Yeni İstatistiksel Ölçek Küçültme Yöntemleri Ve Türkiye İçin Uygulamalar

Abstract

Hava ve iklim süreçlerinin yeryüzündeki yaşam üzerinde hayati etkileri vardır. İklim değişkenliği ve değişiminin anlaşılabilmesi, bölgesel ve yerel iklim tanılarının geliştirilmesi, iklim çalışmaların temel konularından biridir. İklim etki araştırmacıları genelde iklim değişkenliğinin dünü, bugünü ve yarını hakkında detaylı ve doğru bilgilere gereksinim duyarlar. İklim değişkenliği konusunda önemli ve temel araçlar genel dolaşım modelleridir (GDM). Ne yazık ki kaba çözünürlük üzerinde çalıştırılan GDM’ler yerel iklim değişkenliği hakkında detaylı bilgiye yanıt veremezler. Bu bağlamda, GDM’lerin uzaysal çözünürlükte ve benzeşim verilerinin doğruluğundaki kısıtlardan “uzaysal ölçek küçültme” stratejilerinin geliştirilmesine gereksinim duyulur. İklim araştırma ve iklim etkilerinin arasındaki, uzaysal ölçekteki, bu açık; “uzaysal ölçek küçültme ” ve “uzaysal ölçek büyültme” ile hem iklim araştırma hem de iklim etki araştırmaları açısından kapatılabilir. Bu çalışma Türkiye üzerinde uzaysal ölçek küçültme stratejilerinin geliştirilmesi konusunda ilk araştırmadır. Çalışmada, iklim tanısı için iki yeni model geliştirilmiştir. Önerilen modellerin dönüşüm fonksiyonları, Türkiye üzerindeki yerel iklimi idare ettiği düşünülen büyük ölçekli serbest troposferin değişkenlerinden elde edilen, geri beslemeli yapay sinir ağları (GSA) ve çok değişkenli istatistiksel yöntemlerine dayanmaktadır. Çalışmada, küçük-ölçek gözlemleri doğrusal-olmayan bir dinamik sistemin çıktıları olduğu şeklinde değerlendirilmiş ve yerel-dinamiğin ‘nedensel ve öz yapılarının’, büyük ölçekli süreçlerden, tekrar elde edilmesi amacı ile GSA ve çok değişkenli istatistiksel yöntemler kullanılmıştır. Uygulama sonuçları, model çıktıları ile gerçek gözlemler arasında, tutarlılık olduğunu göstermektedir.

Weather and climate have a profound influence on life on earth. Understanding climate variability and climate change reveals the increasing need for improving regional and local-scale climate diagnosis which is one of the main goals of climate research. The climate impact researches usually require accurate and detailed climate information on yesterday, present, and tomorrow with high resolution space scale. The main and important tools of studying climate are general circulation models (GCMs). Unfortunately, GCMs running on coarse resolution may not be able to detect the local scale climate variability. The spatial-scale mismatch between climate research and climate impact studies has to be bridged by “downscaling” on the side of the climate research and “upscaling” on the side of the climate impact research. This study is the first research of developing downscaling strategies over Turkey. Two new downscaling strategies for climate diagnosis are developed in the study. The proposed methods are based on artificial recurrent neural networks (RNN) and multivariate statistical techniques that derive transfer functions from the large-scale free troposphere variables of which are assumed to control to the local climate over Turkey. In the study, it is considered that the local-scale observations of interest as the outcomes of a finite-dimensional, nonlinear dynamical system and use RNN and multivariate techniques to recover the nonlinear, ‘causal and naïve skeleton’ of the underlying local scale dynamics from large-scale processes. The results of applications demonstrate that the proposed model outputs are consistent with the actual observations.