Trendsizleştirilmiş Salınım Analizi’in Sıcaklık Verilerine Uygulanması

Abstract

Hava tahminlerinin başarısı söz konusu meteorolojik değişkenin persistansı ile yakından ilişkilidir. Bir meteorolojik değişkenin persistansı ne kadar yüksekse o değişkenin tahminindeki hata da o ölçüde azalır. Trendsizleştirilmiş salınım analizi (TSA), trendin seriden çıkarılmasıyla, zaman serileri içinde uzun vade korelasyonları saptamak için kullanılan bir yöntemdir. Uzun vadeli korelasyonların doğru bir şekilde ortaya konulabilmesi için, verilerin kendi uzun vadeli salınımlarının ve trendlerinin giderilmesi gerekmektedir. Trendler, sera etkisi ve mevsimsel sıcaklık değişimi gibi dış etkiler sonucu ortaya çıkmaktadır. Veri içerisindeki trendler, uzun vadeli korelasyonların yanlış tahmin edilmesine neden olmaktadırlar. TSA analizi, sistematik olarak zaman serilerindeki trendleri ortadan kaldırabilmektedir. TSA analizi, DNA dizileri, kalp atışlarının dinamiği, insan yürüyüşü, uzun vadeli hava kayıtları, bulut yapısı, ekonomik zaman serileri ve katı hal fiziği vb., gibi çeşitli alanlarda başarıyla kullanılmaktadır. Sıcaklık, temel bir hava ve iklim elemanıdır ve küresel iklim değişimi tahminlerinde büyük rol oynamaktadır. Çalışmada, TSA kullanılarak Türkiye’de bulunan 52 istasyona ait günlük ortalama, günlük maksimum ve minimum ve günlük sıcaklık farklarına ait zaman serilerinin TSA analizleri sonucu elde edilen ölçekleme üstellerinin yersel değişimi incelenmiş ve coğrafik yapıyla ilişkisi araştırılmıştır. TSA ile elde edilen ölçekleme üstellerinin (α), 0.5 değerinden büyük olması dolayısıyla günlük maksimum, günlük minimum, günlük ortalama sıcaklık ve günlük sıcaklık farkı değerlerinin uzun vade korelasyona sahip oldukları saptanmıştır.Succes of weather predictions depends on persistence of meteorological variables. When persistence of meteorological variables increase error of weather predictions are decrease. Detrended fluctuation analysis (DFA) is a well-established method for the detection of long range correlations in time series. For the reliable detection of long-range correlations, it is essential to distinguish trends from the long range fluctuations intrinsic in the data. Trends are caused by external effects like the greenhouse warming and seasonal variations for temperature records. Trends in the data can lead to false detection of long range correlations. DFA, can systematically eliminate trends of different order. It has successfully been applied to such diverse fields of interest as DNA, heart rate dynamics, human gait, long time weather records, cloud structure, economical time series, an deven solid state physics. Temperature is a basic weather and climate component and it has a major role in climate change predictions. In this study, by using DFA, scaling exponent of daily mean temperature data, daily maximum temperature data, daily minimum temperature data and daily temperature difference data are calculated for 52 stations in Turkey. Results obtained through scaling exponent of local changes had been examined and its relation with geographic structure have been discussed. If scaling exponents are larger then 0.5, it indicate that temperature datas have long range correlations.