İÇİNDEKİLER TABLO LİSTESİ ŞEKİL LİSTESİ SEMBOL LİSTESİ

Transkript

1 ÖNSÖZ Son yıllarda iklim değişkenlerine ait geçmiş trendlerin ve değişimlerin belirlenmesi konusunda yapılan çalışmalar giderek artmaktadır. Bu araştırmada iklimin en önemli parametrelerinden birisi olan yağış verilerinde trendin belirlenmesi için çok geniş kapsamlı bir çalışma yapılacaktır. Bu çalışma boyunca beni yönlendiren ve kıymetli yardımlarını gördüğüm sayın hocam ve tez danışmanım Doç. Dr. Ercan KAHYA ya teşekkür etmeyi bir borç bilirim. Ayrıca çalışmamda desteklerini her zaman yanımda gördüğüm diğer hocalarıma, arkadaşlarıma ve aileme teşekkür ederim. Aralık Turgay PARTAL ii

2 İÇİNDEKİLER TABLO LİSTESİ ŞEKİL LİSTESİ SEMBOL LİSTESİ ÖZET SUMMARY 1. GİRİŞ 1. VERİ VE METOTLAR 7.1. Veriler Ve Türkiye Yağış İklimi 7.. Uygulanan Metotlar Ön İstatistiksel Analiz 1... Serisel korelasyon 1 iv vı vıı vııı ıx..3. MannKendall testi Trendin zamanla değişiminin belirlenmesi Sen'in T testi Sen'in trend eğim metodu Moduler katsayısı ARAŞTIRMA SONUÇLARI 3.1. Verilerin ön istatistiksel analizi 3.. Serisel korelasyon etkisi Uygulanan trend analizinin sonuçları İstasyon bazında yapılan trend analizinin sonuçları Yıllık ortalama Aylık toplam yağışlar Mevsimsel analiz Bölgesel trend analizi 36. SONUÇLAR VE DEĞERLENDİRME 3 KAYNAKLAR 5 EKLER 7 ÖZGEÇMİŞ 93 iii

3 TABLO LİSTESİ Sayfa No Tablo.1. İstasyonlara ait genel bilgiler... 9 Tablo 3.1. Aylar ve yıllık ortalama değerler için trend ve serisel korelasyonun dağılımı... Tablo 3.. Bölgesel olarak trend ve serisel korelasyon... 3 Tablo 3.. Yıllık ortalamada trend bulunan istasyonlarda trend bulunan ayların yıllık ortalamada ki trende etkisinin belirlenmesi Tablo 3.5. Marmara Bölgesi moduler katsayıları ile aylık toplam değerler ve yıllık ortalama değerler için trend analizi sonuçları ve istatistik sonuçlar Tablo 3.6. Ege Bölgesi moduler katsayıları ile aylık toplam değerler ve yıllık ortalama değerler için trend analizi sonuçları ve istatistik sonuçlar 39 Tablo 3.7. Karadeniz Bölgesi moduler katsayılar ile aylık toplam değerler ve yıllık ortalama değerler için trend analizi sonuçları ve istatistik sonuçlar Tablo 3.8. İç Anadolu Bölgesi moduler katsayıları ile aylık toplam değerler ve yıllık ortalama değerler için trend analizi sonuçları ve istatistik sonuçlar... Tablo 3.9. Akdeniz Bölgesi moduler katsayıları ile aylık toplam değerler ve yıllık ortalama değerler için trend analizi sonuçları ve istatistik sonuçlar... Tablo3.1. Doğu Anadolu Bölgesi moduler katsayılı aylık toplam değerler ve yıllık ortalama değerler için trend analizi sonuçları ve istatistik sonuçlar... 1 Tablo 3.11 G. Doğu Anadolu Bölgesi moduler katsayıları ile aylık toplam değerler ve yıllık ortalama değerler için trend analizi sonuçları ve istatistik sonuçlar... Tablo A.1. Yıllık ortalama yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... 8 Tablo A.. Ocak ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... 5 Tablo A.3. Şubat ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... 5 Tablo A.. Mart ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... 5 Tablo A.5. Nisan ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları Tablo A.6. Mayıs ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları Tablo A.7. Haziran ayı toplam yağış verilerinin bazı istatistiksel parametreleri 6 iv

4 ve trend analizi sonuçları... Tablo A.8. Temmuz ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... Tablo A.9. Ağustos ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... 6 TabloA.1 Eylül ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları Tabo A.11 Ekim ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları TabloA.1 Kasım ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... 7 TabloA.13 Aralık ayı toplam yağış verilerinin bazı istatistiksel parametreleri ve trend analizi sonuçları... 7 Tablo B.1. Mevsimsel trend analizi sonuçları v

5 ŞEKİL LİSTESİ Şekil.1 Şekil. Şekil 3.1 Şekil 3. Şekil 3.3 Şekil 3. Şekil 3.5 Şekil 3.6 Şekil 3.7 Şekil 3.8 Şekil 3.9 Şekil 3.1 Şekil 3.11 Şekil 3.1 Şekil 3.13 Şekil 3.1 Şekil 3.15 Şekil 3.16 Şekil 3.17 Şekil 3.18 Şekil C.1 Şekil C. Şekil C.3 Şekil C. Şekil C.5 Şekil C.6 Şekil C.7 Sayfa No : Türkiye yağış gözlem istasyonlarının dağılımı... 8 : Yıllık toplam yağışın Türkiye de ki coğrafi dağılımı... 1 : Türkiye genelinde trendlerin uzaysal dağılımı... : Isparta yıllık ortalama yağış zaman serisi ve MannKendall testi 5 : Ocak ayı toplam yağış verileri MannKendall trend sonuçları... 6 : Şubat ayı toplam yağış verileri MannKendall trend sonuçları.. 7 : Mart ayı toplam yağış verileri MannKendall trend sonuçları... 7 : Nisan ayı toplam yağış verileri MannKendall trend sonuçları... 8 : Mayıs ayı toplam yağış verileri MannKendall trend sonuçları... 8 : Haziran ayı toplam yağış verileri MannKendall trend sonuçları 9 :Temmuz ayı toplam yağış verileri MannKendall trend sonuçları 9 : Ağustos ayı toplam yağış verileri MannKendall trend sonuçları 3 : Eylülayı toplam yağış verileri MannKendall trend sonuçları... 3 : Ekim ayı toplam yağış verileri MannKendall trend sonuçları 31 : Kasım ayı toplam yağış verileri MannKendall trend sonuçları 31 : Aralık ayı toplam yağış verileri MannKendall trend sonuçları.. 3 : Kış mevsimi yağışlarında bulunan trendler... 3 : İlkbahar mevsimi yağışlarında bulunan trendler : Yaz mevsimi yağışlarında bulunan trendler : Türkiye nin yeni iklim bölgeleri : Marmara Bölgesel indeks seri içinmannkendal testi : Ege Bölgesel indeks seri için MannKendall testi... 8 : Karadeniz Bölgesel indeks seri için MannKendall testi... 8 : İç Anadolu Bölgesel indeks seri için MannKendall testi... 8 : Akdeniz Bölgesel indeks seri için MannKendall testi : Doğu Anadolu Bölgesel indeks seri için MannKendall testi : G.Doğu Anadolu Bölgesel indeks seri için MannKendall testi... 9 vi

6 SEMBOL LİSTESİ r Cs z S T n i m t H H 1 : Serisel korelasyon katsayısı : Çarpıklık katsayısı : Önem seviyesi : Standart sapma : Önem seviyesinde standart normal değişken : MannKendall testi katsayısı : Sen in T testi katsayısı : Sen in trend eğim katsayısı : Toplam gözlem adedi : Verilerin gözlem sırası : Ay veya mevsim sayısı : Serideki aynı değere sahip verilerin sayısı (bağ) : Genellikle reddetmek için kurulan geçersiz hipotez : Geçersiz hipoteze alternatif hipotez vii

7 1. ÖZET İklim değişkenlerine ait geçmiş trendlerin ve değişimlerin belirlenmesi, insan etkilerinden kaynaklanabilecek, gelecekte olabilecek değişimlerin anlaşılabilmesi için önemlidir. Bu amaçla dünyanın birçok bölgesinde yapılan araştırmalarda son 3 yıldır iklimsel (extrem) olayların artmakta olduğu gözlenmiş ve önemli trendlerin varlığı belirlenmiştir. Genel olarak iklim trendlerini belirlemek için parametrik ve parametrik olmayan yöntemler kullanılmaktadır. Parametrik yöntemler verilerin normal dağılıma uygun olması halinde iyi sonuçlar verir. Dağılımın normal olmaması, kayıp verilerin varlığı ve serisel bağımlılık gibi durumlarda parametrik olmayan yöntemlerle çalışmak daha iyidir. Parametrik olmayan yöntemler ihtiyaç duyduğu varsayımların azlığı nedeni ile uygulamada daha sık kullanılmaktadır. Bu çalışmada, Türkiye genelinde yağış trend analizi parametrik olmayan yöntemlerle yapılacaktır. Serisel bağımlılık etkisi ve mevsimsellik de göz önüne alınacaktır. Bu amaçla MannKendall testi ve Sen in T testi yöntemleri kullanılacaktır. Türkiye yağış verilerinde trend belirleme çalışmaları özellikle Ocak, Şubat ve Eylül ayları ile yıllık ortalama da önemli trendlerin bulunması ile sonuçlandı. Genel olarak özellikle Türkiye nin batı ve güneyi ile Karadeniz kıyı şeridi başta olmak üzere azalma eğilimi olduğu belirlendi. Ancak sonuçlar Türkiye de genel bir iklim değişimi olduğunu onaylamak için yeterli değildir. viii

8 TREND ANALYSİS İN TURKEY PRECİPİTATİON DATA SUMMARY The detection and attribution of past trends, changes and variability in climatic variables is essential for the understanding of potential future changes resulting from anthropogenic activities. For this purpose various trend detection studies have been carried out in different parts of the worlds, mostly for identification of climate change. Some of these cases have shown significant trend components and increasing extreme events, especially during the last year period. Parametric and nonparametric procedures are utilized to detect to trends in climatically variables. The parametric test require that the data be normally distributed. If the time series have nonnormal distribution, missing values and serial correlation, nonparametric procedures are proposed. Consequently, nonparametric procedures have been used commonly because of require of not much acceptance. In this study, precipitation trend analysis will be determine by nonparametric procedures include of serial correlation and seasonality. For this purpose, Mann Kendall test and Sen s T test will be carry out to the time series. The application of a trend detection framework in Turkey has resulted in the identification some significant trends, especially January, February, September precipitation and annual average precipitation. Generally, the analysis indicate that there is a decrease tendency in precipitation of Turkey, especially west of the Turkey, south of Turkey and shore of the Black Sea Region. Moreover results of trends aren t sufficient for prove climatic change in Turkey. ix

9 1. GĠRĠġ Son yıllarda iklim değiģimi ve değiģkenliğinin potansiyel etkileri üzerine hidrolojik ve klimatolojik zaman serileri üzerine yapılan çalıģmalar artmıģtır. Bu çalıģmalar genel olarak, iklim değiģikliği var mı sorusuna cevap bulmak ve yeni modeller geliģtirmek amacıyla yapılmıģtır. Dünyanın çeģitli coğrafyalarında yapılan bu çalıģmalarda daha çok sıcaklık ve akıģ verileri incelenmiģ, fakat yağıģ verileri de özellikle son 3 yıldır giderek daha fazla önem kazanmıģtır. Ayrıca bu araģtırmalarda pek çok hipotez ileri sürülmüģtür. Karl (1993) iklim zaman serilerinde son 3 yıldır aģırı (extrem) olayların artmakta olduğunu ve önemli trendleri belirledi. Yapılan araģtırmalarda sera etkisi, global ısınma, ĢehirleĢme gibi etmenlerin iklim değiģikliklerine yol açtığı bulundu (Örnek olarak Balling, 199). Chagnon (199) ĢehirleĢmenin sıcaklık ve yağıģ gibi önemli iki iklim değiģkenini etkilediğini gösterdi. Ġklim değiģkenliğinin potansiyel etkileri üzerine kapsamlı bir bakıģ IPCC ( Intergovernmental Panel On Climate Change, 1996) panelinde yapıldı. Burada özellikle kuzey enlemlerde yağıģtaki artıģtan dolayı, akıģın arttığı ifade edilmiģtir. Bunun neticesinde sel frekanslarında bir artıģ tahmin edilmektedir. Kuraklık frekansı ve Ģiddeti de, yağıģ ve buharlaģmadaki değiģikliklerin sonucunda artabilir. Hidrolojik rejimde oluģan değiģiklikler yıl içerisinde farklı Ģekillerde kendini gösterebilir. Örneğin kıģın artan sıcaklıklar, daha erken kar erimelerine neden olurken bu da baharda akıģın artmasına, yazın ise kuraklığa neden olabilir. YağıĢın ölçüldüğü bölgenin jeomorfolojisi artan antropojenik etkilerden etkilenmektedir. Bu yüzden bozulmamıģ yada antropojenik etkilerden uzak ölçümler, hidrolojik rejim içerisindeki değiģiklikleri daha iyi yansıtır ve iklim değiģikliğini belirlemede gösterge olarak kullanılabilir. Yani ekosistemde iklim değiģikliğinin etkilerini anlamak için bu özellikteki hidrolojik zaman serileri üzerine trend analizleri uygulanmalıdır. Ancak ĢehirleĢme ve sanayileģmenin etkisi araģtırmalarda dikkat edilmesi gereken bir husustur. Genelde yağıģ verilerinde bu 1

10 etkinin daha az olabileceği söylenebilir. Burada dikkat edilmesi gereken bir noktada verilerin düzenli olarak ve sistematik bir Ģekilde toplanmasıdır. AraĢtırmada kullanılacak verilerin yeterince uzun zamana ait olması ve yeterince fazla istasyonda gözlem yapılması da, yapılacak çalıģmaların ve trend analizi sonuçlarının gerçekten iklim değiģikliğinin belirlemesi ve güvenilirliği açısından önemlidir. Hidroklimatolojik zaman serileri üzerine trend analizinde lineer regresyon modeli gibi parametrik metotlar kullanılmıģtır. Ancak klasik parametrik testler normalite, lineerlik ve bağımsızlık gibi kabullere dayandığı için hidroklimatolojik zaman serilerinin (yağıģ, akıģ gibi) analizinde genellikle uygun değillerdir. Bu sebeplerden dolayı parametrik olmayan yöntemler geliģtirilmiģtir. Bu yöntemler gözlemlerin büyüklüğünden çok sıralarını (rank) esas alır ve normal dağılım yada herhangi bir dağılıma uyma Ģartı gerektirmez. Ayrıca kayıp değerler, kısıtlı veriler ve mevsimsellik gibi bazı problemlerde parametrik olmayan yöntemlerde çözülebilmektedir. Box ve Jenkins (197) ve Box ve Tiao (1975) parametrik yöntemleri serisel korelasyonu gidermek için uyguladılar. Lettenmaier (1976) küçük örnekler, eksik değerler, değiģken laboratuar teknikleri söz konusu olduğu için ve serisel korelasyon halinde normal yaklaģımların uygun olmadığını buldu (Hirsch ve diğerleri,198). MannKendall testi hidrolojik verilerde en çok uygulanan trend analizi yöntemidir. Mann tarafından geliģtirilen bu test Kendall s Tau olarak bilinen testin özel bir uygulamasıdır. Hirsh (198) MannKendall testinin biraz değiģtirilmiģ bir hali olan MevsimselKendall testini ilk kez önerdi. Bu test verilerin rasgeleliğini göstermeyi amaçlar. Testin H hipotezi Ho sıfır hipotezinin zayıf bir Ģeklidir. Hirsh in su kalitesi zaman serilerine uyguladığı bu metotta test istatistiği ve varyans her bir ay için ayrı ayrı hesaplanır. MevsimselKendall test istatistiği (S) ise bütün ayların toplamı ile bulunur. Ancak bu test serisel bağımlılığa karģı güçlü değildir. Hirsh (198) ilk kez serisel bağımlılığa karģı güçlü olan orijinal Kendall testinin bir modifikasyonunu önerdi. Bu test 1 yıldan küçük örnekler halinde orijinal testten daha iyi sonuçlar vermez. Çok kuvvetli uzun dönem bağımlılık halinde ve eğer gerçekte serisel korelasyon yoksa bu test serisel korelasyonu göz önüne almayan testlerden daha az güçlüdür. Orijinal testteki gibi zaman serisinin sıraları üzerine esastır.

11 Van Belle ve Hughes (198) testleri Ġntrablock metotlar ve aligned rank metotlar olarak ikiye ayırmıģlardır. Van Belle ve Hughes, ilk olarak 1968 yılında Sen tarafından geliģtirilen ve yine sıralar üzerine esas olan Sen in T testini kullanmıģlardır. Hidroklimatolojik zaman serilerinde dikkate alınması gereken önemli bir problemde içsel bağımlılık (serisel korelasyon) etkisidir. Bu konuda da son yıllarda yeni metotlar geliģtirilmektedir. Zhang () Kanada da akıģ trendlerini belirlemek için MannKendall testini uyguladı. Serisel bağımlılığın ortadan kaldırılması için ise Von Storch and Navarra (1995) tarafından önerilen zaman serisine prewhitened yapılması yöntemini uyguladı. Bu yöntemi 3, ve 5 yıl uzunlukta verilere yıllık minimum, maksimum değerler ve aylık ortalama değerler için uyguladı. Yıllık ortalama akıģlarda bir azalma olduğunu buldu. Ancak Kanada da iklimlerde aģırı değiģimlerden söz edilemeyeceğini savundu. Lettenmaier (199) aylık yağıģ, sıcaklık ve akıģ zaman serilerinin (Amerika daki verilere) trend analizini yaptı. Böylece onların mevsimsel ve uzaysal karakteristiklerini belirlemeye çalıģmıģtır. Lettenmaier serisel korelasyonu göz önüne almayan MannKendall testini uyguladı. MannKendall testinin trendin varlığını gösterdiğini ifade etti. Ancak onun büyüklüğünün belirlenmesi için Hirsh (198) tarafından önerilen algoritmayı (Sen, 1968) tarafından önerilen yöntemin yeni bir boyutudur) kullandı. Burn ve Elnur () iklim değiģimine oranla hidroloji ve meteoroloji arasındaki iliģkiyi göstermeyi amaçladı. Bunun için hidrolojik değiģkenlere ait trendlerle meteorolojik değiģkenlere ait trendler arasındaki iliģkiyi incelendi. Kanada da akıģ verilerinde trend olup olmadığını belirlemek için MannKendall testini kullanırken trendin eğim büyüklüğünün tahmini için Hirsch (198) tarafından öne sürülen bir algoritmayı ve serisel korelasyonu gidermek içinde prewhitened yöntemini kullandı. Burn bu çalıģmada uzaysal olarak üniform olmayan çok sayıda önemli trend buldu. Dünya literatüründe ki diğer bazı önemli çalıģmalar ise Ģöyledir. Lins ve Slack (1999) yedi kuantile için Amerika da akıģ datalarının orijinal MannKendall yöntemiyle trend analizini yaptı ve Amerika da akıģta ve yağıģta artıģ olduğunu ancak bunun aģırı olarak nitelendirilemeyeceğini buldu. Whitfield ve Canon () Kanada da, G.Kiely (1999) Ġrlanda da yağıģ ve akıģ zaman serilerine trend analizi uyguladılar ve önemli trendler buldular. 3

12 Dünyanın herhangi bir yerinde iklimsel olaylarda bir değiģiklik olursa bunun etkilerinin tüm dünyada görülmesi kaçınılmazdır. Coğrafya olarak çok özel bir konumda olan ve her tarafı denizlerle çevrili olan ülkemiz, dünyada meydana gelecek iklimsel değiģimlerden önemli oranda etkilenecek yerlerden biri olacaktır. Bu amaçla son yıllarda iklim değiģimi ile ilgili araģtırmalar giderek artmakta ve daha fazla ilgi görmektedir. Bazı istatistiksel çalıģmalar özellikle sıcaklık zaman serileri üzerine yapılmıģ ve önemli trendler bulunmuģtur. Ancak ülkemizde bu konudaki çalıģmaların yetersiz olduğu söylenebilir. Türkiye de bu araģtırmalarda karģılaģılan en önemli problemlerden biri yeterli uzunlukta, homojen ve eksiksiz veri bulmanın zorluğudur. Ülkemizde genelde trend analizleri sıcaklık datalarına uygulanmıģtır. TürkeĢ (1995) sıcaklık zaman serilerine dört istatistiksel test uygulamıģtır. Bunlar WaldWolfowitz serisel korelasyon, MannKendall, Sperman ve Cramer s testtir.ġlk üç test parametrik olmayan testlerdir. Birinci test serisel korelasyona karģı rasgeleliği belirlemeye, ikinci ve üçüncü test trendin varlığını belirlemek amacıyla kullanılır. Bu çalıģmada Türkiye de (Doğu Anadolu bölgesi hariç) son yirmi yıldır bir soğuma olduğunu buldu. Ancak genel olarak Türkiye de bir iklim değiģiminden söz edilebilecek kanıtlar olmadığını ileri sürdü. TürkeĢ (1996) Türkiye de yıllık yağıģların uzaysal karakteristiklerini incelemiģtir. Bu amaçla 91 istasyona ait yağıģ verilerini yağıģ bölgelerine göre ayırmıģ, onların varyasyonlarını göstermiģtir. YağıĢ verilerinin zaman serisi analizi için Mann Kendall testinin ardıģık versiyonunu ve WoldWolfofitz testini kullanmıģtır. Türkiye yi yedi yağıģ bölgesine göre ayırmıģ ve Ġç Anadolu Bölgesi haricinde hepsinde azalma eğilimi bulmuģtur. Fakat bu eğilim % 95 düzeyinde önemli değildir. Ayrıca 15 istasyonda önemli azalma trendi buldu ki bunların 7 si Akdeniz yağıģ bölgesindedir. Sadece istasyonda artıģ trendi buldu. YağıĢta genel bir azalma eğilimi olduğunu bulmuģtur. Ancak TürkeĢ sadece yıllık ortalamalar ile çalıģmıģtır. Toros (1993) tez çalıģmasında Türkiye de iklim değiģiminin belirlenmesi açısından aylık sıcaklık ve yağıģ verilerine trend analizi uygulamıģtır. Türkiye de ki 18 yağıģ istasyonuna ait verilere MannKendall testini yıllık ortalama için ve mevsimsel ortalama için (kıģ, ilkbahar,yaz, sonbahar) uygulamıģ ve genelde çok az trend bulmuģtur. Yıllık toplam yağıģta Samsun ve Kars ta kıģın, Ankara da ilkbaharda, Antalya da yazın artıģ; Kars ve Ankara da azalma trendi saptanmıģtır. Bununla

13 birlikte mevsimsel olarak yıllık toplam yağıģlarda önemli olmasa da özellikle kıģ aylarında bir azalma, ilkbaharda ise bir artma eğilimi bulmuģtur. Bu çalıģmada ki istasyon sayısı genel bir sonuç çıkarmak için yeterli değildir. Karaca (1995) Türkiye nin iki büyük Ģehri Ġstanbul ve Ankara da iklimlere ĢehirleĢmenin etkilerini araģtırmıģtır. Bu amaçla sıcaklık zaman serilerine lineer regresyon modeli ve MannKendall testi uygulayarak trend analizi yapmıģtır. Verilerin homojenliğini Sneyers (199) tarafından önerilen Run testi ile test etmiģtir. Veri içerisindeki kayıp değerleri (sürekli olarak 1 yıldan az olmak Ģartı ile) aynı ayın önceki yada sonraki yıldaki değerini alarak giderme yoluna gitti. Karaca sıcaklık verilerine uyguladığı çalıģması sonucunda Ġstanbul un güneyinde sanayileģmenin ve ĢehirleĢmenin neden olduğu ısınma trendi bulmuģtur. Kadıoğlu (1997) yine sıcaklık verilerine trend analizini aylık ve yıllık değerler için uyguladı. MevsimselKendall testini önem seviyesini 5 alarak kullanmıģtır. Sonuçta istatistiksel olarak çok önemli olmayan trendler buldu. Tayanc ve Karaca (1997) MannKendall testini aylık sıcaklık zaman serilerine uyguladı. Literatürde trend analizi uygulamak için parametrik ve parametrik olmayan pek çok yöntem kullanıldı. Son yıllarda daha önce açıkladığımız nedenlerden dolayı daha çok parametrik olmayan yöntemler kullanılmıģtır. Bu yöntemler arasında MannWhitney, KruskalWallis, Sperman, MannKendall, Seasonal Kendall, Sen s T testleri en çok kullanılanlarıdır. Ancak MannKendall testinin en uygun test olduğu pek çok araģtırmacı tarafından kabul edilmektedir. Bu testin en önemli tarafı uygulaması kolay, sıralar üzerine esas olması ve serisel korelasyon etkisini yoketmesidir. Ġklim değiģikliğinin belirlenmesi ve bunun etkileri üzerine dünyada pek çok araģtırma yapıldı. Türkiye de de hidrolojik ve meteorolojik değiģkenler üzerine trend analizleri yapıldı fakat yağıģ değiģkeni üzerine çok geniģ kapsamlı bir araģtırma yapılmadı. Genel olarak daha çok sıcaklık verilerine trend analizleri yapılmıģtır. Bu çalıģmada Türkiye genelinde yağıģ trend analizi parametrik olmayan yöntemlerle yapılacak ve bulunan trendlerin önemi değerlendirilecektir. Trend analizleri 1 ayın her biri için ve yıllık ortalamalar için yapılacaktır. Ayrıca ayların, mevsimlere etkisinin belirlenmesi için birde mevsimsel olarak trend analizi yapılacaktır. Bu amaçla veriler mevsime (kıģ, ilkbahar, yaz, sonbahar) ayrılarak, ayların, mevsimlere ve hatta yıllık ortalama değerlere olan etkisi belirlenecektir. Ayrıca son 5

14 olarak bölgesel olarak trend varmı sorusuna daha iyi cevap bulmak için bölgesel trend analizi yapılacak ve bunun için Türkiye de belirlenecek yedi yağıģ bölgesinde moduler katsayılı yeni seriler belirlenecek ve bu serilere trend analizi uygulanacaktır. Sonuçlar Türkiye de yapılan diğer iklimsel değiģkenlere (akıģ, sıcaklık) ait trend sonuçlarıyla karģılaģtırılıp, genel olarak iklim değiģikliğinden söz edilip edilemeyeceği üzerine bir yorum yapılabilecektir. 6

15 . VERĠ VE METOTLAR.1. Veriler Ve Türkiye YağıĢ Ġklimi Bu araģtırmada Türkiye yağıģ verilerinde trend belirlemek için, Türkiye genelinde homojen olarak dağılmıģ 96 yağıģ gözlem istasyonuna ait veriler kullanılmıģtır. Bu veriler 5565 yıl uzunluktadır ( ). Devlet Meteoroloji ĠĢleri Genel Müdürlüğü ne bağlı istasyonların harita üzerindeki dağılımı ġekil.1 ve istasyonlara ait bilgiler tablo.1 ile verilmiģtir. Ġstasyonların % 37 si (35 istasyon) 55 yıllık, %9 u (9 istasyon) 556 yıllık ve % 5 ü (5 istasyon) 665 yıllık veri uzunluğuna sahiptir. Trend belirlemeye sistematik yaklaģım genel olarak Ģu Ģekilde özetlenebilir: 1. ÇalıĢmada kullanılacak değiģken seçilmelidir,. Verilerin elde edileceği istasyonların seçimi, 3. Trend analizi yönteminin seçilmesi,. Bulunan trendlerin öneminin belirlenmesidir. ÇalıĢmada kullanılacak değiģken için burada yağıģ değiģkeni seçildi. Ġkinci madde ise verilerin elde edileceği istasyonların seçimidir. Yersel olarak her noktada yağıģın ölçülememesi önemli bir problemdir. Burada dikkat edilecek noktalar yeterli kayıt uzunluğu ki en az yıl uzunlukta olmalıdır, istasyonların mümkün olduğunca doğal koģullarda bulunması, istasyonların sürekliliği ve verilerin güvenilirliğidir. Bu çalıģmada kullanılan yağıģ verilerinin homojenliği Özçelik (1996) tarafından test edilmiģtir. Özçelik 8 meteoroloji istasyonuna ait günlük değerlerden aylık ve yıllık yağıģ değerlerini elde etmiģ ve bu verilere parametrik olmayan KruskalWallis homojenlik ve SwedEisenhart run testlerini ve grafiksel analizleri uygulayarak veri içerisinde homojen olmayan kısımları tespit etmeye çalıģmıģtır. Yöntemin 8 aday istasyonla yüksek korelasyonlu komģu istasyonlarla oluģturulan çiftlere uygulanması neticesinde, 69 istasyonun homojen veriye sahip olduğunu göstermiģtir. Bu çalıģma da Devlet Meteoroloji ĠĢleri Genel Müdürlüğü ne bağlı yağıģ gözlem istasyonlarına ait en az 55 yıl uzunlukta veriler kullanılmıģtır. 7

16 ġekil.1. Türkiye yağıģ gözlem istasyonlarının dağılımı 8

17 Table..1. Ġstasyonlara ait genel bilgiler Bölge Ġstasyon adı Ġstasyon numarası Enlem Boylam Veri Süre (yıl) Ġstasyon adı Ġstasyon numarası Enlem Boylam Veri Süre (yıl) G.Doğu D.Anadolu Bölge Karadeniz Bölgesi Ġç Anadolu Bölgesi Akdeniz Bölgesi Ege Bölgesi Marmara Bölgesi Balıkesir 171,5 5,35 55 Kırklareli 175 1, 7,1 65 Bandırma ,38 7,53 6 Lüleburgaz 176 1, 7,1 55 Bursa 17116,11 9, 65 Sakarya 1769,7 3,5 55 Bilecik 171,9 9,59 65 Tekirdağ 1756,59 7,33 6 Çanakkale 1711,9 6,5 65 Çorlu 175 1,1 7,8 55 Biga 63,13 7,15 6 Göztepe 176,58 9,5 65 Kocaeli 1766,7 9,56 55 Şile 1761,7 3,5 55 Edirne 175 1, 6,3 65 Florya 17636,59 8,5 55 Edremit ,36 7,1 55 Akhisar ,55 7,51 65 İzmir 17 38,6 7,1 65 salihli ,9 8,8 5 Kütahya ,5 9,58 65 Uşak ,1 9, 65 Dikili , 6,53 55 Afyon ,5 3,3 65 Simav ,5 8,59 55 Muğla ,13 8,1 65 Aydın ,51 7,51 65 Bodrum ,3 7,6 55 Manisa ,37 7,6 6 Fethiye ,37 9,7 55 Dörtyol ,51 36,13 65 Isparta 17 37,6 3,33 65 İskenderun ,35 36,1 55 Antalya ,53 3, 65 Mersin ,8 3,36 65 Manavgat ,7 31,6 55 Silifke ,3 33,56 65 Alanya ,39 3,3 55 Kilis ,3 37,7 6 Burdur ,3 3,17 55 Islahiye , 36,58 59 Adana , 65 K.Maraş ,36 36,56 55 Antakya ,1 36,1 55 Konya 17 37,5 3,3 65 Kırşehir ,9 3,1 65 Aksehir ,1 31,5 5 Karaman ,11 33,13 65 Ilgın ,17 31,55 65 Kayseri , 35,9 55 Ankara ,57 3,53 65 Niğide ,58 3,1 59 Polatlı ,35 3,9 65 Ulukışla ,33 3,9 55 Eskişehir ,7 3,3 65 Yozgat ,9 3,8 55 sivrihisar ,7 31,3 65 Aksaray ,3 3,5 55 Çorum 178,33 3,57 65 Sivas ,5 37,1 65 Kastamonu 177, 31,31 65 Tokat 1786,18 36,3 6 Amasya 177 1, 33,7 6 Trabzon ,3 65 Merzifon 1785,39 35,5 55 Rize 17 1,,31 65 Giresun 1783,5 35, 6 Samsun 173 1,17 36,18 65 Şebinkarah. 173,55 38, 65 Sinop 176,1 35,1 65 Ordu 1768,18 38,5 65 Gümüşhane 1788,8 39,8 63 Zonguldak 1733,59 37,5 65 Bayburt 17686,15,1 65 Tokat 17 1,7 31,8 63 Ağrı ,3 3,3 55 Iğdır ,55,3 55 Ardahan ,7,3 55 Kars 1798,37 3,6 65 Bitlis ,,7 5 Muş 17 38, 1,9 59 Elazığ , 39,1 6 Sarıkamış 1769,,3 6 Erzincan ,5 39,3 55 Van ,3 3,3 6 Erzurum ,55 1,16 65 Malatya ,1 38,13 65 Hınıs , 1, 55 Siirt ,55 1,57 65 Adıyaman ,5 38,17 55 Ş.Urfa ,8 38,6 55 Diyarbakır ,5,1 65 Siverek ,6 39,19 65 G.Antep , 37,3 55 Cizre 55 Mardin ,18, 55 9

18 Yeryüzünde suyun ana kaynağı olan yağıģın miktarı hidrometeorolojik parametreler arasında öngörüsü en zor olanıdır. YağıĢ miktar ve Ģiddet bakımından değiģim gösterdiği gibi, yağıģın dağılımı da zamana ve konuma bağlı olarak büyük değiģim göstermektedir. Herhangi bir alana düģen yağıģ miktarı lokal etkilere, çevresel faktörlere, yağıģ ölçüm aletlerine ve bunun gibi etkilere bağlı olduğu için uzun periyotlara ait yağıģ kayıtlarının değiģmemesini beklemek zordur. Türkiye nin ikliminin en önemli belirleyicileri Akdeniz ve Karadeniz havzaları, Anadolu yarımadasının güney ve kuzey kıyıları boyunca uzanan yüksek dağlar ve Anadolu platosudur (TürkeĢ, 1996). Atlantik Okyanusu ve Akdeniz yağıģın ana kaynağı olan nemin oluģup ülkemizi etkilemesine neden olan ana kaynaklardır. Bu yüzden genel olarak Ege ve Akdeniz kıyıları yağıģtan en çok etkilenen alanlardır. Batıdan doğuya uzanan yüksek dağlar nedeniyle bu yağıģ bırakan nemli hava kütlelerinin iç kısımlara ulaģmasını engellemektedir. Bu yüzden Türkiye de kıyı kesimlerden iç kesimlere gittikçe yıllık toplam yağıģ miktarında azalma görülmektedir (ġekil.). Bu çalıģma da trend analizi uygulanmadan önce verilerin ön istatistiksel bilgileri hesaplanarak yağıģın Türkiye de ki genel özellikleri hakkında bilgi edinilecektir. ġekil.. Yıllık toplam yağıģın Türkiye de ki coğrafi dağılımı 1

19 .. Uygulanan Metotlar Trend analizi yöntemini seçilmesi: Bu çalıģmada parametrik olmayan MannKendall ve Sen in T testi kullanılmıģtır. Son yıllarda iklim değiģikliğine etki eden parametrelerin istatistiksel analizinde daha çok parametrik olmayan testler kullanılmaktadır. Hidroklimatolojik verilerin analizinde parametrik olmayan yöntemlerin seçilmesinin baģlıca sebepleri Ģunlardır. Hidroklimatolojik veriler genellikle kısa süreli, içerisinde eksik verileri barındıran, çarpık dağılıma sahip verilerdir. Verilerde önemli miktarda mevsimsellik vardır. Klasik parametrik metotlar lineerlik, normal dağılım ve bağımsızlık gibi kabullere dayanmaktadır. Hidroklimatolojik veriler genellikle böyle değildir. Parametrik olmayan testler, örnek istatistiklerinin örnekleme dağılımına bağlı olmayan, bu yüzdende serbest dağılımlı (dağılımdan bağımsız) yöntemler olarak adlandırılan istatistiksel yaklaģımlardır (Harmancıoğlu ve Ġçağa, 1995). Ayrıca zaman serisinde var olan serisel korelasyon etkiside parametrik olmayan yöntemlerle daha iyi çözülebilmektedir (Zhang, 1). Van Belle ve Hughes (198) parametrik testleri genel olarak ikiye ayırmıģlardır. Ġntrablock metotlar (Kendall ın tau istatistiğinde olduğu gibi, her bir blok veya mevsim için ayrı ayrı istatistik hesap yapılır ve sonra tek bir istatistik ortaya çıkarmak için bulunan istatistikler toplanır. Aligned Rank metotlar (her bir gözlemden blok etkisi çıkarılır, bloklardaki datalar toplanır ve bu toplamdan tek bir istatistik ortaya çıkarılır. Yaptıkları çalıģmalar sonucunda aligned rank metotların, eksik değerler olmadığı zaman, özelliklede az kayıtlarda intrablock metotlardan daha güçlü olduğunu ; fakat diğer durumda intrablock metotların daha iyi olduğunu belirtmiģlerdir. Bu çalıģma da kullanılan MannKendall testinde blokları ayrı ayrı değerlendirirken, Sen s T testinde bütün veriler tek bir blok olarak değerlendirilir. Ama her iki test de sıralar üzerine esastır ve mevsimsel etkilerden etkilenmez. Bulunan trendlerin öneminin belirlenmesi: Trend analizinin dördüncü maddesinde trendlerin önemi Sen in estimatörü de denen bir permütasyon yaklaģımı kullanarak yapıldı. Ayrıca belirli bir önem seviyesinde verilerde var olan korelasyon yapısını da belirlemek gerekir.bu yüzden bu çalıģmada MannKendall testi uygulanmadan önce % 5 önem seviyesinde serisel korelasyon önemli ise bu etkiyi gidermek için prewhitened uygulaması yapılmıģtır. 11

20 Bu çalıģmada yağıģ verileri aylık ortalama ( 1 ay için ayrı ayrı ) ve yıllık ortalama için değerlendirilmiģtir. Trend analizi uygulamak için parametrik olmayan Mann Kendall ve Sen in T testi kullanılmıģtır. Ayrıca serisel korelasyon etkisi de göz önüne alınmıģ ve bu etkiyi gidermek için prewhitened uygulaması yapılmıģ, trendin büyüklüğünü belirlemek ve karģılaģtırma yapmak için ise Sen in estimatörü de denen bir algoritma kullanılmıģtır...1 Ön Ġstatistiksel Analiz YağıĢ verilerine parametrik olmayan trend testleri uygulanmadan önce her bir istasyona ait verilere Ģu analizler uygulanmıģtır. (a) özet istatistiksel bilgilerin bulunması, (b) bağımlılık testi. Bu analizlerin yapılmasının amacı parametrik olmayan testlerin kullanılmalarının gerekliliğinin yanı sıra eğer seri mevsimsellik ve bağımlılık özelliklerine sahip ise bunların dikkate alınmasıdır....serisel Korelasyon Serisel korelasyon, hidrolojik zaman serilerinin analizinde dikkate alınması gereken önemli bir problemdir. Özellikle pozitif bir serisel korelasyon varsa trend sonucunda belirli bir önem seviyesinde gerçekte olması gerekenden daha önemli bir trend bulunacaktır (Van storch and Navarra, 1995). Parametrik olmayan bir yöntem olan MannKendall testi hidrolojik trendlerin analizinde serisel korelasyonuda göz önüne alarak kullanılan en yaygın metottur. Verinin serisel korelasyonunu gidermek için çeģitli yaklaģımlar ileri sürülmüģtür. En çok kullanılan iki metot ilk olarak Van Storch ve Navorra (1995) tarafından önerilen zaman serisine prewhitening uygulanılması yada zaman serisini belli bir forma sokmak için budama (prune) yöntemidir. Bu çalıģmada zaman serisinden serisel korelasyonu gidermek için seriye prewhitening yapılacaktır. Ele alınan aylık toplam değerler için olan seriyle mevsimsel ve yıllık ortalama değerlerden oluģan seride uygulanacak serisel korelasyon etkisi aģağıdaki Ģekkilde belirlenir. i). Serisel korelasyon (r) aģağıdaki formülle hesap edilir. 1 ( x( t)* x( t k)) x( t)* x( t k) r ( k) n k (.1) 1/ 1/ 1 1 ( ) ( ( )) ( ) ( ( )) x t x t x t k x t k n k n k 1

21 Burada öteleme sayısı (k) 1 olarak alınır. X(t) ise zaman serisinin herhangi bir andaki değeridir. Bulunan serisel korelasyonun 5 önem seviyesinde istatistiksel olarak önemli olup olmadığını belirlemek için r nin üst ve alt limitleri Anderson testine ait aģağıdaki bağıntılar kullanılacaktır (Shahin, 1993). r üst 1 ( 1 z / n k n k 1 1) (.) r alt 1 ( 1 z / n k n k 1 1) (.3) Burada n, toplam veri sayısı k, öteleme sayısı ve z normal dağılım tablosundan belirli bir güven aralığında (=,5) okunan kritik değerdir. ii). Eğer serisel korelasyon %5 önem seviyesinde önemli değil ise zaman serisine MannKendall testi aynen uygulanır. iii). Aksihalde (X 1, X,...., X n ) orijinal zaman serisine önce prewhitening yapıldıktan sonra elde edilen yeni seriye (X r*x1, X3 r*x,..., Xn r*x(n1)) MannKendall testi uygulanır (Zhang, 1). PreWhitened yöntemi sadece MannKendall testi için uygulanır...3 MannKendall Testi MannKendall testi (Yu, 1993) Kendall s Tau olarak bilinen testin özel bir uygulamasıdır ve parametrik olmayan bir testtir. Hidroklimatolojik verilerin analizinde en çok uygulanan ve trend bulmak için mükemmel bir yöntem olarak belirtilen bu yöntem verilerin büyüklüğünden çok sıraları üzerine esastır (Burn, ). Bu testte zamana göre sıralanmıģ (X 1, X,...X n ) serileri H sıfır hipotezine göre zamandan bağımsız ve benzer dağılmıģ rasgele değiģkenlerdir. H 1 alternatif hipotezine göre ise (kj) ve n k,j (n, data kayıt uzunluğu) olmak üzere seride X k ve X j ardıģık data değerlerinin dağılımı benzer değildir, yani seride lineer bir trend vardır. 13

22 MannKendall testinin test istatistiği S Ģöyle bulunur S n 1 n k1 jk1 sgn( x j x k ) (.) sgn ( x j x k ) = ( x jxk ) ( x j xk ) ( x x ) j k 1 1 (.5) Asimptotik olarak normal bir dağılıma sahip ve ortalaması sıfır olan test istatistiği S in varyansı, aģağıdaki Ģekilde bulunur. n*( n 1)*(n 5) Var ( S) 18 (.6) Eğer verilerde benzer değerler varsa (bağlar), varyans hesabı için kullanılan (.6) ifadesi yerine, aģağıdaki eģitlik kullanılır. n( n 1)(n 5) Var ( S) 18 t t( t 1)(t 5) (.7) Varyansı belirlenen MannKendall testinin önemli olup olmadığı, standart normal değiģken z nin aģağıdaki eģitlikle hesaplanarak kritik z değeriyle karģılaģtırılmasıyla belirlenir. Bu ifadede paydaki 1 sayıları, süreklilik düzeltme birimleridir. S z S S S 1 Var( S) S 1 Var( S) (.8) 1

23 Burada bulunan z değeri, belirli bir önem seviyesinde standart normal dağılım tablolarından tespit edilen z / değerinden küçük ve eģit ise H hipotezi kabul edilmekte, aksi halde reddedilmektedir. MannKendall test istatistiği S değeri negatif ise azalan, pozitif ise artan bir trendin varlığını gösterir... Trendin zamanla değiģiminin belirlenmesi Literatürde u(t) ve u (t) olarak bilinen bu yöntem trendin baģladığı yerin belirlenmesi ve trendin zaman içerisindeki seyrinin belirlenmesi için kullanılan bir yöntem olup yukarıdaki formül ile bulunan z değerinin baģtan itibaren her değer için bulunması ile elde edilen MannKendall testinin ardıģık bir versiyonudur (Sneyers, 199). (X 1, X,...X n ) zamana göre sıralanmıģ veri ve onların zamana göre sıraları j=(1,,...n) olmak üzere her j için S istatistiği ve z değeri bulunur. Bulunan z değerleri u(t) fonksiyonunu meydana getirir. Bu Ģekilde bulunan test istatistiği yine =,5 önem seviyesine göre değerlendirilerek trend olup olmadığına karar verilir. u(t) nin sıfırdan uzaklaģması zamanla bir değiģim olduğunu, sıfıra yakın gitmesi ise değiģim olmadığını gösterir. u(t) nin herhangi bir yönde 1,96 yı geçmesi % 95 güven aralığında trendin olduğunu gösterir. (+) yönde geçmesi zamanla bir artıģın, () yönde geçmesi ise zamanla bir azalıģın olduğunu gösterir. u (t) ise u(t) ye benzer Ģekilde seri içinde geri yönde hesaplanır. Grafikse olarak, u(t) ve u (t) değiģimin baģladığı yerlerde birbirine yaklaģır sonra birbirinden uzaklaģarak trendin baģladığı yer ile kuvveti gösterirler. Eğer seri içerisinde herhangi bir trend yoksa u(t) ve u (t) birbirlerine çok defa yaklaģarak yakın salınımlar yapacaklardır...5 Sen in T Testi Ġlk olarak 1968 yılında Sen tarafından önerilen ve 198 yılında Farrell tarafından geliģtirilen bu test sıralı bir rank testidir (Van Belle ve Hughes,198). Dağılımdan bağımsız olup mevsimsellikten etkilenmez. Bu testin MannKendall testine göre en önemli farkı blokları ayrı ayrı değil tek bir blok olarak değerlendirmesidir. Mevsimsel etkilerin çıkarıldığı bu testte serisel korelasyon etkisi MannKendall testinde olduğu gibi çıkarılmamaktadır. Van Belle ve Hughes (198) tarafından uygulanan test istatistiği aģağıdaki Ģekilde hesaplanır. 15

24 X ij ölçülen değiģkenin değeri, i yıl (i=1,,...,n) ve j ay (j=1,,...,1) olmak üzere; a) j. nci ay için ortalama (.9) ve i. nci yıl için ortalama (.1) bulunur. X ij i X. j n (.9) j X ij X i. (.1) 1 b) n yıllık verilerin her bir ayından o ayın ortalaması çıkarılarak mevsimsel etkiler ortadan kaldırılır (X ij X.j ). Yıl Ay Ort 1 X 11 X 1 X X 11 X 1. X 1 X X X 1 X n X n1 X n X n X n1 X n. Ort X.1 X. X X.1 c) 1 den 1xn adete kadar tüm farkların sırası aģağıdaki eģitlikle bulunur. R ij =Rank (X ij X.j ) (.11) d) Rankların ortalaması her bir ay (.1) ve yıl için (.13) hesap edilir. Rij i R. j n (.1) j R ij R i. (.13) 1 16

25 Yıl Ay Ort 1 R 11 R 1 R R 11 R 1. R 1 R R R 1 R n R n1 R n R n R n1 R n. Ort R.1 R. R R.1 e) Sen in T testi istatistiği aģağıdaki gibi hesaplanır 1m T n( n 1) ( R i, j ij R ). j 1/ n i1 n 1 ( i )( Ri. nm 1 ) (.1) Bu formülde hesaplanan m sayısı mevsimleri yada ay sayısını göstermektedir. Burada formül aylık datalara uygulanacağı için m=1 alınacaktır. Burada bulunan T değeri, belirli bir önem seviyesinde standart normal dağılım tablolarından tespit edilen z değerinden küçük ve eģit ise trendin olmadığı varsayımının yapıldığı H hipotezi kabul edilmekte,aksi halde reddedilmekte ve belirli bir trendin olduğu kabul edilmektedir...6 Sen in Trend Eğim Metodu Trendlerin lineer eğimlerinin (birim zamandaki değiģim) belirlenmesi amacıyla yapılır. Sen tarafından geliģtirilmiģ, Hirsch (198) tarafından önerilmiģ olan bu parametrik olmayan metot, veri hatalarından ve aģırı değerlerden etkilenmemektedir (Burn ve Elnur, ). Eksik değerlerin bulunduğu kayıtlara uygulanabilmektedir. Bu yönteme göre (X 1, X..., X n ) zamana göre sıralanmıģ veriler ise X j ve X k, (herhangi j ve k zamanlarındaki veriler olmak üzere (j>k) olmak Ģartı ile) değerleri aģağıdaki bağıntıda kullanılarak trend eğimi bulunur. X j X k (.15) j k 17

26 Bulunan bütün değerlerinin sayısı N adettir. N=n(n+1)/ adet veri küçükten büyüğe doğru sıralanır. Sıralanan bu verilerin medyan değeri bize birim zamandaki değiģimi verir...7 Moduler Katsayısı Uzaysal olarak belirlenmiģ bölgesel bir zaman serisi kullanmak büyük bölgeleri ifade etmek için daha iyidir ve ayrıca bir tek seri ile uğraģmak daha kolaydır. Verilerin büyük ölçekli kendi değerleri yerine onları ifade etmek için çok daha kolay ve anlaģılabilir olan modüler katsayılarının (moduler coefficients) belirlenmesi esasına dayanan bu yöntem farklı istasyonlara ait tüm verileri aynı ölçekte değerlendirmemizi sağlar. Bu Ģekilde tek bir bölgesel seri elde edebiliriz. Bu yönteme göre indeks i yıl (i=1,,...n) ve indeks j ay (j=1,,...1) olmak üzere zaman serisi aģağıdaki gibidir. Yıl Ay X 11 X 1 X 13 X X 11 X 1 X X 3 X X n X n1 X n X n3 X n X n1 Bütün zaman serisi N=1xn adet uzunluğunda tek bir seri gibi düģünülürse, bu seri için tek bir ortalama değer (.16) bulunur (Shahin, 1993). X n i j ort, N X ij (.16) Bütün orijinal zaman serisi değerleri bu ortalama değere bölünerek yeni seri elde edilir (moduler katsayılı seri). X mod X X ij ort, (.17) 18

27 Yeni zaman serisi ( X X 11 ort X, X 1 ort,... X X 11 ort, X X 1 ort X,..., X n1 ort ) Ģeklinde elde edilir. Yukarıda bir istasyon için gösterilen metot aynı bölgedeki bütün istasyonlar için yapılır, böylece bütün istasyonlar için sıfır değerine yakın standart zaman serileri elde edilmiģ olur. Bir bölgedeki bütün istasyonlara ait yeni modüler katsayılara sahip veriler ile bir bölge için tek bir seri elde edilir ( Bir bölgedeki bütün istasyonlar için o yıla ait veriler toplanarak istasyon sayısına bölünecek). Böylece bir bölge için tek bir modüler katsayılı seri elde edilecektir. Bu seriye daha önce anlatılan parametrik olmayan (MannKendall testi, Sen s T testi) yöntemler aynen uygulanacaktır. Bölgesel analizlerin yapılması ile genel bir yorum yapılabilecektir. 19

28 3. ARAġTIRMA SONUÇLARI Bu çalıģmada iklim değiģiminin yağıģ üzerindeki etkisinin belirlenmesi amacıyla Türkiye genelinde Ģekil.1. deki gibi homojen olarak dağılmıģ 96 yağıģ gözlem istasyonuna ait verilere aģağıda belirtilen çeģitli istatistiksel metotlar sırasıyla uygulanmıģtır. Önce verilerin istatistiksel yorumlarının yapılabilmesi için her istasyon için temel istatistik parametreler belirlenmiģtir (ortalama, standart sapma, çarpıklık katsayısı). Serisel korelasyon etkisinin belirlenmesi ve eğer % 95 seviyesinde önemli ise seriye MannKendall testi uygulanmadan önce prewhitening uygulanması. Trend analizlerinin uygulanması ve sonuçlarının değerlendirilmesi. Bunun için tüm istasyonlara ait 1 aylık verilerin herbirisine, yıllık ortalama değerlere ve mevsim ortalama değerlerine MannKendall testi ve Sen s T testi uygulanmıģtır. Ayrıca trendin eğiminin belirlenmesi için Sen s Estimatörü olarak adlandırılan bir yöntem uygulanmıģtır. Bu çalıģmada trendlerin önemli olup olmadığı %95 güven aralığına göre belirlenmiģtir. Son olarak bölgesel trend analizi yapılmıģtır. Bu amaçla her istasyonun orijinal aylık toplam değerleri; modüler katsayılarının (moduler coefficients) transform edilerek elde edilen yeni zaman serileri belirlenerek; her bölge için bir tek indeks zaman serisi elde edilmiģtir. Bu indeks serilere de yine Mann Kendall ve Sen s T testi uygulanmıģtır. 3.1 Verilerin Ön Ġstatistiksel Analizi: Verilerin genel dağılımının belirlenmesi ve genel bir fikir elde etmek amacıyla tüm verilerin tanımlayıcı istatistik değerlerinden; aritmetik ortalaması, standart sapması ve çarpıklık katsayıları belirlenmiģtir. Bu sonuçlar her ay ve yıllık ortalama değerler için ayrı ayrı tablolar Ģeklinde Ek A ile verilmiģtir. Sonuçlar incelendiğinde verilerin çarpıklık katsayılarının yüksek olduğu ve genelde sağa çarpık olduğu görülmektedir. Bu değerler bize parametrik olmayan yöntemleri tercih etmemizin daha iyi olduğunu

29 nispeten göstermektedir. Yıllık ortalama yağıģlara bakıldığında en yağıģlı istasyonun Giresun (16, mm), en az yağıģlı istasyonun Iğdır ( 1,1 mm) olduğu görülmektedir ( Ek A). 3. Serisel korelasyon analizi: Tüm yağıģ verilerine trend analizleri uygulanmadan önce serisel korelasyon (içsel bağımlılık) katsayıları hesaplanmıģtır. Tablo 3.1 aylara göre bulunan serisel korelasyon katsayılarını göstermektedir. Buna göre Türkiye deki yağıģ verilerinin sadece yaklaģık % 7 sinde % 95 güven aralığında önemli serisel korelasyon bulunmuģtur. Yani yağıģ verileri genelde rasgeledir ve aslında yağıģ verileri için serisel korelasyon etkisi ihmal edilebilir. YağıĢ verilerinin diğer iklimsel parametrelere (akıģ gibi) oranla çok daha az içsel bağımlılığa sahip olması doğaldır. Yine tabloya bakıldığında yıllık ortalamada % ve Ocak ayında da % 1 ile serisel korelasyon etkisi en fazladır. KıĢ ayları olan Aralık, Ocak ve ġubat aylarında toplam serisel korelasyonun % 7 si bulunmuģtur. Kasım ayında ise hiç önemli serisel korelasyon bulunamamıģtır. Yaz ayları da serisel korelasyon sayısı daha azdır. Tablo 3. de Marmara (3) ve Ege Bölgesi (16) en yüksek bölgesel serisel korelasyon katsayısına sahiptir. Yine Marmara bölgesinde bulunan serisel korelasyonun toplam serisel korelasyona oranı % 7,1 dir. Özellikle Marmara Bölgesinde yer alan istasyonların çoğunda Aralık ve Ocak ayına ait verilerde serisel korelasyon çıkmıģtır. Ġstanbul iline bağlı olan Göztepe, Florya ve ġile istasyonlarına ait zaman serilerinde Aralık ve Ocak aylarında çok yüksek serisel korelasyon katsayıları bulunmuģtur (Ek A ve A13 ). Akdeniz ve Karadeniz bölgelerinde bulunan istasyonlarda ise çok az serisel korelasyon çıkmıģtır. ġehirleģme ve sanayileģmenin en yüksek olduğu Marmara ve Ege bölgelerinde serisel korelasyonun daha önemli çıkması, bu etkilerin yağıģ verileri üzerinde etkili olduğunu düģündürmektedir. Ek A da tüm istasyonlar için 1 ay için aylık toplam yağıģlar ve yıllık ortalama yağıģlar da serisel korelasyon katsayılarını göstermektedir. Tablolarda görülebileceği gibi Türkiye nin batısında yer alan istasyonlarda genel olarak serisel korelasyon katsayıları yüksektir. Ancak bunların bazıları % 95 seviyesinde önemlidir. Tüm verilerde hesaplanan serisel korelasyon katsayılarının önemli olup olmadığı % 95 güven aralığında belirlenen limit değerlere (Shahin, 1993) göre 1

30 değerlendirilmiģtir. Bu etki ihmal edilemeyecek kadar önemli ise yani limit değerleri aģıyorsa o verilere MannKendall testi uygulanmadan önce prewhitening yöntemi uygulanmıģtır. 3.3 Uygulanan Trend Analizlerinin Sonuçları: Ġstasyon bazında yapılan trend analizi sonuçları: YaklaĢık son 65 yıldır meydana gelen değiģimi belirlemek için Türkiye genelindeki 96 yağıģ gözlem istasyonuna ait verilerin aylık toplam ve yıllık ortalamalarına ait zaman serilerine parametrik olmayan MannKendall testi ve Sen in T testi uygulanmıģtır. Table 3.1. Aylar ve yıllık ortalama değerler için trend ve serisel korelasyonun dağılımı DeğiĢken Ġstasyon sayısı Bulunan Trend sayısı % oranı Önemli serisel korelasyon % oranı Ocak , ,7 ġubat 96 1 (3) 1,, Mart 96 9 (1) 9,3 6 6, Nisan 96 6 (6) 6,, Mayıs 96 (), 6 6, Haziran 96 (),, Temmuz 96 3 () 3,1 3 3,1 Ağustos 96 (1),, Eylül ,5, Ekim 96 3 (1) 3,1 3 3,1 Kasım 96 (), Aralık 96 5 (3) 5, 1 1,5 Yıllıkortalama 96 (3), ,7 Mevsimsel etkilerin daha iyi anlaģılabilmesi için 1 ayın her biri içinde Mann Kendall testi uygulanmıģtır. Ayrıca ilave olarak yıl içerisindeki dört mevsim ( kıģ, ilkbahar, yaz, sonbahar) içinde aynı yöntemler uygulanarak aylık sonuçlarla mevsimsel sonuçlar değerlendirildi. Bulunan trendlerin lineer eğimlerinin (birim zamandaki değiģim) belirlenmesi içinde Sen tarafından geliģtirilen parametrik olmayan bir metot kullanılmıģtır. Parametrik olmayan trend testi istatistiklerinin

31 =% 5 hassasiyet seviyesindeki z değerinden büyük olması durumunda, trendin olduğu sonucuna varılmıģtır. Aylık toplam ve yıllık ortalama yağıģlar için alınan sonuçlar tablo 3.1 ve 3.. ile genelleģtirilmiģtir. Table 3. Bölgesel olarak trend ve serisel korelasyon Bölge Ġstasyon sayısı Bulunan trend sayısı % oranı Önemli serisel korelasyon % oranı Marmara 17 5, 3 1, Ege 1 1 () 8,9 16 1,3 Akdeniz (3) 9,7 7 3,5 Ġç anadolu (7) 9, 13 6, Karadeniz 15 (5) 1, 8,1 Doğu Anadolu 13 1 (7) 8, 9 5,3 G.Doğu Anadolu 8 7 (6) 6,7 9 8,6 Tablo 3.. trendlerin bölgesel olarak Türkiye genelinde nasıl dağıldığının görülmesi açısından bir fikir vermektedir. Burada Türkiye literatürde bilinen yedi bölgeye ayrılmıģtır. Tabloda görüleceği gibi trendin en çok bulunduğu bölge Karadeniz bölgesidir. Yüksek serisel korelasyon değerlerinin bulunduğu Marmara bölgesinde en az trend bulunan bölgedir. Marmara bölgesinde trend bulunan istasyonlar Balıkesir, Çanakkale ve Tekirdağ dır. Bu sonuçlara göre genel olarak Marmara bölgesi için trendden söz edilemez. Önemli trendler bulunan Karadeniz bölgesinde ise özellikle kıyı Ģeridinde azalma eğilimi vardır. Ġç Anadolu Bölgesinde bulunan trendler ise daha çok pozitif yönlüdür (Ankara, Polatlı, Çorum, Kayseri ve Aksaray)Tablo 6 incelendiğinde bütün istasyonlar için trend sonuçları görülmektedir Yıllık ortalama: MannKendall ve Sen s T testi uygulaması sonucunda büyük oranda benzer sonuçlar ortaya çıkmıģtır (Ek A1). ġekil 3.1. Türkiye genelinde yıllık ortalama bazında bulunan trendlerin uzaysal dağılımını göstermektedir. Yıllık ortalama yağıģ verilerinde % 95 güven aralığında Türkiye genelinde bulunan önemli trendlerin sayısı dir. Bu trendler Ģu istasyonlarda bulunmuģtur Balıkesir, Edremit, Aydın, 3

32 Akhisar, Dikili, Afyon, AkĢehir, Bodrum, Fethiye, Isparta, Manavgat, Dörtyol, Ankara, Çorum, Niğde, UlukıĢla, Ordu, Rize, Bitlis, Kars, Kilis ve MuĢ tur. Sadece 3 istasyon (Ankara, Çorum ve Bitlis) yukarı yönlü trend göstermektedir ( Ek A1). Balıkesir, Edremit, Aydın, Akhisar, Kilis, Çorum ve Ankara istasyonlarında sadece MannKendall testi sonucuna göre trend bulunmuģtur. MannKendall ve Sen s T testi sonucuna göre istasyonların 61 tanesinde azalma eğilimi bulunmuģtur. En yüksek trend eğimi Bitlis istasyonunda ve yıllık 1,11 mm artıģ olarak bulunmuģtur. Burada Sen s T testi yapılırken 1 aylık değerlerin hepsi tek bir seri gibi düģünülerek bir tek test sonucu elde edilmiģtir. Bu sonuç Mannkendall testinin yıllık ortalama için elde edilen sonucuna karģılık olarak düģünülmüģtür. ġekil 3.1. Türkiye genelinde trendlerin uzaysal dağılımı (%95 güven aralığında) ġekil..türkiye genelinde trendlerin uzaysal dağılımı(%95 güven aralığında) Yıllık ortalama bazında yağıģ trendlerinin uzaysal dağılımına bakıldığında genelde Türkiye nin batı ve güneybatısında önemli bir azalma görülmektedir. Yine Doğu Karadeniz bölgesinde de azalma trendleri vardır. Bulunan sonuçlar TürkeĢ (1996) ile hemen hemen benzer olmakla birlikte bazı farklı sonuçlar vardır. TürkeĢ, Ilgın, Merzifon ve Bursa da da % 95 seviyesinde önemli trendler bulmuģtur. Ancak TürkeĢ