Journals / Geomatik / 2026 / Cilt: 11 Sayı: 1

Doğu Anadolu Bölgesi’nde Kar Kalınlığının Co-kriging Yöntemiyle Mekânsal Modellemesi: Bitlis, Van ve Hakkâri Örneği

Journal
Geomatik
Pages
139–160
Publication Date
2025-12-16
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu durum, Co-kriging’in dağlık bölgelerde kar kalınlığının modellenmesinde güvenilir bir yöntem olduğunu ortaya koymakta ve bölgesel kar izleme ile taşkın risk yönetimine katkı sunmaktadır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Kar örtüsü, dağlık bölgelerde su kaynakları yönetimi ve iklim süreçleri açısından kritik öneme sahip olmasına karşın, özellikle gözlem ağlarının sınırlı olduğu ve topografyanın karmaşık olduğu Doğu Anadolu Bölgesi gibi alanlarda kar kalınlığının mekânsal olarak doğru tahmini hâlen önemli bir sorundur.
📊
Key Findings & Data:Bu çalışmada, 2000–2024 dönemine ait ortalama sıcaklık, toplam yağış ve kar yağışı gibi değişkenlerle desteklenmiş Co-kriging modelleri aracılığıyla Bitlis, Van ve Hakkâri illerini kapsayan bölgede ortalama kar kalınlığının dağılımı modellenmiştir.
💡
Conclusion & Impact:Bu durum, Co-kriging’in dağlık bölgelerde kar kalınlığının modellenmesinde güvenilir bir yöntem olduğunu ortaya koymakta ve bölgesel kar izleme ile taşkın risk yönetimine katkı sunmaktadır.
🔬Design:Modeling & Simulation
📍Scope:2000–2024 Verileri
⚙️Variables:Kar Kalınlığı · İklimsel Değişkenler · Doğu Anadolu Bölgesi

Özet

Kar örtüsü, dağlık bölgelerde su kaynakları yönetimi ve iklim süreçleri açısından kritik öneme sahip olmasına karşın, özellikle gözlem ağlarının sınırlı olduğu ve topografyanın karmaşık olduğu Doğu Anadolu Bölgesi gibi alanlarda kar kalınlığının mekânsal olarak doğru tahmini hâlen önemli bir sorundur. Bu bağlamda, Coğrafi Bilgi Sistemleri (CBS) tabanlı Co-kriging yöntemi, yardımcı değişkenlerin modele entegre edilmesi sayesinde tahmin doğruluğunu artırma potansiyeli taşımaktadır. Bu çalışmada, 2000–2024 dönemine ait ortalama sıcaklık, toplam yağış ve kar yağışı gibi değişkenlerle desteklenmiş Co-kriging modelleri aracılığıyla Bitlis, Van ve Hakkâri illerini kapsayan bölgede ortalama kar kalınlığının dağılımı modellenmiştir. Ocak ayı modeli RMSE=50,28 mm ve Mayıs ayı modeli RMSE=20,90 mm düzeyinde tahmin hatalarıyla yüksek doğruluk göstermiştir. Elde edilen bulgular, yüksek topografik alanlarda yardımcı değişkenlerin model performansına anlamlı katkı sunduğunu ve kar kalınlığı ile iklim değişkenleri arasında güçlü ilişkiler bulunduğunu göstermektedir. Bu durum, Co-kriging’in dağlık bölgelerde kar kalınlığının modellenmesinde güvenilir bir yöntem olduğunu ortaya koymakta ve bölgesel kar izleme ile taşkın risk yönetimine katkı sunmaktadır.

🔖

Cite This Article

Güner, Ö. D., Aydın, O. (2025). Doğu Anadolu Bölgesi’nde Kar Kalınlığının Co-kriging Yöntemiyle Mekânsal Modellemesi: Bitlis, Van ve Hakkâri Örneği. Geomatik, Cilt: 11 Sayı: 1, 139–160. https://doi.org/10.29128/geomatik.1783742

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (53)

  1. Sadeqi, A., Irannezhad, M., Bahmani, S., Jelodarlu, K.A., Varandili, S.A., & Pham, Q.B. (2024). Long-term variability and trends in snow depth and cover days throughout Iranian Mountain Ranges. Water Resources Research, 60(1), e2023WR035411. https://doi.org/10.1029/2023WR035411
  2. Wang, S., Yin, H., Yang, Q., Yin, H., Wang, X., Peng, Y., & Shen, M. (2017). Spatiotemporal patterns of snow cover retrieved from NOAA-AVHRR LTDR: a case study in the Tibetan Plateau, China. International Journal of Digital Earth, 10(5), 504–521. https://doi.org/10.1080/17538947.2016.1231229
  3. Irannezhad, M., Ronkanen, A.-K., & Kløve, B. (2015). Effects of climate variability and change on snowpack hydrological processes in Finland. Cold Regions Science and Technology, 118, 14–29. https://dx.doi.org/10.1016/j.coldregions.2015.06.009
  4. Ergül, T., & Aydın, O. (2025). Küçük Melen İğneler Havzası’ndaki taşkınların hidrolojik modelleme yöntemiyle (HEC-HMS) belirlenmesi. Geomatik, 10(1), 1–14. https://doi.org/10.29128/geomatik.1492923
  5. Çitgez, T., Eker, R., & Aydın, A. (2024). Spatio-temporal analysis of snow depth and snow water equivalent in a mountainous catchment: Insights from in-situ observations and statistical modelling. Hydrological Processes, 38(8), e15260, 1–15. https://doi.org/10.1002/hyp.15260
  6. Dyer, J.L., & Mote, T.L. (2006). Spatial variability and trends in observed snow depth over North America. Geophysical Research Letters, 33(16), 1–16. https://doi.org/10.1029/2006GL027258
  7. Alexander, P., & Gong, G. (2011). Modeled surface air temperature response to snow depth variability. Journal of Geophysical Research-Atmospheres, 116, D14105, 1–14. https://doi.org/10.1029/2010JD014908
  8. Liu, Y., Li, L.-h., Chen, X., Yang, J.-M., & Hao, J.-S. (2018). Spatial distribution of snow depth based on geographically weighted regression kriging in the Bayanbulak Basin of the Tianshan Mountains, China. Journal of Mountain Science, 15(1), 33–45. https://doi.org/10.1007/s11629-017-4564-z
  9. Wang, L., Jie, F., & He, B. (2025). Analysis of snow cover variability and spatial difference in the high mountain Asia. Research in Cold and Arid Regions, 17(3), 184–194. https://doi.org/10.1016/j.rcar.2025.05.002
  10. Moradi, E., Muchová, Z., Darabi, H., Hafezi, S.M., Karimidastenaei, Z., Moravcová, J., & Haghighi, A.T. (2025). Assessment of snow cover dynamics and the effects of environmental drivers in high mountain ecosystems. Environmental Impact Assessment Review, 114, 107969. https://doi.org/10.1016/j.eiar.2025.107969
  11. Baltaci, H., Arslan, H., Akkoyunlu, B.O., & Gomes, H.B. (2020). Long-term variability and trends of extended winter snowfall in Turkey and the role of teleconnection patterns. Meteorological Applications, 27(2), 1–14. https://doi.org/10.1002/met.1891
  12. Topuz, M., & Karabulut, M. (2021). Doğu Anadolu Bölgesinde kar örtülü gün ve kar yağışlı günler sayısının eğilim analizi (1970-2020). Doğu Coğrafya Dergisi, 26(46), 1–24. https://doi.org/10.17295/ataunidcd.928393
  13. Yeler, O., & Aydın, E. (2023). Kış rekreasyon alanlarında kar derinliğinin RADAR görüntüleri ile incelenmesi: Hakkari Merga Bütan Kayak Merkezi örneği. GSI Journals Serie A: Advancements in Tourism Recreation and Sports Sciences, 6(1), 17–29. https://doi.org/10.53353/atrss.1142987
  14. Topuz, M. (2023). İl merkezi meteoroloji istasyon verilerine göre Doğu Anadolu Bölgesi'nde maksimum kar yüksekliğinin eğilim analizi. Doğu Coğrafya Dergisi, 28(49), 74–81. https://doi.org/10.5152/EGJ.2023.22015
  15. Huang, C.L., Wang, H.W., & Hou, J.L. (2015). Estimating spatial distribution of daily snow depth with kriging methods: combination of MODIS snow cover area data and ground-based observations. The Cryosphere Discussions, 9, 4997–5020. https://doi.org/10.5194/tcd-9-4997-2015
  16. Arumugam, T., Dewali, S.K., Snehmani, & Kinattinkara, S. (2024). Estimation of snow depth in GIS environment from observation points on Z Gali region: a case study of NW Himalaya. Results in Engineering, 21, 101869, 1–25. https://doi.org/10.1016/j.rineng.2024.101869
  17. Demir Yetiş, A., İlhan, N., & Kara, H. (2024). Integrating deep learning and regression models for accurate prediction of groundwater fluoride contamination in old city in Bitlis province, Eastern Anatolia Region, Türkiye. Environmental Science and Pollution Research, 31(34), 47201–47219. https://doi.org/10.1007/s11356-024-34194-w Aydın, M. (2024). Van ilinin kuraklığının SPI ve SPEI yöntemlerine göre değerlendirilmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 15(1), 237–250. https://doi.org/10.24012/dumf.1381660
  18. Bilici, Ş., & Aşur, F. (2025). Hakkâri maden ocağı örneğinde peyzaj onarım çalışmasında geri kazanılan manzaralar. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 26(1), 115–126. https://doi.org/10.17474/artvinofd.1659300
  19. Ertaş, N. (2022). Yapağı-kıl potansiyelinin TRB2 bölgesinde incelenmesi. Doğu Coğrafya Dergisi, 27(48), 19–36. https://doi.org/10.5152/EGJ.2022.977195
  20. Kale, M.M., & Duman, N. (2024). Bendimahi Çayı (Van Gölü Kapalı Havzası) hidrolojik kuraklık analizi. Fırat Üniversitesi Sosyal Bilimler Dergisi, 34(2), 499–516. https://doi.org/10.18069/firatsbed.1458082
  21. İl ve İlçeler İstatistik – Bitlis, (2025). Available from: https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=A&m=BITLIS.
  22. İl ve İlçeler İstatistik – Van, (2025). Available from: https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=A&m=VAN.
  23. İl ve İlçeler – Hakkari, (2025). Available from: https://www.mgm.gov.tr/veridegerlendirme/il-ve-ilceler-istatistik.aspx?k=A&m=HAKKARI.
  24. Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D.G., Piles, M., Rodríguez-Fernández, N.J., Zsoter, E., Buontempo, C., & Thépaut, J.N. (2021). ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349–4383. https://doi.org/10.5194/essd-13-4349-2021
  25. Climate Data Store (CDS) Platform, (2025).
  26. Environmental Systems Research, I., ArcGIS Pro: Release 3.1., (2023). Environmental Systems Research Institute: Redlands, CA.
  27. Yakar, M., Yilmaz, H. M., Yurt, K. (2010). The effect of grid resolution in defining terrain surface. Experimental Techniques, 34(6), 23-29.
  28. Yıldız, E., & Er, F. (2023). Coğrafi bilgi sistemleri ve çok kriterli karar verme yöntemleri: hibrit çözüm yaklaşımı ile Siirt örneği. Geomatik, 8(3), 222–234. https://doi.org/10.29128/geomatik.1228779
  29. Yakar M, Yılmaz H M., Mutluoǧlu Ö (2010). Comparative evaluation of excavation volume by TLS and total topographic station based methods. Lasers in Engineering,19, 331-345
  30. Karakoca, E., & Ünver, A. (2025). Analitik hiyerarşi süreci ve coğrafi bilgi sistemleri kullanarak Eşen Çayı Havzası’nda taşkın riski değerlendirmesi ve haritalandırılması. Geomatik, 10(1), 127–143. https://doi.org/10.29128/geomatik.1542251
  31. Eminoğlu, Y., & Tarhan, Ç. (2025). Decadal evolution of GIS in disaster management and risk assessment. International Journal of Engineering and Geosciences, 10(2), 173–196. https://doi.org/10.26833/ijeg.1544048
  32. Abdul Rahim, M.S.D., Salleh, S.A., Naharudin, N., Isa, N.A., Pardi, F., Abdullah, M.F., & Anuar, N. (2025). Using geospatial-driven territorial planning and land suitability analysis for sustainable coconut agriculture in Johor, Malaysia. International Journal of Engineering and Geosciences, 10(3), 313–328. https://doi.org/10.26833/ijeg.1572232
  33. Song, M., Li, W., Zhou, B., & Lei, T. (2016). Spatiotemporal data representation and its effect on the performance of spatial analysis in a cyberinfrastructure environment – a case study with raster zonal analysis. Computers & Geosciences, 87, 11–21. https://doi.org/10.1016/j.cageo.2015.11.005
  34. Türkoğlu, N., Aydın, O., Duman, N., & Çiçek, İ. (2016). Türkiye’de yağışın farklı mekânsal enterpolasyon yöntemleriyle karşılaştırılması. İnsan Bilimleri Dergisi, 13(3), 5636–5658. https://doi.org/10.14687/jhs.v13i3.4173
  35. Cho, D., Yoo, C., Im, J., Lee, Y., & Lee, J. (2020). Improvement of spatial interpolation accuracy of daily maximum air temperature in urban areas using a stacking ensemble technique. GIScience & Remote Sensing, 57(5), 633–649. https://doi.org/10.1080/15481603.2020.1766768
  36. Usman, U., Yelwa, S.A., Gulumbe, S.U., & Danbaba, A. (2013). An Assessment of the changing climate in Northern Nigeria using Cokriging. American Journal of Applied Mathematics and Statistics, 1(5), 90–98. https://doi.org/10.12691/ajams-1-5-3
  37. Myers, D.E. (1982). Matrix formulation of Co-Kriging. Mathematical Geology, 14(3), 249–257. https://doi.org/00204958/82/0600-0249503.00/0
  38. Myers, D.E. (1983). Estimation of linear combinations and Cokriging. Mathematical Geology, 15, 633–637. https://doi.org/10.1007/BF01093416
  39. Aydın, O., & Raja, N.B. (2025). Ankara’da partikül madde (PM10) ve kükürt dioksit (SO2) konsantrasyonlarının iklim parametreleri ile mekânsal-zamansal analizi. Doğal Afetler ve Çevre Dergisi, 11(1), 249–267. https://doi.org/10.21324/dacd.1533641
  40. Uyan, M. (2019). Comparison of different interpolation techniques in determining of agricultural soil index on land consolidation projects. International Journal of Engineering and Geosciences, 4(1), 28–35. https://doi.org/10.26833/ijeg.422570
  41. Kongoli, C., & Smith, T.M. (2023). Modeling and estimation of snow depth spatial correlation structure from observations over North America. Frontiers in Earth Science, 11, 1035339, 1–10. https://doi.org/10.3389/feart.2023.1035339
  42. Balk, B., & Elder, K. (2000). Combining binary decision tree and geostatistical methods to estimate snow distribution in a mountain watershed. Water Resources Research, 36(1), 13–26. https://doi.org/0043-1397/00/1999WR900251
  43. López-Moreno, J.I., & Nogués-Bravo, D. (2006). Interpolating local snow depth data: an evaluation of methods. Hydrological Processes, 20(10), 2217–2232. https://doi.org/10.1002/hyp.6199
  44. Thompson, D.W.J., & Wallace, J.M. (1998). The Arctic oscillation signature in the wintertime geopotential height and temperature fields. Geophysical Research Letters, 25(9), 1297–1300. https://doi.org/10.1029/98GL00950
  45. Türkeş, M., & Erlat, E. (2003). Precipitation changes and variability in Turkey linked to the North Atlantic oscillation during the period 1930–2000. International Journal of Climatology, 23(14), 1771–1796. https://doi.org/10.1002/joc.962
  46. Dayan, U., Nissen, K., & Ulbrich, U. (2015). Review article: atmospheric conditions inducing extreme precipitation over the eastern and western Mediterranean. Natural Hazards Earth System Sciences, 15(11), 2525–2544. https://doi.org/10.5194/nhess-15-2525-2015
  47. Trigo, I.F., Davies, T.D., & Bigg, G.R. (1999). Objective climatology of cyclones in the Mediterranean Region. Journal of Climate, 12(6), 1685–1696. https://doi.org/10.1175/1520-0442(1999)012 2.0.CO;2
  48. Monteiro, D., & Morin, S. (2023). Multi-decadal analysis of past winter temperature, precipitation and snow cover data in the European Alps from reanalyses, climate models and observational datasets. The Cryosphere, 17(8), 3617–3660. https://doi.org/10.5194/tc-17-3617-2023
  49. Miller, Z.S., Peitzsch, E.H., Sproles, E.A., Birkeland, K.W., & Palomaki, R.T. (2022). Assessing the seasonal evolution of snow depth spatial variability and scaling in complex mountain terrain. The Cryosphere, 16(12), 4907–4930. https://doi.org/10.5194/tc-16-4907-2022
  50. Dewali, S.K., Jain, K., Dhamija, S., & Singh, D.K. (2022). Mapping snow depth and spatial variability using SFM photogrammetry of UAV images over rugged mountainous regions of the Western Himalaya. Geocarto International, 37(27), 17260–17287. https://doi.org/10.1080/10106049.2022.2127923
  51. Odry, J., Boucher, M.A., Cantet, P., Lachance-Cloutier, S., Turcotte, R., & St-Louis, P.Y. (2020). Using artificial neural networks to estimate snow water equivalent from snow depth. Canadian Water Resources Journal/Revue canadienne des ressources hydriques, 45(2), 1–17. https://doi.org/10.1080/07011784.2020.1796817
  52. Sun-Mack, S., Hu, Y., Lu, X., Chen, Y., & Omar, A. (2025). Neural network-based snow depth retrieval from AMSR-2 brightness temperatures using ICESat-2 measurement as ground truth. Frontiers in Remote Sensing, 6, 1591276, 1–16. https://doi.org/10.3389/frsen.2025.1591276
  53. Bai, Y.N., Li, Z., Zhang, P., Huang, L., Gao, S., Qiao, H.W., Liu, C., Liang, S., & Hu, H.D. (2025). High-resolution snow depth retrieval by passive microwave based on linear unmixing and machine learning stacking technique. International Journal of Applied Earth Observation and Geoinformation, 138, 104467. https://doi.org/10.1016/j.jag.2025.104467