tablo 2), en fazla ortalama yağışın 70.3kg/m2
ile KAD Bölgesi’ne, en az ortalama aylık toplam yağışın ise 34.8kg/m2 ile GDA Bölgesi’ne
düştüğü gözlenmiştir. Aylık toplam yağış miktarı 71.61 kg/m2 standart sapma ve 70.20 kg/m2
ÇAA ile DA Bölgesi’nde en büyük yayılımı gösterirken; ÇAA’ya göre KAD, MAR, EGE,
DA ve GDA Bölgeleri benzer yayılıma sahiptir. Ortalama yağış ve medyan değerlerine
bakıldığında serilerin çoğunlukla sağa çarpık oldukları gözlemlenmektedir. Başka bir deyişle,
bu bölgelerde kendi medyan değerine göre en yüksek yağış miktarları düşük yağış
miktarlarından daha az sıklıkla gözlenmektedir. Ayrıca EGE Bölgesi’ndeki yağışların daha
homojen bir yapıya sahip olduğu söylenebilir.
Tablo 2. Coğrafi bölgelere göre ortalama yağış tutarına ilişkin istatistikler
Bölge
KA
MAR
İÇA
DA
EGE
AD
GDA
Ortalama
Yağış
(kg/m2)
Standard
Sapma
(kg/m2)
Q0.25
(kg/m2)
Medyan
(kg/m2)
Q0.75
(kg/m2)
Maksimum
(kg/m2)
ÇAA
(kg/m2)
70.30
63.70
57.80
52.10
48.40
47.80
34.80
54.06
57.30
62.75
71.61
53.92
62.21
56.18
7.90
19.10
16.10
13.70
8.90
13.90
13.80
30.30
42.70
43.10
42.10
33.00
34.90
37.70
63.70
75.20
81.50
83.90
63.60
69.25
70.90
645.20
557.20
579.70
634.50
638.90
669.20
797.80
55.80
56.08
65.40
70.20
54.70
55.35
57.10
Diğer yandan kırsal bölgelere düşen ortalama aylık toplam yağış miktarı 52.5 kg/m2 ve kent
merkezlerine düşen ortalama aylık toplam yağış miktarının da 51.9kg/m2 dir.
Buna ek olarak aylık toplam yağış miktarı istasyon bazında incelendiğinde en fazla yağışın
Trabzon-Hopa istasyonuna Kasım ayında düştüğü görülmektedir (ortalama 309.5 kg/m2). En
düşük yağış miktarına ise Diyarbakır-Nüsaybin istasyonunda Ağustos ayında rastlanmıştır
(0.032 kg/m2). En çok değişkenlik ise Antalya Merkez istasyonunda gözlenmiştir
(161.6kg/m2).
Diğer yandan aylık bazda ortalama yağış miktarları incelendiğinde Türkiye genelinde en çok
ortalama yağışın Aralık ayında (90.95 kg/m2), en az ortalama yağışın ise Ağustos ayında
(15.04 kg/m2) düştüğü görülmektedir (Tablo 3). Aylara göre ortalama yağış ve medyan
değerleri karşılaştırıldığında yine sağa çarpık bir dağılım yapısı görülmektedir. En fazla
sapma Aralık ayında gözlenirken en az sapma Temmuz ve Ağustos ayında gözlenmiştir.
Ağustos ve Temmuz aylarında yağışların olmaması nedeniyle ilk çeyrek değerleri de sıfırdır.
En fazla maksimum yağış Kasım ayında gözlemlenmiştir. Bu nedenle Kasım ayı sellere daha
sık rastalanabilinecek bir ay olarak düşünülebilir.
Tablo 3. Aylara göre ortalama yağış miktarına (kg/m2 cinsinden) ilişkin istatistikler
Ay
Ortalama
Yağış
(kg/m2)
Standard
Sapma
(kg/m2)
Q0.25
(kg/m2)
Medyan
(kg/m2)
Q0.75
(kg/m2)
Maksimum
(kg/m2)
ÇAA
(kg/m2)
Ocak
Şubat
Mart
Nisan
Mayıs
Haziran
Temmuz
Ağustos
Eylül
Ekim
Kasım
Aralık
81.36
70.09
65.68
60.29
48.86
29.93
15.60
15.04
23.80
53.87
72.72
90.95
76.09
56.96
47.45
39.94
38.44
32.87
28.87
36.48
41.82
57.04
64.90
81.06
30.70
30.80
31.90
31.80
22.00
6.00
0.00
0.00
1.20
17.70
28.60
37.70
60.10
54.00
54.10
52.00
41.50
21.30
4.90
2.60
9.50
38.30
55.60
64.90
110.10
93.70
87.20
78.70
67.25
43.90
19.70
15.90
29.10
70.85
97.35
123.40
797.80
624.60
398.80
395.60
669.20
363.30
397.90
638.90
456.00
560.80
907.20
704.70
79.40
62.90
55.30
46.88
45.25
37.90
19.70
15.90
27.90
53.13
68.75
85.70
4. SONUÇLAR, ÖNERİLER VE SONRAKİ ÇALIŞMALAR
Bilgisayarlı kayıt sistemlerinin yaygın olarak yaşamımıza girmesinden sonra çeşitli alanlarda
veriler kolayca toplanmaya başlamıştır. Belirli bir analize yönelik olmadan ve planlanmadan
toplanan bu veri kümeleri genellikle kirli, eksik, hatalı ve gereksiz veriler içerebilir. Bu tür
veri kümelerinin yapılacak analizler öncesinde kalitesinin denetlenmesi ve veri özelliklerinin
incelenerek, sonraki analizler için olası hipotezlerin türetilmesi gerekmektedir. VTBK süreci
bu amaçla araştırmacılara kullanışlı araçlar içeren yöntemler sunmaktadır. Verilerin
hazırlanması, işlenmesi ve TVM bunlardan birkaçıdır.
Dünyadaki yaşamın geleceğini görebilmek ve olası değişikliklere karşı alınacak önlemleri
belirleyebilmek amacı ile klimatolojik ve meteorolojik verilerin sağlıklı bir şekilde tutulması
gerekmektedir. Ülkemizde de DMİGM ülke geneline yayılmış olan meteoroloji
istasyonlarında ölçtüğü çeşitli meteoroloji değişkenlerini sayısal ortamda araştırmacıların
kullanımına sunmaktadır. Yağış bu değişkenlerin en önemlilerinden birisidir. Bu çalışmada,
DMİGM tarafından 1950-2006 yılları arasında 277 meteoroloji istasyonunda kaydedilen aylık
toplam yağış verisi işlenerek, TVM yöntemleri ile analiz edilmiştir. Bu amaçla öncelikle 57
yıla yayılan verilerin toplanma, hazırlanma ve önişlenmesi süreçlerine değinerek, kayıp ve
aykırı gözlemler incelenmiş; tanımlayıcı istatistikleri ve ilgili grafikleri sunulmuştur. Aykırı
gözlem analizlerinde ise sadece türdeş olduğu bilinen 188 istasyon verisi kullanılmıştır.
Çalışma sonuçları DMİGM tarafından toplanan ve kayıtlanan klimatolojik ve meteorolojik
verilerde çeşitli sorunların varlığını gösterir. Öncelikle toplandığı şekli ile verilerde eksiklikler
vardır. Örneğin, yüksek rakımlı yerlerde bulunan istasyon sayısı ve mevcut şekli ile
metaveriler coğrafi temsiliyet bakımından oldukça yetersizdir. Bu nedenle, verilerin
toplandığı meteoroloji istasyonların coğrafi açıdan dengeli bir şekilde ülke geneline yayılması
ve ayrıca verilerin kalitesini denetlemeye yardımcı olacak metaverilerin de sağlıklı bir şekilde
tutulması sağlanmalıdır.
Belge olarak kayıtlanan klimatolojik ve meteorolojik veriler, üzerinde çalışılmadan önce
istatistik analizlere daha uygun olan bilgisayar ortamlarına taşınmalıdır. Bunun yanısıra
tutarsız, hatalı ve eksik verilerin veri önişleme yöntemleri ile saptanması ve düzeltilmesi de
gerekir. Bu aşamada kayıp gözlemler “ortalama ile tamamlama” yerine BM-MZMC gibi
uygun bir yöntemle tamamlanmalıdır. Ayrıca zaman dizilerinin türdeş olup olmadığı
incelenmeli, türdeş olmayanlar türdeş hale getirilmelidir.
Bunların dışında çalışma sonuçları bazı konuların daha ayrıntılı olarak incelenmesi gerektiğini
ortaya koymuştur. Öncelikle, sağlıklı iklim araştırmaları için Türkiye yağış değişkeni
üzerinde yapılan bu çalışma diğer tüm klimatolojik ve meteorolojik verilere de
uygulanmalıdır. Diğer yandan analizler aylık toplam yağış miktarında yıllar içerisinde bir artış
olduğunu göstermektedir. Bu hipoteze dayanarak, Türkiye’de mevsimlerin, yağış ve iklim
bölgelerinin değişip değişmediği araştırması da yapılmalıdır.
5. TEŞEKKÜR
Bu çalışma Orta Doğu Teknik Üniversitesi tarafından BAP-2008-01-09-02 projesi olarak
desteklenmiştir. Katkılarından dolayı tüm NINLIL proje grubu elemanlarına
(http://www.stat.metu.edu.tr/research-projects/ninlil/proje-ekibi) teşekkür ederiz.
6. KAYNAKLAR
Asar, Ö., Yozgatlıgil, C., Kartal E., Batmaz İ., 2011. Analysis of extreme precipitation events
in Turkey. 7th International Statistical Congress. April 28 - May 1, 2011, Antalya, Turkey.
164-165.
Aslan, S., Yozgatligil, C., İyigün, C., Batmaz, İ., Türkeş, M., Tatlı, H., 2010. Comparison of
missing value imputation methods for Turkish monthly total precipitation data. 9th
International Conference of Computer Data Analysis and Modeling: Complex Stochastic Data
and Systems. September, 7-11, 2010, Minsk, Belarus. 2, 137-140.
Batmaz İ.,Köksal, G., 2011. Overview of Knowledge Discovery in DatabasesProcess and
Data Mining for Surveillance Technologies and Early Warning Systems.Surveillance
Technologies and Early Warning Systems: Data Mining Applications for Risk Detection. A.
S. Koyuncugil and N. Özgülbaş(Eds.).Hershey, PA: IGI Global Publisher. 1-30.
Burlando, P., Rosso R., Cadavid, L.G., Salas, J.D.,1993. Forecasting of short-term rainfall
using ARMA models. Journal of Hydrology, 144, 193-211.
Dunham, M.H., 2003. Data Mining Introductory and Advanced Topics. New Jersey:
PrenticeHall/Pearson Education.
Fahmi, F., Kartal, E., İyigün, C., Türkeş, M., Yozgatlıgil, C., Purutcuoğlu, V., Batmaz, İ.,
Köksal, G., 2011. Determining the Climate Zones of Turkey by Center-Based Clustering
Methods. In Nonlinear Dynamics of Complex Systems: Applications in Physical, Biological
and Financial Systems. J.A. Tenreiro Machado, Baleanu, D. ve A. Luo (Editörler). Berlin:
Springer (Baskıda).
Fayyad, U., Piatetsky-Shapiro, G., Smyth, P., 1996. The KDD Process for extracting useful
knowledge from volumes of data. Communication of ACM, 39(11), 27-34.
Giudici, P., 2003. Applied Data Mining: Statistical Methods for Business and Industry. New
York: J. Wiley.
Göktürk, O.M., Bozkurt, D., Şen, Ö.L., Karaca, M., 2008. Quality control and homogeneity of
Turkish precipitation data.Hydrological Processes, 22, 3210-3218.
Hoaglin, D.C., Mosteller, F., Tukey, J.W., 1983.Understanding robust and exploratory data
analysis. New York: Wiley and Sons.
IPCC(Intergovernmental Panel on Climate Change), 2007. Climate Change 2007: The
Physical Science Basis. Contribution of Working Group III to Third Assessment Report of
IPCC, S.Solomvd. (Eds.). Cambridge: Cambridge University Press.
Kwiatkowski, D. P., Phillips, C. B., Schmidt, P., Shin, Y., 1992. Testing the null hypothesis
of stationary against the alternative of a unit root, Journal of Econometrics, 54, 159-178.
Larose, D.T., 2005. Discovering Knowledge in Data. New Jersey: Wiley and Sons.
Munich Re (Munich Reinsurance Company), 2002. Major Natural Catastrophes, 1950-2001.
Population and Development Review, 1 (28), 171-174.
Martinez, W.L., Martinez, A.R., 2002. Computational Statistics Handbook with
MATLAB.Boca Raton: Chapman and Hall.
Tan, P.N., Steinbach, M., Kumar, V., 2006. Introduction to Data Mining.New York: Pearson
Education.
Tekeli, İ., Algan, N., Türkeş, M., Vaizoğlu, S. A., Güler, Ç., Tekbaş, Ö. F., Albay, T. A.,
Dündar, A. K., Arıkan, Y., Saygılı, A., Yerli, S., Çobanoğlu, Z., 2010. Türkiye Açısından
Dünyada İklim Değişikliği. Birinci Basım, Türkiye Bilimler Akademisi (TÜBA) Raporları
Dizisi, Sayı 22, Yayın Yönetmeni: Filiz Çiçek Bil, Yeni Reform Matbaacılık, ISBN: 9789944-252-42-3, 330 sayfa, Ankara.
Türkeş, M., 1996. Spatial and temporal analysis of annual rainfall variations in Turkey.
International Journal of Climatology, 16, 1057-1076.
Türkeş, M., 1998. Influence on geopotential heights, cyclone frequency and Southern
Oscillation on rainfall variations in Turkey. International Journal of Climatology, 18, 649680.
Türkeş, M., 1999. Vulnerability of Turkey to desertification with respect to precipitation and
ariditiy conditions. Turkish Journal of Engineering and Environmental Science, 23, 363-380.
Türkeş, M., 2008a. Gözlenen iklim değişiklikleri ve kuraklık: Nedenleri ve geleceği. Toplum
ve Hekim, 23, 97-107.
Türkeş, M., 2008b. İklim değişikliği ve küresel ısınma olgusu: Bilimsel değerlendirme.
Küresel Isınma ve Kyoto Protokolü: İklim Değişikliğinin Bilimsel, Ekonomik ve Politik
Analizi. Yayına Hazırlayan: E. Karakaya, 21-57. Bağlam Yayınları No. 308, Bağlam
Yayıncılık, İstanbul.
Türkeş, M., 2010. Klimatoloji ve Meteoroloji. Birinci Baskı, Kriter Yayınevi – Yayın No. 63,
Fiziki Coğrafya No. 1, ISBN: 978-605-5863-39-6, 650 + XXII sayfa, İstanbul.
Türkeş, M., Acar Deniz, Z., 2010. Klimatolojik/meteorlojik ve hidrolojik afetler ve
sigortacılık sektörü. Uluslararası İnsan Bilimleri Dergisi, 7, 996-1020.
Türkeş, M., Tatlı, H., 2011. Use of the spectral clustering to determine coherent precipitation
regions in Turkey for the period 1929-2007. International Journal of Climatology(DOI: 10.
1002/joc.2212).
Türkeş, M., Sümer, U.M., 2002. Re-evaluation of trends and changes in mean, maximum and
minimum temperatures of Turkey for the period of 1929-1999. International Journal of
Climatology, 22, 947-977.
Türkeş, M., Koç, T., Sarış, F., 2007. Türkiye’nin yağış toplamı ve yoğunluğu dizilerindeki
değişikliklerin ve eğilimlerin zamansal ve alansal çözümlemesi.Coğrafi Bilimler Dergisi, 5,
57-74.
Yazıcı, C., Purutçuoğlu V., Yozgatlıgil, C., Bayramoğlu K., İyigün, C., Batmaz İ. 2011.
Homogeneity analysis of Turkish climate data. 7th International Statistical Congress. April
28- May 1, 2011, Antalya, Turkey.
Yozgatlıgil, C., Aslan, S., İyigün, C., Batmaz, İ., Türkeş, M., Tatlı, H., 2010.Zaman
serilerinde kayıp veri tamamlama yöntemlerinin karşılaştırılması: Türkiyeiklim verileri
üzerine bir uygulama. YAEM’2010: Yöneylem Araştırması ve Endüstri Mühendisliği 30.
Ulusal Kongresi. İstanbul, Türkiye. 30 Haziran-2 Temmuz.127.
Pyle, D.,1999. Data Preparation for Data Mining. San Francisco, CA: Morgan Kaufmann
Publishers.
Ünal, Y., Kıdnap, T., Karaca, M., 2003. Redefining the climatic zones of Turkey using cluster
analysis. International Journal of Climatology, 23, 1045-1055.
Witten, I.H., 2005. Data Mining: Practical Machine Learning Tools and Techniques. Boston,
MA: Morgan Kaufman.